面灵AI→

OPPO 全栈一面:多 Agent 通信、RAG 评估与 AI 全栈能力考察

轮次
一面
时间
2026-10
来源
牛客网

《面试题目》

一、基础问题

  1. 自我介绍,包括学历和工作经历。
  2. 在学校学过的比较难的课程是什么?难点在哪里?你是怎么掌握的?

二、项目经历

  1. 这个项目是实际需求,还是自己做的实验性项目?
  2. 项目的输入、输出分别是什么?整体技术链路是怎样的?
  3. 项目中前端、后端和算法部分分别是怎么实现的?
  4. 多 Agent 之间是如何通信的?
  5. Agent 工作流是如何编排的?
  6. RAG/检索库是自己实现的吗?
  7. 知识库的素材来源是什么?
  8. 如何实现上下文记忆?
  9. 多用户、多会议场景下,如何保证不同用户之间的数据不互相影响?
  10. 如何评估知识库或 RAG 的准确性?
  11. 如何根据评估结果迭代和更新知识库?
  12. 项目最终上线了吗?
  13. 如果作为完整服务上线,考虑过哪些性能问题?
  14. 使用的是自部署开源模型,还是第三方大模型 API?为什么这样选择?

三、AI 全栈相关

  1. 你如何理解 AI 全栈工程师?
  2. 如果产品经理只给你一份比较简陋的 PRD,并要求一周完成一个 App,你会如何开展工作?

《参考解析》

这一轮的主线是「顺着一个项目往下挖」,所以项目必须能被拆到每一层。 面试官从「真实需求还是实验项目」开始,问的不是性质本身,而是你在这个项目里的角色边界——实验性项目不丢分,讲不清需求来源、边界和取舍才丢分。诚实说明「这是我自己的探索项目,需求是我自己定义的,目标是把某类问题自动化」,然后立刻接上「我做了哪些技术决策、验证了什么结论」,比含糊地暗示它是商业项目安全得多。紧接着的「输入输出 + 技术链路」是在建一张地图,后面所有追问都挂在这张地图上,所以这一问要答得极其具体:输入是什么形态(用户上传的文档、语音、表单)、经过哪些环节(解析 → 切块 → 索引 → 检索 → 编排 → 生成 → 落库/回显)、输出是什么(结构化结果、报告、流式回复)、每一步涉及哪些组件与外部依赖。答完立刻补一句「这条链路里最不确定的一环是 X」——主动暴露风险点,面试官多半会顺着这个点问下去,等于把话题引到你准备过的地方。前后端与算法分工这一问,全栈岗看的是你能不能同时说清三层的接口约定(前端拿什么数据结构、后端暴露哪些接口和鉴权方式、算法侧输入输出的契约和超时降级),而不是让你把三层都做一遍。

多 Agent 通信:先分清是「真并发协作」还是「串行角色扮演」。 实际工程里的通信机制就那么几种:① 共享状态/黑板——所有 Agent 读写同一份结构化状态(LangGraph 的 State、AutoGen 的共享消息),实现简单、可观测性好,代价是并发写要加锁或做版本控制;② 消息传递——通过消息队列或直接函数调用把上一个 Agent 的输出交给下一个,解耦彻底、可以分布部署,代价是链路追踪和错误传播变复杂;③ 编排器路由——由一个 Supervisor/Orchestrator 决定下一步交给谁,Agent 之间不直接说话,可控但编排器会成为瓶颈与单点;④ 工具调用即通信——把另一个 Agent 能力包装成工具,靠 function calling 触发。回答时要给判据:需要强一致和可回溯就选共享状态 + 明确的状态 schema,需要跨进程跨团队就上消息队列。这里有个高频追问的陷阱——如果被问「为什么不用共享内存/全局变量直接通信」,答案是进程内外、语言异构、故障隔离三件事;如果被问「Agent 死循环怎么办」,答最大步数与重复动作检测。

工作流编排:编排的本体是「状态机 + 检查点」,不是 prompt。 必修的三件事:节点定义(每个节点做什么、输入输出 schema)、流转条件(串行、并行、条件分支、循环,以及终止条件)、状态与持久化(每步的中间结果落盘,进程挂了能从最后一个成功节点续跑)。用现成框架(LangGraph、Temporal、Dify)还是自己写,判据是「链路是否会长期演进 + 是否需要人工介入」——需要人工审批插在中间(发邮件前确认、写操作前确认)就必须要检查点。落到可观测性上:每个节点记输入、输出、耗时、token 消耗和错误,这样出问题才能定位到节点;再加上超时和重试策略(重试要区分幂等与非幂等操作)。如果面试官追问「多 Agent 串行跑太慢怎么办」,可答并行化无依赖节点、把长任务异步化 + 回调通知、以及对简单路径降级成单次大模型调用——不是所有任务都值得多 Agent,这句话要主动说。

RAG/检索库是否自研:这题在探你的技术判断力,不在探你造轮子的数量。 标准答法是分层说:检索算法和向量索引没必要自研(FAISS/Milvus/pgvector 已经很成熟),自研的应该只有与业务强绑定的那部分——切块策略、元数据过滤规则、query 改写、以及融合与重排的策略。如果真自研了某一块,要能说出动机(现成方案在这个场景下哪一点不满足)和代价(维护成本、能力上限)。知识库素材来源这一问,紧接着会被问「素材质量怎么保证」——所以要提前准备素材的治理流程:来源是否可授权、是否有时效、是否去重、是否做了结构化清洗、以及谁负责维护。容易被忽略的是「知识库的更新责任」:如果素材来自客户或业务方,就要约定交付格式和更新频率,否则索引会慢慢腐烂。这两问连起来其实是在验证一个判断——你分得清「模型能力问题」和「数据问题」,而实际项目里大多数 RAG 效果差都是后者。

上下文记忆:短期、长期、以及「哪些不该记」。 短期记忆是当前会话的对话窗口,管控手段是 token 预算 + 摘要压缩 + 滑动窗口,但关键约束(用户身份、已确认的事实、否定条件)必须固定保留,不能随窗口滑出去。长期记忆是跨会话的,通常是向量库 + 结构化画像:写入要有触发条件(什么时候值得记——用户明确表达的偏好、长期有效的事实),召回要有阈值和类型过滤,还要有过期与覆盖机制(新偏好覆盖旧偏好,避免把三年前的信息当现在的事实)。多轮 Agent 场景下还有一层任务态记忆:当前任务进行到哪一步、已调用了哪些工具、哪些中间结果还能复用,这部分最适合做成显式状态而不是靠模型从对话里回忆。回答时主动提一句「记忆最大的风险是污染」——召回了错误或过期的记忆比没有记忆更糟,所以宁少勿滥、并且要能在日志里看到「这次回答引用了哪条记忆」。

多用户、多会议的数据隔离:这是工程红线,答得含糊会直接被判定没做过线上。 隔离要按层次讲清楚:① 数据层——所有表和向量集合都必须带 tenant_id/user_id/session_id 字段,检索时在向量库的过滤条件里带上租户(不能只在应用层过滤,要在检索语句里过滤,否则 Top-K 会被别人家的数据占满,既泄露又降低准确率);② 存储层——要求高就用独立库/独立 collection,成本敏感就用共享库加行级隔离 + 强制查询条件(可用数据库 RLS 或在 ORM 层统一注入,防止有人漏写 where);③ 会话层——每个会议独立 session,实时链路(WebSocket/SSE 房间)按 session 建 channel,服务端绝不靠客户端传来的 sessionId 直接取数据,而是从鉴权 token 里解出租户再校验归属;④ 运行时隔离——共享的缓存 key、临时文件目录、向量索引都要带租户前缀,避免键冲突和串数据;⑤ 审计——敏感数据的访问要留日志。这一问的常见追问是「如果两个用户同时开会话会怎样」和「你怎么测试隔离有效」,后者答:写一组跨租户的越权用例(用 A 的 token 请求 B 的 session/文档 ID),纳入回归集每次发版跑。「靠 prompt 让模型别说别人家的数据」不是隔离方案,这句话一定要说出口。

RAG 准确性评估:检索层和生成层要分开评,否则你不知道该改哪。 检索层指标是 recall@k(正确片段有没有进 Top-K)、precision、MRR/NDCG(排得够不够前),依赖一份标注好的评测集:从真实问题里抽样、人工标出每个问题对应的正确文档/片段,规模几十到几百条就能看出趋势。生成层指标是忠实度(答案有没有编造、是否只用了检索到的内容)、答案相关性(有没有回答问题)、上下文利用率,可以人工打分也可以用模型做裁判(LLM-as-a-judge,但要用固定 rubric 并抽查裁判本身的一致性)。工具上 RAGAS、TruLens 这类框架能省不少事。工程上还要看线上指标:用户追问率(说明第一次没答好)、点踩率、检索命中率为零的比例、平均检索耗时。「准确性」这个词本身要先定义清楚——是检索不到,还是检索到了但答错,还是答对了但用户不认,这三种问题的修法完全不同,把这一点讲出来就是加分项。

按评估结果迭代知识库:闭环的关键是「可归因 + 可回归」。 拿到 badcase 先做归因分类:① 知识库里根本没有 → 补素材(并登记来源);② 有但没召回 → 修切块/加关键词召回/加 rerank/改 query 改写;③ 召回了但被噪声淹没 → 收紧 Top-K 或加过滤;④ 召回正确但模型答错 → 改 prompt、换模型或加结构化输出约束;⑤ 知识本身过期/矛盾 → 修数据治理。每一类对应不同的动作,不要一上来就调 prompt。迭代流程要版本化:文档、切块参数、embedding 模型、prompt 都各自有版本号,改一次就跑一遍回归评测集,防止「修好一个坏掉三个」。增量更新上,文档变更要能触发重切块和索引重建(只更新变化的文档,别全量重建),并且新旧索引切换要能回滚。最后补一句运营侧的动作:把 badcase 沉淀成固定的评测集,随版本增长——评测集是这个系统唯一能持续变好的依据。

上线与性能:先分清在线链路和离线链路。 如果项目没上线,就诚实说没上线,然后讲清「如果上线我会怎么改」——这一问考的是意识不是事实。在线链路的性能瓶颈通常依次是:大模型调用(延迟与并发上限)、向量检索(QPS 与索引大小)、以及你自己的服务(线程池、连接池、内存)。对应手段:流式输出降首字延迟、并发限流与排队保护上游(令牌桶 + 队列 + 超时降级)、缓存(相同问题的答案缓存、embedding 结果缓存、检索结果缓存,注意按租户分区)、异步化长任务(提交后返回任务 ID,进度用 SSE/轮询推)、连接池与超时必须显式配置(默认值几乎都不适合 LLM 调用),以及降级链(主模型超时切备用模型、检索失败退化为纯生成并明确告知)。离线链路的性能是索引构建与批量处理,用批处理和并行度控制解决。还有一个容易被忘的点:成本也是性能指标,单次对话的 token 消耗要能按用户/租户统计。

自部署开源模型还是第三方 API:这是一道纯粹的成本-效果-合规三角题。 选第三方 API 的理由:接入快、效果通常在同类里最强、没有 GPU 运维成本、弹性好;代价是数据出境/出域(To-B 和政企客户常常直接否掉)、单价随量线性增长、版本不可控(上游一改行为你的评测就失效)、以及被限流。选自部署的理由:数据不出内网、单位推理成本随量摊薄、模型和行为完全可控、可以针对领域微调;代价是 GPU 资本开支与运维、并发能力受显存限制、模型效果通常落后前沿一到两代、还要自己做推理优化(vLLM/TensorRT-LLM、量化、批处理)。真实项目里最合理的是混合路由:常规请求走自部署、复杂或长尾请求走 API 兜底,敏感数据强制本地,并且把「哪类请求走哪条路」做成配置而不是写死在代码里。回答时把客户类型(To-C / To-B / 政企)作为选择的前提说出来,会显得你是在做工程决策而不是背优缺点。

「你如何理解 AI 全栈工程师」:别把它答成「会前端的算法工程师」。 这个岗位的核心不是把三种活都干一遍,而是能独立把一个 AI 能力端到端跑通并且交付出去:能把模糊需求翻译成可验证的产品形态、能选型和串起模型/检索/编排这些 AI 组件、能写前后端把它变成一个用户真的会用的界面、还要能评估效果并持续迭代。和传统全栈的区别在于多了一层「不确定性」——传统后端的接口是确定的,AI 链路的输出是概率性的,所以 AI 全栈必须额外具备评估能力(怎么定义好坏、怎么量化、怎么防退化)和成本意识(token、延迟、并发)。表达上可以给一个具体的判断标准:「一个功能从想法到上线,中间不需要别人替你翻译技术方案,并且效果好坏我能拿数据说清楚,就算是全栈。」再补一句边界:全栈不等于什么都是自己写,而是知道哪些该用现成方案、哪些必须自己控住。

一周做一个 App(PRD 还很简陋):考点是拆解与取舍,不是承诺。 一个能在面试里站住的答法分四步:① 当天对齐需求——简陋的 PRD 不能直接开工,先和产品确认三件事:目标用户是谁、这一周要验证的核心假设是什么、什么功能是必须有、什么是可以砍的。找 35 个目标用户聊 20 分钟,比对着文档猜要快得多;② 定义最小可交付——把 PRD 拆成「一周内能做出并给真人试用」的版本,AI 能力部分先做一条主链路的 happy path(选一个模型、一套 prompt/工具、一个检索库),其余全部用最笨的方案兜(表单代替后台、手动代替自动化);③ 技术选型优先复用——能托管就不自建(BaaS、Serverless、现成的模型 API、现成的 UI 组件库),因为一周的时间预算里最贵的是运维和部署,不是写代码;④ 倒排节奏并留缓冲——第 1 天需求与原型、第 24 天主链路、第 5 天联调与埋点、第 6 天给真用户试用、第 7 天收反馈定下一步,明确留出至少半天缓冲。最后一定要说风险和交付口径:一周能交付的是「可试用版本」而不是「生产可用服务」,鉴权、并发、监控、合规这些要么简化要么明确列为不包含——先把口径讲清楚,比硬承诺一周上线更能体现工程判断。

基础题里的「最难的课程」:这是在测学习方法和自我认知。 面试官不在乎你选哪门课,在乎三点:你判断「难」的标准是什么、你用了什么方法啃下来、以及你现在回头看会怎么做得更好。答法建议选一门有客观难度的课(编译原理、操作系统、算法设计、分布式系统),说清难在哪(抽象层次高、需要同时理解多个概念、缺少直观反馈),再讲你具体怎么做的——拆解成可验证的小问题、找一手材料(教材/规范/源码)、动手实现一个最小版本(比如写一个正则引擎或一个简化调度器)、以及用输出倒逼输入(给别人讲一遍、写成笔记)。要落到「我现在还能讲清其中的 X」这种可验证的结论上,而不是「我花了很多时间」。自我介绍部分对全栈岗的关键是:学历和工作经历要服务于一个明确的定位(我做什么方向、擅长什么、为什么是这个岗位),别按时间线念简历。