淘天业务与AI全栈工程师一面

《面试题目》

1. RAG 系统如何按用户、团队、组织和知识库实现权限控制？
2. 文档切分有哪些策略？Markdown 多级标题和非结构化文档分别如何处理？
3. RAG 检索的 topK 如何通过评测确定，如何减少召回过多带来的干扰？
4. 如何评测文档中没有答案时大模型生成回答的质量？是否了解 RAGAS？
5. ReAct 模式中的工具调用如何实现？Spring AI 的工具调用和 MCP 注册如何衔接？
6. 如何让 AI Coding 工具理解项目规范、业务上下文和模块边界？
7. 消息队列消费如何保证业务幂等？并发重复消费时如何处理？
8. 生产速度远高于下游短信平台承载量时，如何结合消息队列按恒定速率限流？
9. 深分页如何优化？卖家维度的分库分表订单账单如何支持查询、跳页和双写一致性？

《参考解析》

1. 权限应在检索前按租户、组织、团队、用户和知识库做服务端过滤，向量召回结果不能替代授权校验。切分可结合标题层级、段落和 token 长度，非结构化文档要先解析、清洗并保留来源元数据。
2. topK 应由离线评测集和线上反馈共同校准，比较召回率、答案准确性、延迟和 token 成本；可用查询改写、混合检索、重排和去重提升有效上下文密度。RAGAS 可用于 faithfulness、context precision 等维度，但仍需结合业务评测集。
3. ReAct 将推理步骤与工具调用交替执行，工具参数需结构化校验、权限检查和超时控制；MCP 负责工具发现与注册，Spring AI 或 LangChain 负责调用编排。
4. 幂等通常以业务唯一键或消息 ID 建立状态记录，配合唯一约束、CAS 或短期分布式锁实现“一锁、二判、三更新”。限流可在消费入口使用令牌桶或固定速率调度，拿不到令牌时延迟拉取或安排重试，避免无休止地把消息退回 broker。
5. 深分页优先用基于排序键的游标，必须支持任意跳页时可维护检索快照或单独分页索引。卖家查询可维护按卖家分片的索引/镜像表，双写需要本地消息表、重试和幂等补偿，不能把两张表的成功简单假设为原子完成。