合肥某小厂Java后端面经
《面试题目》
- 自我介绍
- 为什么想做这个 Java Agent CLI 的项目？
- ReAct 和 Plan 模式分别是怎么实现的？
- 除了 Claude Code 这类应用，有没有了解过其他 Agent 底层框架，比如 LangChain、LangGraph？OpenClaw 底层用的是什么？
- 项目里有没有体现核心能力，比如 Bash、Read、Grep 这些工具能力？
- 项目里 AI 参与写代码的占比大概是多少？
- Java 自学了多久？
- 简历里 AI 相关项目占比比较高，更偏业务开发，还是更偏 AI 方向？
- 短链项目的设计初衷？
- 本身对 Linux 是否比较感兴趣？
- 简历里的博弈大赛和蓝桥杯主要是什么比赛内容？
- 最近还做过什么项目？
- 自己的优势是什么？
- 平时用什么 AI 编程工具？
- 了解过 RAG 吗？讲一下 RAG 的基本流程？
- 这个网站有没有套 Cloudflare？
《参考解析》
- ReAct 模式的实现：ReAct（Reasoning+Acting）让模型在每一步交替输出「思考（Thought）」和「行动（Action）」，行动触发外部工具调用后把「观察结果（Observation）」拼回上下文，再让模型继续推理，循环直到得出最终答案。实现上通常是一个循环：拼接 prompt → 调用 LLM → 解析出工具调用指令 → 执行工具 → 把结果追加进对话历史 → 再次调用 LLM，直到模型输出终止标志。
- Plan 模式的实现：Plan-and-Execute 先让模型一次性生成完整的任务分解（多步计划），再逐步执行每个子任务，执行中可根据中间结果对后续计划做局部调整（Re-plan），相比 ReAct 逐步试探，Plan 模式减少了每步都要重新推理全局的开销，更适合目标明确、步骤可预判的复杂任务。
- RAG 基本流程：包括离线的知识库构建（文档切分 chunk → embedding 向量化 → 存入向量数据库）和在线的检索增强生成（用户问题 embedding 化 → 向量相似度检索出 Top-K 相关片段 → 拼接进 prompt 上下文 → 交给 LLM 生成回答），核心目的是让模型回答基于外部真实知识而非纯参数记忆，降低幻觉。
- Agent CLI 中的工具能力设计：一般会抽象出 Bash（执行命令）、Read/Write（文件读写）、Grep/Glob（代码检索）等原子工具，配合统一的工具描述（tool schema）暴露给模型，模型根据任务自主选择调用哪个工具、传什么参数，工具执行结果再反馈给模型驱动下一步决策，这是 Agent 具备「自主操作环境」能力的核心机制。