10.30 智物起源 Java 后端一面:RAG 编排、Agent 测试与 AI 工具链连问 26 题
- 轮次
- 一面
- 时间
- 2026-10
- 来源
- 牛客网
《面试题目》
RAG 项目
- 简单介绍一下你过往做的项目内容,以及你负责的事情。
- 展开说一下 RAG 具体的编排是怎么实现的,数据处理的链路用到哪些组件?
- 历史文档的更新会怎么处理?有保留历史版本吗?
- 对用户的问题有没有做预处理?
- 问题改写和识别这一块的提示词要怎么写?
- prompt 是怎么生成出来的,经过哪些历史演变?
工程与可观测性
- 平常的日志平台怎么关注请求的流程?
- Agent 开发完是怎么去测试的?
- 跑这些用例和结果对比,用了什么框架吗?
- 最终上线情况怎么样?token 消耗和延迟是多少?
个人项目与 AI 工具链
- 聊一下你这个个人项目,做了哪些功能,实现到什么程度。
- 做出来的效果怎么样,能满足自己日常使用吗?
- 自己处理过哪些印象比较深刻或者比较特殊的问题?
- 你自己做的这个 Agent,现在比较大的问题在哪方面?
- 像前端开发、CSS 调整、页面调整的效果怎么样?
- 网上有一些开源的 Claude Code 提示词,这方面有没有去了解过?
- 你日常开发用什么 AI 工具?买的什么档位?
- 自己沉淀了哪些 Skill?
- ChatGPT 和 Claude 有什么差异?
- 除了用 Claude 写代码和写简历,还会干什么?
- 对前端的开源框架了解哪些,尤其是关于 AI 的?
团队与个人情况
- 团队有多少人,是怎么分工协作的?
- RAG 项目用户是谁?这个项目的代码有多少是 AI 写的?
- 你找工作对于公司和项目有什么要求和倾向?
- 之前 base 地是哪?
- 之前的工作强度怎么样?
《参考解析》
第 2 题别答成「我用了 LangChain」
RAG 的编排要按数据流讲,而不是按框架讲。一条能过面试的链路是:文档接入(PDF / Word / 网页的解析与清洗,表格与图片要不要单独处理)→ 分块(按标题层级还是固定窗口、chunk 多大、有没有重叠)→ 向量化(用哪个 embedding 模型、维度、要不要同时建关键词索引)→ 存储(向量库选型、元数据里存哪些字段)→ 召回(top-k、是否混合检索、要不要 rerank)→ 组装 prompt(上下文怎么截断、引用怎么标注)→ 生成(模型、温度、流式)→ 后处理与评估。每一段都能说清「为什么这么选、换一种会差在哪」,就已经比背组件名高一档。
第 3 题:文档版本是 RAG 项目最容易烂掉的地方
只做「覆盖写」的系统,用户问到已作废的条款时答不出来或者答错。可行的做法是给每个文档一个逻辑 id + 版本号,新版本入库时把旧版本的向量标记为失效(不是物理删除,保留可追溯),检索时只召回有效版本;如果业务需要「历史上曾经怎么规定」,再按时间范围放宽。另一个常被忽略的点是增量更新:整库重建在文档量大时跑不动,需要能定位到「哪个 chunk 变了」,只重算受影响的部分。
第 4、5 题:预处理和改写是效果差异最大的两步
预处理主要是四件事:纠错(错别字、语音转写的同音错)、指代消解(「它」「这个」指前文的什么)、意图判断(是不是在问知识库里的东西,不是就直接兜底)、以及把长问题拆成子查询。改写的提示词要给约束而不是愿望:明确输出只有改写后的问题、不许回答问题本身、保留原问题里的专有名词与数字、给出两三个不同角度的改写。识别类的提示词则相反,要它输出结构化的标签(意图 + 置信度 + 是否需要检索),方便下游用代码分支,而不是靠模型自由发挥。
第 6 题:prompt 的「历史演变」考的是你有没有工程化
理想的答案是:prompt 存在配置里而不是代码里,有版本号,每次改动配一批固定的回归用例,改完跑一遍对比通过率,坏了能回滚。演变过程一般是三个阶段——最初靠堆指令、后来发现指令互相打架就改成结构化分区(角色 / 任务 / 约束 / 输出格式 / 示例)、再后来把能写成代码校验的部分从 prompt 里拿出去,只留模型真正需要判断的东西。
第 7 题:可观测性要答到「一次请求能串起来」
一条请求应该能用一个 trace id 串起:入口参数、改写后的查询、召回命中的文档 id 与分数、最终 prompt 的 token 数、模型返回、耗时、失败原因。日志之外还要有指标:召回命中率、空召回率、平均上下文长度、首字延迟与总延迟的 P50/P95、token 消耗(输入 / 输出 / 缓存命中分开记)。这些指标决定了出问题时你是靠猜还是靠看。
第 8、9 题:Agent 的测试不是写单测
Agent 的输出不确定,测的是「行为边界」而不是「等于某个字符串」。可用的分层是:① 工具层单测——每个工具函数输入输出确定,正常写单测;② 轨迹测试——给定任务,检查它调了哪些工具、有没有走不该走的分支、有没有死循环;③ 结果评测——一批带标准答案的样例,用规则或 LLM 当裁判打分,跑通过率。第 9 题问框架,答「自己搭的回归集 + 规则断言 + LLM 裁判」比硬编一个框架名更真实;关键是能说清用例从哪来(线上真实请求采样 + 人工构造的边界case)、怎么防回归(每次改 prompt 或换模型都跑一遍)。
第 10 题:上线数据要具体到口径
token 消耗要说清是每请求还是每会话、输入输出分开、有没有命中缓存(缓存命中的单价通常只有未命中的十分之一,不分开算会高估成本);延迟要给首字延迟和完整响应两个数,并说明是 P50 还是 P95——只报平均值在面试里基本等于没测。
第 15、23 题:AI 写代码的比例怎么答
这两题表面在问工具,实际在探「你对 AI 产出的掌控力」。答比例之前先说分工:样板代码、样式调整、单测、重构这类让 AI 写,涉及状态机、并发、权限、数据一致性这些核心逻辑自己写并逐行 review。被问到「CSS 调整效果怎么样」时,给一个具体的对比(一句话描述需求 vs 改了三版才对)比笼统说「还行」可信得多。第 23 题问代码多少是 AI 写的,本质上是在问「你能不能为这些代码负责」——答「AI 写的部分我也能讲清每一行为什么这么写」是唯一安全的答案。
第 19、21 题:模型与框架的对比要有判断而不是站队
ChatGPT 与 Claude 的差异,落到工程上无非几件事:长上下文里的指令遵循、工具调用的稳定性与并行调用、结构化输出的可靠性、以及代码场景下的改动幅度(是只改该改的,还是顺手重写一片)。这几条各自给一个自己踩过的例子,比背评测分数有用。第 21 题问 AI 相关前端框架,答 Vercel AI SDK 这类流式与工具调用的封装、以及 SSE / WebSocket 在前端的处理方式,就能接上前面第 7 题的可观测性话题。
第 24-26 题:别把这几个问题当寒暄
公司要求、base 地、工作强度三连问,是在给「匹配度」打分,也是在为定薪和后续流程做准备。答的时候保持和前面一致:如果你说看重技术深度,就别在同一条里说只想找不加班的;上一份工作强度如实说,但落点放在「我能接受什么样的节奏、为什么」,而不是抱怨。这几题答得干脆,前面技术部分的可信度也会更高。