粤港澳大湾区国创中心三维检索后端实习一面面经

《面试题目》

1. 请做自我介绍。
2. 是否接受从 Java 转向 Python？
3. 向量数据库主要解决什么问题？
4. 使用过哪些向量索引？它们的底层原理是什么？
5. 面对数十万或上百万向量，如何快速找到距离最近的向量？
6. 你如何理解 Docker？它主要解决什么问题？为什么使用 Docker 部署？
7. 实习期间维护的 CI/CD 流程是怎样的？为什么需要 CI/CD？如何触发？
8. 从接收需求到正式上线，如何使用 AI 工具辅助开发？使用中踩过哪些坑？
9. 如何判断 AI 生成的内容是否符合预期？
10. 开发现有项目的新模块时，如何让 AI 快速定位相关代码并减少 Token 消耗？
11. 项目如何部署？你承担过哪些部署工作？
12. 后续还有哪些面试环节？
13. 为什么本轮没有深入询问项目？
14. 多久能收到面试结果？

---

《参考解析》

1. 向量索引：精确检索需要遍历全部向量，规模大时常用 HNSW、IVF 或乘积量化做近似最近邻搜索。HNSW 用分层小世界图缩小搜索范围，召回率高但内存占用较大；IVF 先按聚类中心缩小候选集合，可通过探测簇数量权衡延迟与召回。
2. Docker：镜像封装应用及其用户态依赖，容器用命名空间和控制组提供隔离与资源约束，使开发、测试和部署环境更一致。它不包含独立内核，因此比虚拟机轻量，但仍需管理镜像供应链、持久化数据和网络边界。
3. CI/CD：提交触发构建、静态检查、验证、制品发布和部署闸门，减少手工步骤与环境漂移。发布应使用不可变制品，并保留版本、审批、健康验证和可观测回滚机制。
4. AI 代码检索：先从仓库约定、入口文件、类型契约和调用链定位功能域，再按符号与引用定向读取；把验收条件、边界和现有模式明确交给工具。生成结果仍需通过代码审查、类型检查、构建和真实链路验证，不能以“能编译”代替行为正确。