水滴 AI 全栈二面:LangGraph 与 DAG、MCP Server、视频理解与微服务组件
- 轮次
- 二面
- 时间
- 2026-11
- 来源
- 牛客网
《面试题目》
- 介绍一段实习经历,项目上线后的效果如何?相关业务指标有改善吗?
- 聊聊 LangGraph 的图和 Workflow 编排,以及底层是怎么执行的,它和 DAG 有什么关系?
- 怎么开发一个 MCP Server?会用什么语言,Java 还是 Python?
- 了解 MCP Server 的实现机制吗?
- 介绍做过的项目:为什么做、做了什么、用了哪些开发语言?
- 拿到一段视频,要怎么处理,才能让智能体基于视频内容回答问题?
- 你主要负责哪些工作?怎么统筹团队协作?
- 微服务里用了哪些组件?怎么做限流?
- OpenFeign 还会和哪些组件一起使用?
- 有没有用到网关和 Nacos 这类组件?
- 为什么有的场景用 MQ,有的场景用 RPC?
- 平时用什么开发工具?工作中和个人开发时会用 AI 编程工具吗?
- 用 AI 编程工具开发项目时,你会给它哪些约束?
- 介绍一项参加过的竞赛:主要做什么,你承担什么角色?
- 接下来想做什么?有比较明确的职业方向吗?
《参考解析》
LangGraph 与 DAG:LangGraph 把流程建模成状态图,节点是函数或模型调用,边定义流转,支持条件边、循环、并行与中断;核心是一个可持久化的状态对象,节点读取状态并返回更新,checkpointer 保存每一步,支持恢复与人工介入。DAG 只允许无环,适合一次性的任务编排;Agent 需要根据观察结果回到前面的步骤,所以必须有环,这是两者的本质区别。底层执行是调度器按边推进节点、合并状态、在中断点持久化,循环要有最大步数与终止条件。
MCP Server 开发:MCP 是模型与外部能力之间的协议,Server 暴露 tools、resources、prompts 三类能力。用 Python 或 TypeScript 的官方 SDK 定义工具名、描述与 JSON Schema 参数,实现处理函数,通过 stdio 或 HTTP/SSE 传输;资源用于只读数据,工具用于动作,要区分权限与幂等。实现机制是客户端把工具清单与 schema 注入模型上下文,模型返回工具调用,客户端执行后把结果回传。Java 生态可用 Spring AI 或手写 JSON-RPC。
视频理解:先做预处理——抽帧、抽音频、场景切分、语音转写、OCR,得到带时间戳的文本与关键帧;再建立索引,把转写段落与帧描述向量化,保留时间戳与来源;用户提问时先检索相关片段,把文本、关键帧与时间范围一起交给多模态模型回答,并附上时间点引用。长视频要分层摘要,避免把整段视频塞进上下文;需要精确到画面时按时间范围回取帧。
微服务与限流:常见组件包括网关、注册中心与配置中心(Nacos)、RPC(Dubbo/OpenFeign)、消息队列、缓存、数据库、链路追踪与日志。限流可以放在网关做全局限流,也可以在服务内用 Sentinel/Resilience4j 做接口级限流,算法有令牌桶、漏桶、滑动窗口、并发数限制;限流要配合降级与熔断,返回明确的错误码与重试建议。OpenFeign 常与 Nacos 服务发现、Spring Cloud LoadBalancer、Sentinel、Micrometer/Tracing 一起使用。
MQ 与 RPC 的选型:RPC 适合同步请求-响应、低延迟、强依赖的调用,调用方需要立刻拿到结果;MQ 适合异步解耦、削峰填谷、广播与最终一致,生产方不关心何时被消费。判断标准是「是否需要立即得到结果」「是否能接受最终一致」「流量是否突发」「是否多方消费」。两者可以组合,比如下单走 RPC 校验库存,后续通知走 MQ。
给 AI 编程工具加约束:明确技术栈与版本、目录与分层、接口与数据模型、错误处理与日志规范、测试要求、禁止改动的文件、依赖引入规则、代码风格与提交前检查;要求先给方案再写代码,改动尽量小,涉及数据库与配置的变更要单独说明。验证靠编译、类型检查、单测与 review,不靠模型自述。
职业方向:结合做过的事情给一条主线,比如「AI 应用工程,偏 Agent 与 RAG 的落地」,并说明下一阶段想补的能力(系统工程、评测、模型原理)。不要只说「想做 AI」,要给具体场景与理由。