绿盟 AI 研发工程师一二面:RAG 到 HTTP 与 MySQL,再到上下文压缩与发布流程
- 轮次
- 一二面
- 时间
- 2026-11
- 来源
- 牛客网
《面试题目》
一面
- 自我介绍。
- 挑一段印象最深刻的实习经历:碰到什么问题、做了哪些工作、用什么方式解决?
- 传统 RAG 的流程是什么样的?
- 传统 RAG 存在哪些问题?要解决这些问题,目前有哪些主要的技术方向?
- 除了 Neo4j 这种知识图谱的结构,还有哪些方式可以解决这些问题?
- 介绍一下 HTTP 协议:工作在哪个协议栈上、协议内容有什么、版本有什么区别?
- 在 HTTP 之上要实现长连接业务,有哪些方式?AI 产品底层用的是什么技术?
- 为什么在 AI 场景下用的是 SSE 而不是 WebSocket?
- 数据库事务有哪些基本特性?分别是什么含义?
- 介绍一下你了解到的数据库索引类型,以及索引底层的实现方式。
- 对于 InnoDB,为什么用 B+ 树实现索引,而不是红黑树、B 树或跳表?这些结构在这个场景下会有什么问题?
- 跳表为什么不适合用来做 MySQL 索引?
- 一个 MySQL 查询特别慢,怎么分析是什么原因导致?
- 假设 EXPLAIN 显示走了设计好的索引,但查询仍然很慢,一般是什么原因?
- 目前使用什么 AI coding 工具?生成的代码在你所有项目代码里占比多少?
- 你提到用 SDD 规避 AI 的一些问题,除此之外在 AI 编码过程中还碰到哪些问题、怎么解决?
- subagent 这种方式用过吗?
二面
- 自我介绍。
- 你主要用哪些语言?现在用 AI 前端也能写吧?还在实习吗?
- 实习经历(devops 平台开发)。
- 你觉得一个 Agent 主要需要具备哪些能力?
- 对话压缩和断线恢复你了解是怎么实现的吗?
- 用滑动窗口做上下文压缩,不会丢失前面轮次的内容吗?
- 滑动窗口是每一轮都压缩,还是每 10 个轮次再重新压缩?
- checkpoint 里面分了哪些内容?
- 这个 state 本身运行时存在哪里?
- 运行时有一份 state,为了恢复在 Redis 里也有一份,同步时机是怎么设计的?这两个 state 没有关系吧?
- Redis 怎么做持久化?Redis 挂了你们的东西怎么办?
- 你们线上是怎么部署的?Redis 了解吗?
- 你们开发的这两个 Agent,代码最后怎么发布到正式环境?介绍一下。
- 怎么解决发布冲突?
- 分支是怎么管理的?
- 有可能几个人都在 dev 上开发功能、测试了其中一个,这怎么办?
- 你提交合并、上线了,现在的 dev 分支和其他人的开发分支需要怎么处理?
- 你比较喜欢用什么?现在用什么 AI 工具和模型?
- 你们是每个人限额还是怎么限额?
- 了解 Python 的协程吗?协程切换是怎么做的?
- FastAPI 里做一些外部调用需要注意什么?
- 用 AI coding 时 AI 会输出技术方案、代码,你们看了之后怎么评估它是否 OK、合理,怎么修改?
- 怎么保障服务发布之后能快速响应用户的反馈需求?
- 在 AI 时代你怎么看 DevOps 这件事?
- 期望薪资多少?
《参考解析》
传统 RAG 的问题与解法方向:问题集中在四段——解析(表格、扫描件、跨页结构丢失)、分块(切断语义、上下文不全)、检索(纯向量的字面不敏感、召回不全、多跳问题答不了)、生成(不看检索内容、引用错误)。对应的技术方向是:结构化解析与版面理解、语义分块与父子块(小块检索、大块喂给模型)、混合检索(向量 + BM25)加 rerank、查询改写与多跳检索(把问题拆成子问题迭代检索)、GraphRAG(把实体关系抽成图,做多跳与全局摘要)、以及生成侧强制引用与忠实度校验。除知识图谱之外,还可以用实体链接 + 文档元数据过滤、层次化摘要树(先摘要再下钻)、以及把长文档转成结构化表格(适合参数、条款类)。
HTTP 与长连接:HTTP 是应用层协议、基于 TCP(HTTP/3 基于 QUIC / UDP),报文由起始行、头部、空行与主体组成,无状态。版本差异主要说:HTTP/1.1 引入持久连接与管道化但仍有队头阻塞;HTTP/2 用二进制分帧与多路复用解决应用层队头阻塞、支持头部压缩(HPACK)与服务端推送;HTTP/3 用 QUIC 把可靠传输放到 UDP 上,解决 TCP 层队头阻塞并支持连接迁移与 0-RTT。长连接实现方式有:轮询、长轮询(comet)、SSE、WebSocket、以及 WebTransport / gRPC streaming。
为什么 AI 场景用 SSE:模型输出是单向的、服务端持续产生 token,客户端只收不发;SSE 基于普通 HTTP 响应流(text/event-stream),能复用现有的鉴权、网关、日志与 CDN,天然支持断线重连与 Last-Event-ID 续传,服务端实现成本低(就是一个流式响应);WebSocket 是全双工,需要额外的握手升级、连接管理与心跳,且在部分代理与网关下更容易被中断。代价是 SSE 单向、受浏览器同域连接数限制(HTTP/1.1 下每个域约 6 个,HTTP/2 下不成问题),需要 POST 长请求时得用 fetch 流式读取而不是 EventSource。
事务 ACID:原子性靠 undo log 回滚,一致性是事务前后满足约束(由应用与数据库共同保证),隔离性靠锁与 MVCC,持久性靠 redo log(WAL,先写日志再刷脏页,崩溃后重放)。要能说清「哪个特性由哪个机制支撑」,这是这题的考点。
索引与 B+ 树:索引类型按结构分 B+ 树、哈希、全文、空间(R-Tree);按物理组织分聚簇索引(主键,叶子存整行)与二级索引(叶子存索引列 + 主键);按约束分主键、唯一、普通、联合、前缀。InnoDB 选 B+ 树的原因:磁盘 IO 以页为单位,B+ 树一个节点存大量键、树高通常 3~4 层即可支撑千万级数据,一次查询只需几次页访问;叶子节点用链表相连,天然支持范围查询与排序;所有数据都在叶子层,查询路径长度稳定。红黑树是二叉结构、树高 log₂N 远大于 B+ 树的多叉高度,磁盘访问次数多;B 树把数据也存在内部节点,单节点能放的键更少、范围查询要中序遍历、节点分裂更复杂;跳表的查询路径是链表式的多层跳跃,节点分散存储、无法利用页的局部性,范围扫描要沿底层链表走,磁盘场景下 IO 次数不可控,且不支持聚簇存储。
慢查询分析:先 EXPLAIN / EXPLAIN ANALYZE 看访问类型(ALL 全表扫、index 全索引扫、range、ref、const)、key 是否命中、rows 估算、filtered、Extra(Using filesort、Using temporary)。再看慢查询日志与 performance_schema 定位高频与高耗时语句。
走了索引仍然慢的原因:回表次数太多(二级索引命中大量行再逐行回表,范围大时不如全表扫,优化器可能选错;用覆盖索引或调整选择性);索引选择性差(区分度低,扫描行数仍大);Using filesort 或 Using temporary(排序与分组无法用索引,数据量大时落磁盘);深度分页(limit 100000, 20 要扫过前十万行,改用游标 / 延迟关联);锁等待与事务长(innodb_lock_wait);返回数据量大导致网络传输与序列化开销;统计信息过期导致执行计划选错(analyze table);以及索引列上有隐式转换或函数运算使索引失效(这时 EXPLAIN 看起来命中了但实际类型不是 range)。
AI coding 的问题与规避:作者提到用 SDD(先写规范 / 设计再让 AI 实现)。其余常见问题与对策:上下文不足导致瞎猜(先让它读相关文件与约定)、跨文件改动不完整(拆成小步、每步验证)、幻觉出不存在的 API(要求给出来源或先跑类型检查)、测试与代码一起编(要求先写测试再实现,人审测试是否真的在测行为)、风格漂移(用 lint 与既有代码做参照)、以及「改坏了不承认」(要求给出可执行的验证命令并运行)。subagent 的用法是把检索、实现、审查拆给不同上下文,主 Agent 只做编排与最终判断。
Agent 需要具备的能力:工具调用(发现、选择、参数构造、失败处理)、规划与拆解(多步任务分解与状态跟踪)、记忆(短期上下文、长期记忆、任务状态)、自我校验(能否验证自己的输出)、以及边界感(不知道时问人或停止,而不是编)。工程侧还要有可观测性与可恢复性。
上下文压缩与断线恢复:压缩的常见做法是滑动窗口(保留最近 N 轮)+ 摘要(把更早的轮次压成一段结构化摘要,保留决策、约束、实体与未完成事项)+ 检索式记忆(把历史存起来,按需检索相关片段回填)。滑动窗口每一轮都做全量重压会让成本线性增长且反复丢信息,通常是「窗口滑动 + 分段增量摘要」:新滑出窗口的若干轮增量并入摘要,摘要过长时再做二级摘要。断线恢复靠 checkpoint:把会话状态(消息历史或摘要、工具调用的中间结果、任务进度、待确认项)持久化,重连时按 sessionId 载入并重放最后一步。checkpoint 里的内容通常分为「对话状态(消息 / 摘要)」「任务状态(计划、已完成步骤、产物引用)」「环境状态(沙盒 ID、文件句柄、凭证的外部引用)」。
两份 state 的同步设计:运行时的内存 state 是权威、Redis 是持久化副本,同步时机有三种可选——每一步工具调用后同步(恢复粒度细、写放大、延迟高)、按时间或轮次批量同步(折中,最多丢最近几步)、只在关键节点(用户提交、任务阶段切换)同步。回答时要给出取舍依据:优先保证可恢复且不重复执行有副作用的操作,因此有副作用的工具调用前必须先落 checkpoint(否则恢复后会重复扣款 / 重复发消息);同时用单调递增的 step 号做幂等,恢复时从最后一个已提交的 step 继续。Redis 侧要设 TTL 与容量上限,并说明它只是「可重建的缓存」还是「唯一副本」——如果是唯一副本,就必须做持久化(AOF everysec + RDB)与主从,宕机后从副本或数据库恢复。
发布与分支管理:发布流程通常是 CI(构建、单测、静态检查)→ 制品(镜像 / 包 + 版本号)→ 部署到预发 → 灰度 / 金丝雀 → 全量,回滚靠保留上一个可用的制品与一键切换。发布冲突的解法是:小批量频繁合并而不是长期并存的大分支、功能开关(feature flag)把未完成的功能合进主干但默认关闭、按模块拆服务减少同一文件的写冲突、以及用 rebase / 合并前先拉取主干并跑 CI。多人共用一个 dev 分支且只测了其中一个人的功能时,正确做法是把每个人的功能放进独立分支 + 开关,或者用按 commit 出预发环境(每个 PR 一个环境),而不是在同一分支上「先合了再挑着发」。
Python 协程与 FastAPI:协程是用户态协作式并发,async def 函数调用返回协程对象,由事件循环调度;await 处让出控制权,切换由事件循环完成,不经过内核。Python 用生成器(yield / yield from)实现协程语义,asyncio 提供事件循环、Task 与 Future;CPython 的 GIL 意味着协程只在 IO 等待时并发,CPU 密集仍需多进程。FastAPI 的注意事项:路由函数若是 async def,里面不能调用阻塞库(requests、time.sleep、同步 DB 驱动),否则会阻塞整个事件循环,要用异步客户端(httpx、asyncpg)或 run_in_threadpool / 把路由改成普通 def(FastAPI 会放到线程池);外部调用都要设超时与重试,并做并发上限(信号量)防止打爆下游;用依赖注入管理连接与生命周期,注意后台任务与请求取消的清理。
怎么评估 AI 产出的方案:先看它对问题的理解是否正确(有没有漏需求、有没有误解约束),再看方案是否与现有架构一致(是否引入了新的依赖、是否绕过既有机制),然后看边界与错误处理(异常、超时、并发、权限),最后看可验证性(有没有测试、能不能跑起来)。修改时优先让它按你的意见重写而不是自己手改,保留「为什么这么改」的记录。
发布后快速响应用户反馈:要有可观测性(日志、指标、trace、告警)与灰度能力(按用户或比例放量、可一键回滚),加上反馈入口与值班机制;把「发现问题 → 定位到版本或变更 → 回滚或热修 → 复盘」这条链路做成流程,而不是靠人盯。
AI 时代的 DevOps:可以给出有依据的判断——AI 降低了写代码与写脚本的成本,DevOps 的重心从「手工搭流水线」转向「定义正确的约束与验证」:流水线的门禁、环境的可复现、变更的可回滚、以及可观测性变得更关键,因为产出速度变快后,错误的传播速度也变快。绿盟这类安全公司还会强调供应链与权限(谁能改流水线、谁能发布)。