转转 AI 应用落地实习一面:RAG、单多 Agent 与 FDE 角色
- 轮次
- 一面
- 时间
- 2026-11
- 来源
- 牛客网
《面试题目》
- 请做个自我介绍。
- 你现在是什么状态?
- 上一份实习离职的原因是什么?
- 讲一讲你在上家公司做的项目。
- 在这个项目里你承担的职责是什么?
- 日常团队是怎么协作分工的?
- 你怎么看待现在 AI 背景下岗位边界模糊这件事,你的择业方向大概是什么样的?
- 找实习是否希望岗位有 headcount?
- 我们这边希望实习生稳定实习 3–4 个月以上,你这边能不能满足?同时你还要准备秋招,这块怎么平衡?
- 你做的 RAG 是传统基于语义相似度召回的 RAG 吗?
- 对于知识图谱、GraphRAG 这块有了解吗?
- 谈谈业务场景下,单 Agent 跟多 Agent 分别适合什么场景?什么时候用单 Agent,什么时候用多 Agent?
- 简单任务、复杂任务是由你们自己区分,还是会在业务场景下对比不同方案效果?
- 你了解 FDE 这个角色吗?
- 你这边有什么想要了解的?
《参考解析》
稳定性怎么答:面试官反复问实习时长与秋招平衡,说明这个岗位的真实风险是「人来了两个月就走」。回答要给可验证的承诺:明确能到岗的日期、每周几天、能连续几个月;秋招安排讲清楚(已经投递完 / 集中在一段时间 / 可以线上面),并说明你会怎么把面试集中到非工作时间。不要为了拿 offer 硬承诺一个做不到的时长,入职后断裂对双方成本更高。
离职原因:讲事实与判断,不评价前东家与人。结构可以是「实习目标(想做什么)—实际情况(做的是什么)—差距—因此选择换一个更贴近目标的环境」。避免「太累」「学不到东西」这类无法验证的说法。
岗位边界模糊怎么看:AI 让「一个人能做完整链路」成为可能,边界模糊的真实变化是:产品、前端、后端、算法的交接点从「人」变成了「产物」(原型、prompt、评测集)。择业方向可以落在「能把业务问题翻译成 AI 方案并交付上线」的位置,也就是既懂业务又懂工程,而不是只做某一层的实现。这个回答和 FDE 岗位的定位是吻合的。
传统 RAG 与 GraphRAG:传统 RAG 是把文档切块、向量化、按语义相似度召回 top-k 再拼进上下文,优点是实现简单、延迟低,缺点是对「跨文档、多跳、需要全局归纳」的问题不擅长——它只会捞回和问句字面语义接近的片段。GraphRAG 先用模型从文档里抽实体与关系建图(社区检测、分层摘要),查询时可以沿关系扩展、也可以先用社区摘要回答全局性问题。代价是建图成本高、更新麻烦,适合实体关系密集、问题需要多跳推理的知识库(规章制度、故障排查、法律条文)。落地时常见的组合是「向量召回打底 + 图扩展补充 + 结构化过滤」,而不是二选一。
单 Agent 与多 Agent:单 Agent 适合任务边界清晰、工具数量可控(十几个以内)、上下文能装下的场景,调试和观测都简单,成本也低。多 Agent 适合三类情况:任务可以明确拆成角色(检索、写作、审核)且每步的上下文差异极大;需要并行处理多个独立子任务;需要「一个执行、一个审查」的对抗结构来提高质量。不应该用多 Agent 的情况更多:拆完之后 Agent 之间要来回传大量上下文、错误在链路里放大、token 成本翻几倍、出了问题定位不到是哪一环。判断标准不是「复杂就用多 Agent」,而是「拆开之后每一环的上下文是否更干净、是否可独立验证」。
简单任务与复杂任务怎么区分:工程上一般不做静态分类,而是用「路由 + 对比」:先用规则或小模型判断(意图、是否需要检索、是否需要多步),再用 A/B 或离线评测对比两套方案的效果与成本,数据说话。帖主的回答是「会在业务场景下对比不同方案效果」,这是更稳的答法;如果能补一句「对比时看任务完成率、平均轮数、单次成本三个指标」,说服力更强。
FDE 是什么:Forward Deployed Engineer,源自 Palantir 一类公司的交付模式——工程师前置到客户业务现场,理解真实流程,把通用平台能力改造成能解决这家客户问题的方案,再反哺产品。在 AI 应用里,FDE 的日常是:梳理业务场景与数据、设计 prompt 与工具链、搭评测集、做试点与培训、把共性问题沉淀成平台能力。它要求技术能力 + 业务理解 + 沟通,和纯研发的差别在于交付对象是「业务结果」而不是「功能」。
反问可以问什么:这个岗位的具体交付物是什么(内部系统、客户项目还是平台能力)、实习生会独立负责哪一块、团队现在用的是什么模型与工具链、转正与 headcount 的情况。问这些能显示你在认真评估匹配度,也能帮你判断这是不是「业务提效」而不是「给销售做 demo」。