面灵AI→

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

  1. 简单介绍一下你过往做的项目内容,以及你负责的事情。
  2. 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?
  3. 历史文档的更新会怎么处理?有保留历史版本吗?
  4. 对用户的问题有没有做预处理?
  5. 问题改写和识别这一块的提示词要怎么写?
  6. prompt 是怎么生成出来的,经过哪些历史演变?

工程与可观测性

  1. 平常的日志平台怎么关注请求的流程?
  2. Agent 开发完是怎么去测试的?
  3. 跑这些用例和结果对比,用了什么框架吗?
  4. 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

  1. 聊一下你这个个人项目,做了哪些功能,实现到什么程度。
  2. 做出来的效果怎么样,能满足自己日常使用吗?
  3. 自己处理过哪些印象比较深刻或者比较特殊的问题?
  4. 你自己做的这个 Agent,现在比较大的问题在哪方面?
  5. 像前端开发、CSS 调整、页面调整的效果怎么样?
  6. 网上有一些开源的 Claude Code 提示词,这方面有没有去了解过?
  7. 你日常开发用什么 AI 工具?买的什么档位?
  8. 自己沉淀了哪些 Skill?
  9. ChatGPT 和 Claude 有什么差异?
  10. 除了用 Claude 写代码和写简历,还会干什么?
  11. 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

  1. 团队有多少人,是怎么分工协作的?
  2. RAG 项目用户是谁?这个项目的代码有多少是 AI 写的?
  3. 你找工作对于公司和项目有什么要求和倾向?
  4. 之前 base 地是哪?
  5. 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。