面灵AI→

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》

  1. 请先做自我介绍。
  2. 你主要做前端和自动化测试方向?
  3. 讲一下你那个 B 站项目。
  4. 讲一下你用 LangChain 做过什么样的实践。
  5. 三个节点分别实现了什么能力?
  6. 怎么做到精准识别用户意图并挑选工具?
  7. 如何提高 AI 输出 JSON 的稳定性?
  8. 讲一下你怎么实现虚拟滚动。
  9. 了解过虚拟滚动的实现原理吗?
  10. 为什么不用 sleep 方式等待节点渲染完成?
  11. 讲一下你做的全栈项目、小程序背景。
  12. 在需求背景清晰的情况下,怎么用 Codex 开发?
  13. 怎么让 AI 验证按你的 spec 执行?
  14. 关于 Codex 的使用,怎么获取 token?
  15. 有没有了解过自己搭海外服务器梯子?
  16. 你这边有什么想了解的?
  17. 公司业务方面,医药平台怎么做?
  18. 你们专业很难吗?绩点 3.65 排第一?
  19. 这个专业现在好找工作吗?
  20. 前端岗位消失了吗?
  21. 现在应该是后端值钱吧?
  22. 这个助眠小程序有市场需求了吗?
  23. 中国计算机博弈国家一等奖有含金量吗?
  24. 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。