国药控股 AI Agent:意图识别与工具挑选
- 时间
- 2026-10
- 来源
- 牛客网
《面试题目》
- 请先做自我介绍。
- 你主要做前端和自动化测试方向?
- 讲一下你那个 B 站项目。
- 讲一下你用 LangChain 做过什么样的实践。
- 三个节点分别实现了什么能力?
- 怎么做到精准识别用户意图并挑选工具?
- 如何提高 AI 输出 JSON 的稳定性?
- 讲一下你怎么实现虚拟滚动。
- 了解过虚拟滚动的实现原理吗?
- 为什么不用 sleep 方式等待节点渲染完成?
- 讲一下你做的全栈项目、小程序背景。
- 在需求背景清晰的情况下,怎么用 Codex 开发?
- 怎么让 AI 验证按你的 spec 执行?
- 关于 Codex 的使用,怎么获取 token?
- 有没有了解过自己搭海外服务器梯子?
- 你这边有什么想了解的?
- 公司业务方面,医药平台怎么做?
- 你们专业很难吗?绩点 3.65 排第一?
- 这个专业现在好找工作吗?
- 前端岗位消失了吗?
- 现在应该是后端值钱吧?
- 这个助眠小程序有市场需求了吗?
- 中国计算机博弈国家一等奖有含金量吗?
- 这个岗位是秋招还是实习转正?
《参考解析》
LangChain 多节点实践要讲成数据契约,而不是组件清单。 面试官问「三个节点分别实现了什么能力」,实质在确认你知不知道自己那条链路的输入输出。建议按「输入解析 → 节点 A → 节点 B → 节点 C → 输出」画一遍,每个节点说清四件事:输入什么、输出什么(字段与类型)、依赖了什么外部能力(模型、工具、检索、数据库)、失败时怎么处理。链路上的共享状态要指明(LangChain 里是 state/上下文字典在节点间传递),并说明节点为什么这么切——是按职责边界切(识别、检索、生成)、按可测试性切(每段能单独跑评测)、还是按可缓存性切。要主动交代取舍:链路越长上下文越容易丢,节点间要传递结构化的中间结果而不是整段自然语言;串联的节点越多累计时延越大,能并行就并行。
意图识别加工具挑选,工程上的答案是「收敛候选 + 阈值兜底」。 第一层用轻量手段(关键词、正则、向量召回、分类小模型)把几十个工具收敛到三五个候选,再让模型在候选里做选择——搜索空间小了,准确率立刻上去,成本也降;第二层把工具描述写清楚,重点不是「这个工具做什么」而是「什么时候该用它、什么参数必填、什么情况不要用」,让模型有条件判断;第三层设置信度与校验门,低置信度不进业务链路而走澄清追问,参数不符合 schema 直接拒掉重问;第四层允许一次请求多意图,拆成多个子任务分别执行再合并,或者按优先级追问先做哪个。评测口径要能说出来:意图分类准确率与混淆矩阵、工具选择准确率、澄清率、以及澄清之后的转正率。
让 AI 稳定吐 JSON,靠的是约束加校验,不是反复叮嘱。 优先用接口级的结构化输出能力(function calling、JSON schema、response_format),把 schema 直接作为参数传给模型;schema 里字段尽量扁平、必填项明确、枚举值穷举,避免自由文本嵌套。提示里给一两个输入输出示例比写一堆「请严格输出 JSON」有效。拿到输出后必须有程序侧校验(zod/pydantic),解析失败就走重试并且把错误信息回喂——重试要有上限(两三次),超限就降级成明确报错而不是硬造内容。还要把两类失败分开统计:格式失败(解析不了)和语义失败(解析得了但字段不合业务约束),前者靠约束与重试,后者靠后置校验与业务规则兜底。温度调低、减少无关上下文、把长输出拆成多次小输出,都能进一步降低抖动。
虚拟滚动的原理是「只渲染可视区」,关键是高度与位置要能算准。 基本结构是:容器设固定高度并允许滚动,内部放一个撑满总高度的占位元素(total = itemHeight * count),真正渲染的只有可视区上下各加若干条缓冲的项,用绝对定位或 translateY 把列表整体偏移到正确位置;滚动时按 scrollTop / itemHeight 算出起始索引,回收离开缓冲区的 DOM。真正的难点在不定高:要么先给预估高度、渲染后测量并回写缓存、再修正总高度与偏移(否则滚动条会跳),要么用 IntersectionObserver/ResizeObserver 做动态测量。要能说出取舍:定高实现简单、性能最好,不定高体验更自然但要做高度缓存与锚点修正。
「为什么不用 sleep 等渲染」是同一类思路的延伸——等待要用事件而不是时间。 固定 sleep 的毛病是两头不讨好:网络慢时等不够、快时白等,而且测试会变慢、不稳定。正确做法是等可观测的事件:等待目标元素出现或可见(轮询加超时上限,或用框架提供的等待条件)、等请求完成的生命周期钩子(等待某个 XHR/fetch 结束或网络空闲)、等 DOM 变化(MutationObserver/ResizeObserver)、等框架的渲染完成信号(nextTick、状态变为就绪)。核心原则是「条件满足即继续,超时报错并留下现场(截图、DOM 快照、日志)」,这样失败时能复现而不是靠猜。
用 AI 按 spec 开发的流程,面试官其实在问「你怎么保证它不乱写」。 步骤是:先把需求写成可执行的 spec(接口签名、数据结构、边界与错误语义、验收标准),明确改动范围与不允许碰的文件;让 AI 先给方案与影响面再动手;用可执行的验证做门禁——类型检查、lint、单元测试、必要的运行验证,并且要求 AI 自己跑通再说完成;人工只审关键决策与安全敏感处。关于 token 获取要有实际经验:走官方 API key 或企业订阅授权,注意密钥不要进仓库、按环境注入、设置用量上限与审计。这类团队还会关心你的自动化测试背景(恰好是「让 AI 的产出可被验证」的基础),把「我怎么为 AI 写的代码搭验证」讲成一套方法,比单说会用工具更有说服力。
开放与背景类问题要答得稳。 医药平台这类业务题,答题角度是「合规优先 + 数据敏感 + 供应链与院端场景」:药品流通有资质与追溯要求,数据不允许随意外发,所以 Agent 的价值更多落在内部效率(资料检索、单据核对、客服辅助)而不是对外的自由生成;能说出这类边界比堆业务名词得分高。至于专业、绩点、前端岗位前景这类问题,按事实讲自己的判断就好——前端岗位在收缩的是重复的页面搭建,增长的是工程化、性能与 AI 应用方向,把「我在往哪走、已经做了什么准备」讲清楚;被问「这个岗位是秋招还是实习转正」直接如实回答,并顺势问清入职时间与培养路径,正好接上反问环节。