海口Java后端小厂面经（AI项目方向）
《面试题目》
- 介绍一下自己。
- 讲一下你的第一个项目（AI 类）。
- 项目中的会话记忆是怎么实现的，最多存几轮对话？
- 会话记忆怎么存储，存到哪里？是数据库吗？
- 你的 RAG 部分功能怎么实现的，怎么切分知识片段？
- 怎么让 RAG 部分将知识片段切分得更细？
- 如果写了提示词和做了 RAG，AI 还是会出现幻觉该怎么解决？
- 第二个点评类项目介绍一下。
- 项目中写到了一系列压测数据，这是真实的吗，怎么测出来的？
- 讲一下做 AI 项目遇到的最大的难题是什么，怎么解决的？
- 算法：左右括号匹配问题（LeetCode hot100 原题）。
- MySQL 增删改查怎么做，聚合函数？
- Linux 基础命令有哪些？
- Docker 知不知道，常用 Docker 来干嘛？
《参考解析》
1. AI 项目会话记忆的实现与存储
会话记忆通常分短期与长期两层：短期记忆直接维护在内存（如 Redis 或进程内缓存）中，以 sessionId 为 key 存储最近 N 轮对话（受限于模型上下文窗口，超出部分做摘要压缩或滑动窗口丢弃）；长期记忆才需要落库（MySQL/向量数据库），用于跨会话的用户画像或历史检索。存到内存而非数据库的原因是对话上下文读写频繁、对延迟敏感，数据库 IO 开销不适合每轮对话都读写。
2. RAG 知识片段切分
常见切分策略：按固定 token 数滑动窗口切分（简单但可能切断语义）、按语义边界（标题/段落）递归切分、结合重叠窗口（overlap）保留上下文连续性。要切得更细，可以减小 chunk size、增加 overlap 比例，或引入二级切分（先按章节粗切，再按句子细切），但切得过细会丢失语义完整性，需要在召回精度和上下文完整性之间权衡，通常配合检索时的 chunk 合并/相邻片段拼接来补偿。
3. RAG + 提示词后仍出现幻觉的解决思路
可从几个层面优化：① 提高检索质量（更好的 embedding 模型、混合检索 BM25+向量、重排序 rerank）；② Prompt 层面明确要求「仅根据提供的资料回答，资料中没有则回答不知道」；③ 引入答案校验环节，将生成答案与检索片段做一致性比对（如 NLI 模型或二次 LLM 校验）；④ 控制生成温度（降低 temperature）减少模型自由发挥；⑤ 必要时加引用溯源，让用户可验证答案出处。
4. 算法：括号匹配问题
经典思路是用栈：遍历字符串，遇到左括号入栈，遇到右括号则检查栈顶是否为对应的左括号，匹配则出栈，不匹配或栈为空则直接返回 false；遍历结束后栈为空才算完全匹配。时间复杂度 O(n)，空间复杂度 O(n)。