阿里 ATH Infra 平台开发一面面经

《面试题目》

1. 请分别介绍做过的项目及投入时间。
2. 在 AI 提效项目中承担了什么角色？
3. 哪个工程挑战最大？重构的平台具体做了什么？
4. 引入 AI 后，如何解决结果准确度问题？
5. 处理过哪些多媒体文件？
6. 如何平衡模型成本、人工成本和效果？
7. 模型无法判断或判断错误时，系统如何识别和处理？
8. Agent 平台化具体解决了什么问题？
9. 当前主要使用什么开发语言？对 Java 的熟悉程度如何？
10. 冷热分离如何实现？
11. 处理 10GB 大文件时，如何避免一次性占满内存？
12. 是否具备 Kubernetes 生产经验？其核心原理是什么？
13. 最近两年的工作表现如何？为什么考虑离职？
14. 什么样的工作贴合当前技术趋势？
15. 日常代码开发和 AI 工作各占多少？
16. 如何应对高强度工作和不得不完成的重复性任务？

---

《参考解析》

1. AI 准确度治理：先为任务建立可复现评测集和明确指标，把提示词、模型与工具版本纳入实验记录；线上结合规则校验、证据引用、人工抽检和用户反馈发现错误。高风险结果应在执行前增加确定性校验。
2. 成本与效果：按任务难度分层路由，简单请求使用低成本模型，复杂请求才进入更强模型；通过缓存、批处理、上下文裁剪和提前终止减少无效消耗。决策应同时观察成功率、时延、单次成本和人工返工量。
3. 大文件处理：使用流式读取和固定大小缓冲区，避免把整个文件装入内存；上传下载采用分片和断点续传，计算任务通过生产者消费者模型施加背压。还需限制并发数，并把中间结果落到对象存储或临时文件。
4. 冷热分离：根据访问频率与时间把热数据放在低延迟存储，冷数据迁往低成本存储。读路径可以通过元数据或统一路由定位数据，迁移任务需幂等，并保证删除热副本前冷副本已经校验成功。
5. Kubernetes 原理：控制面持续把实际状态收敛到声明的期望状态，调度器选择节点，控制器负责副本与故障恢复，kubelet 管理节点上的工作负载。生产经验应结合探针、资源限制、滚动发布、可观测性和故障处理说明。