面灵AI→

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

  1. 自我介绍。
  2. 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?
  3. 传统 RAG 的流程是什么样的?
  4. 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?
  5. 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?
  6. 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?
  7. 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?
  8. 为什么在 AI 场景下用的是 SSE 而不是 WebSocket?
  9. 数据库事务有哪些基本特性?分别是什么含义?
  10. 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。
  11. 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?
  12. 跳表为什么不适合用来做 MySQL 索引?
  13. 一个 MySQL 查询特别慢,怎么分析是什么原因导致?
  14. 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?
  15. 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?
  16. 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?
  17. subagent 这种方式用过吗?

二面

  1. 自我介绍。
  2. 你主要用哪些语言?现在用 AI 前端也能写吧?还在实习吗?
  3. 实习经历(devops 平台开发)。
  4. 你觉得一个 Agent 主要需要具备哪些能力?
  5. 对话压缩和断线恢复你了解是怎么实现的吗?
  6. 用滑动窗口做上下文压缩,不会丢失前面轮次的内容吗?
  7. 滑动窗口是每一轮都压缩,还是每 10 个轮次再重新压缩?
  8. checkpoint 里面分了哪些内容?
  9. 这个 state 本身运行时存在哪里?
  10. 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?
  11. Redis 怎么做持久化?Redis 挂了你们的东西怎么办?
  12. 你们线上是怎么部署的?Redis 了解吗?
  13. 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。
  14. 怎么解决发布冲突?
  15. 分支是怎么管理的?
  16. 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?
  17. 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?
  18. 你比较喜欢用什么?现在用什么 AI 工具和模型?
  19. 你们是每个人限额还是怎么限额?
  20. 了解 Python 的协程吗?协程切换是怎么做的?
  21. FastAPI 里做一些外部调用需要注意什么?
  22. 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?
  23. 怎么保障服务发布之后能快速响应用户的反馈需求?
  24. 在 AI 时代你怎么看 DevOps 这件事?
  25. 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)。