面灵AI→

联影医疗软件开发一面、二面面经

轮次
一面、二面
时间
2026-10
来源
牛客网

《面试题目》

  1. 自我介绍。
  2. 分模块介绍第一个实习项目。
  3. 为什么选策略模式做这个优化?当时怎么考虑的?
  4. 做策略类时,源码改造的工作量有哪些?
  5. 新老规则怎么区分、怎么共存?
  6. 第二个实习项目的需求来源是什么?
  7. 拿一个具体例子,讲讲你做了什么、难点是什么。
  8. 你具体功能的参与程度?
  9. 多智能体的交互与管理怎么做?
  10. 未来要分布式执行、接入其他 Agent、Agent 互相发现和对话,技术路线怎么做?
  11. 状态恢复做了什么、达到什么效果?
  12. 上下文压缩怎么压缩?快照存到关系库,表结构怎么定义?
  13. 从 coding 层面,怎么识别核心输出并保存?
  14. 39 个 pytest 是 UT 还是平台功能测试?
  15. AI 是黑盒,结果稳定性从哪些维度测?
  16. 测试交付标准怎么制定?
  17. 排行榜为什么选 Redis?
  18. 存储开销降低 87.5% 是怎么推算的?
  19. 存这个评审状态的业务意义是什么?
  20. 你的职业规划?对行业和岗位怎么看?

《参考解析》

策略模式改造要讲清动机:把不同规则从 if/else 里抽成策略类,新增规则不改主流程,符合开闭原则;代价是类数量增加、需要注册和路由机制。新老规则共存可以用开关/灰度、规则版本号和默认策略兜底,迁移期双跑对比结果。回答源码改造工作量时,具体到接口抽象、调用点替换、配置化和测试覆盖。

多智能体与分布式执行:交互层定义消息协议和角色职责,编排层负责任务拆分、依赖和超时,状态层持久化每一步的输入输出;分布式执行要解决服务发现、任务分发、幂等和故障转移,常见做法是注册中心 + 消息队列 + 状态机。状态恢复靠快照 + 事件日志,快照表至少存任务 ID、步骤、状态、上下文摘要、版本和时间,恢复时从最近快照重放。

上下文压缩可以分层:保留最近 N 轮原文,较早对话做滚动摘要,关键事实抽成结构化字段;压缩前先标记不可丢的约束(用户目标、权限、已确认事实),压缩后做一致性校验。识别核心输出可以从工具调用结果、用户确认和最终答案中提取,落库时带来源和置信度。

测试与指标:UT 测函数级逻辑,平台功能测试测端到端链路,两者要分开统计;AI 黑盒的稳定性要从准确率、召回率、一致性(同输入多次)、鲁棒性(扰动输入)、时延和成本几个维度测,交付标准要事先和业务约定阈值与抽检比例。排行榜用 Redis ZSet 是因为按分数排序、范围查询和更新都是 O(log N),但要注意大 key、热 key 和持久化;存储下降 87.5% 要能给出改造前/后的容量计算公式,而不是只报结果。