面灵AI→

瑞银 UBS 金融科技学徒一面:全英文四对一,RAG 全链路与 Agent 编排连环追问

轮次
一面
时间
2026-10
来源
牛客网

《面试题目》

部门一 · 面试官 A

  1. 你之前了解过相关的 model 吗?
  2. 介绍一下之前和 AI Agent 相关的经验和工作。
  3. 这段工作是实习吗?是怎么找到的?
  4. 追问项目:validation agent 怎么控制质量?
  5. 项目里的量化指标是怎么得来的?
  6. 你的职业规划是什么?
  7. 你更倾向哪个项目?
  8. 了解过什么风控模型吗?

部门一 · 面试官 B

  1. 介绍一下项目里的 RAG。
  2. 如果要做 RAG,流程是怎么样的?
  3. 这个项目是干什么的?举一个例子。
  4. RAG 的输入是什么?query rewrite、chunk、父子索引这些是怎么做的?
  5. 场景题:如果量化团队想设计一个 AI 助手,怎么从数据、输入、编排、评测和客户这几个方面做端到端开发?
  6. 这中间要用到什么技术(technique)?

部门二 · 面试官 A

  1. 介绍一下你的 AI Agent 项目。
  2. LangGraph 是怎么编排的?
  3. validation agent 是怎么工作的?
  4. 怎么想到用这样的方法来做验证?中间有没有尝试过别的方法?

部门二 · 面试官 B

  1. 介绍一下第二个 agent。
  2. 它使用了哪些 tool?
  3. RAG 和 MCP 是用 qwen-agent 自带的吗?
  4. 介绍一下 agent1,一个典型的流程是怎么样的?
  5. MCP 是跑在本地还是在 website 上的?
  6. 项目都部署在服务器上吗?
  7. 都知道哪些 AI 模型?
  8. 你用大模型都是调用 API 吗?
  9. Agent 和 workflow 有什么区别?
  10. 用过数据库吗?
  11. 你倾向于 skill 还是 MCP?
  12. 反问。

《参考解析》

四位面试官轮番问,考的是能否在不同提问风格下稳定表达。同一个项目被两个部门从「质量控制」和「编排实现」各问一遍,答法必须一致——第一遍说 validation agent 用 LLM 打分、第二遍说成规则校验,会被判定为不熟。准备方式是把项目写成一张卡片:一句话定位、架构图、关键取舍、指标、失败案例,任何角度都能回到卡片。

validation agent 的质量控制要分层答,别只说「用大模型判断」。第一层是确定性校验:schema、必填字段、数值范围、引用是否存在,能拦掉大部分低级错误。第二层是证据校验:答案里的每个结论是否能在检索到的原文里找到支撑,找不到就拒答或降级。第三层才是 LLM-as-judge,必须给 rubric(正确性、完整性、是否臆造),judge 最好与被判模型不同源,避免自己给自己打分。外层再挂抽样人审和失败样本回流——人工纠正过的 case 都进回归集,改 prompt 或换模型前先跑一遍;指标看误判率、与人工标注的一致率、单次校验的成本与延迟。

「量化指标怎么得来的」是分水岭,因为大部分人只能报一个漂亮数字。答法是先说基线(人工处理要多久、准确率多少),再说测量方式(固定评测集上的离线指标 + 线上灰度或 A/B 的增量),最后区分绝对值和增量——指标变好可能只是流量结构变了,必须有对照组。说不清基线的指标,会被默认是编的。

RAG 的流程要能一口气讲完离线与在线两段。离线是解析(表格、双栏)→ 清洗去重 → chunk → 建父子索引 → embedding → 入库;在线是 query 改写(补全指代、拆子问题、生成多 query)→ 多路召回 → 融合 → rerank → 组装上下文 → 生成并给出引用。父子索引解决粒度矛盾:小子块检索保命中精度,命中后把父块整段喂给模型保上下文完整。常见追问是 chunk 多大,答案不该是数字,而是「按文档结构切,表格单独处理,再按评测集的 recall 调」。

场景题(给量化团队做 AI 助手)按五段答最稳:数据(行情、因子、研报、内部文档,先解决权限与合规)→ 输入(自然语言 + 结构化参数,要能识别「哪只票、什么区间」)→ 编排(意图路由到查数、算因子、画图、写报告等工具,工具只读优先,写操作要人确认)→ 评测(数值正确性优先于文采,用 gold set 逐条比对,涉及金额的一律人工复核)→ 客户(交付形态、审计留痕、响应延迟)。这一段能讲出「哪里必须人来兜底」,比堆名词更加分。

LangGraph 要讲清它和 chain 的差别:显式状态图,节点是函数、边可以是条件边,因此能循环、能回退;checkpoint 把每步状态落盘,支持断点续跑和 human-in-the-loop 中断,子图用来复用一段流程。Agent 与 workflow 的区别在控制权:路径预先定义死的是 workflow,由模型决定下一步的是 agent;生产系统多数是 workflow 包住若干 agent 节点。

skill 与 MCP 不是同类东西:skill 是把「怎么做一件事」打包(说明、脚本、规范),解决知识与流程复用;MCP 是工具接入协议,解决「模型怎么调到外部系统」。选哪个看能力边界在提示词还是在外部服务。「MCP 跑本地还是 website」则要能说清 transport 的区别(本地 stdio、远程 HTTP/SSE)以及对凭据、内网访问的影响。

全英面真正的难点是听不懂,而不是不会。作者两次没听清都主动追问,面试官反而补出关键词(fine-tuning)——沉默猜答案比问一句伤害大得多。准备时把讲稿压成英文关键词卡片,把 retrieval、rerank、orchestration、evaluation 这些词练到不用想。