聊聊我眼中的AI

大家好，我是@程序员花海，最近一直在研究Agent开发，也帮团队带几个项目，过程中发现一个现象：很多人以为搞Agent就是调几个API，搭个Demo就完事了。但真正落地的时候，你会发现根本不是这么回事——Skills Embedding怎么设计？RAG的chunk策略怎么定？模型幻觉怎么兜底？流式输出怎么优化？这些才是Agent开发真正要啃的硬骨头。先聊聊市场现状。现在招聘软件上，随便翻翻后端开发的JD，几乎都带着“AI能力优先”。像快手的日常实习岗，明确写着“具备大模型应用开发经验”。为什么？因为传统业务开发的岗位在收缩，而AI应用，尤其是Agent类的需求在井喷。你看美团、淘宝的首页搜索，...

1. 自我介绍2. 问大创项目（AI相关），没错就是大创项目，一个AIGC戏曲数字人生成的3. 项目相关（很少，随便说了说）4. 开始唠嗑，唠了将近70分钟，聊AI对行业的冲击等等，跟面试官互相传播焦虑，对未来充满了绝望5. 反问，问着问着又开始唠嗑，又唠了10分钟总时长100多分钟，全程0八股0手撕，面试官没开摄像头，还是周六晚上面的，感觉像KPI面，我是不是炸了。要是这样把我挂了我真要闹了呜呜呜23日流程更新，二面过，但还是复试状态

我前后参加过8场AI相关面试（互联网大厂+中型企业），从一面到HR面都遇到过AI考题，今天把真实考过的高频题、满分回答逻辑、踩坑点、准备方法全部整理出来，看完这篇，AI面直接稳一半。一、先讲真话：AI面不是考你技术，而是考这3点很多人一听到AI面试就慌，以为要考算法、模型、训练、架构，其实90%的岗位根本不考深度技术。面试官问AI问题，核心就看三样：1. 你有没有行业认知，不脱节；2. 你会不会用AI提效，能干活；3. 你有没有逻辑表达，能说清。尤其应届生、实习生，不用背术语、不用装大神，真诚+清晰+会用工具，就是高分答案。二、真实考场高频AI题（我真被考过的）下面这些题，是我在面试中反复遇到的，覆盖技术/产品/运营/实习岗，你们面试极大概率会撞上。1. 你平时使用过哪些AI工具？怎么用的？面试官目的：看你是不是真的在用，而不是临场编。低分回答：用过ChatGPT、豆包，用来写文案、查资料。高分回答（真实可复制）：我日常会用豆包做思路梳理、文案生成；用AI辅助写代码、做数据处理；工作中会用AI完成总结、提纲、信息提炼，尤其在实习中，我会用AI先出初稿，自己再做优化和校验，效率提升非常明显。关键点：不说“玩一玩”，要说提升工作/学习效率”。2. 你怎么理解大模型幻觉？怎么避免？这道题超级高频，几乎每场必问。简单易懂版回答：幻觉就是AI会一本正经地说假话、编信息。避免的方法主要有三点：一是给AI明确的提示词；二是提供参考资料，让它基于事实回答；三是输出后我一定会人工校验，尤其是数据、结论、关键信息，不会直接用。面试官最爱听：你有校验意识，不盲目依赖AI。3. RAG是什么？为什么企业都在用？非技术岗不用讲太深，讲懂业务价值就赢了。满分回答：RAG就是检索增强生成，简单说，让AI先去查企业内部的知识库、文档，再回答问题，这样更准确、更靠谱、不会乱编。企业用它，主要是为了做客服、做知识库、做内部问答，既安全又能降低成本。4. 如果让你用AI提升岗位效率，你会怎么做？这是运营/产品/实习岗必考题！高分思路（套任何岗位都能用）：1）用AI做信息整理、文档总结、数据初步处理；2）用AI出初稿、文案、提纲、表格；3）自己负责审核、优化、决策、落地。一句话：AI做执行，我做判断。面试官就爱这种会用工具、不甩锅、有责任心的人。5. 你觉得AI会替代这个岗位吗？送命题，也是送分题。高分回答：AI不会替代人，但会替代不会用AI的人。我理解这个岗位更需要的是判断、沟通、业务理解，这些AI做不到，但我可以把AI当成工具，让自己效率更高、产出更稳。几乎所有面试官听到这句，都会点头。6. 技术岗追加题：微调 vs RAG 区别？不用讲复杂，一句话高分：微调是改模型，RAG是查资料。企业低成本、高安全、高时效性，优先用RAG。7. 行为面常见题：你用过AI做过什么实际项目/实习任务？一定要讲真实、具体、可验证。比如：在实习中，我用AI辅助整理会议纪要、优化文案初稿、处理数据表格，然后自己再进行校验、排版、优化，最终交付给团队，既提升了速度，也保证了质量。重点：AI是辅助，你是主控。三、AI面试最容易踩的5个坑（我亲眼见人挂过）1. 满嘴术语，实际不懂面试官一听就知道你在背，反而印象很差。2. 把AI吹得太神说“AI完全准确”“不用人工看”，直接被判没有风险意识。3. 只会说不会用问你怎么用，你说不出具体场景，等于白说。4. 回答没有逻辑东一句西一句，面试官听不出重点。5. 态度极端要么恐惧AI，要么鄙视AI，都不行。正确姿态：了解、会用、可控、理性。四、零基础也能背会的AI面试万能框架不管面试官问什么，你都按这个结构说：1. 是什么（一句话解释）2. 能干什么（业务/工作场景）3. 我怎么用（结合自己经历）4. 注意什么（校验/风险/人工把控）只要按这个逻辑，不会答也不会低分。五、面试前10分钟急救：背这6个词就够了大模型幻觉RAG提示词（Prompt）提效人工校验真的，足够应付90%的面试。六、AI面加分项：把AI能力写进简历，通过率翻倍很多同学不知道，AI相关经历是现在简历的超级加分项。但大多数人只会写：“会使用AI工具”，太弱了。我自己之前简历也很普通，后来用泡泡小程序AiCV简历王优化，把“使用AI提升效率”这类经历，包装成“AI辅助完成文档处理、数据整理、内容生产，效率提升30%以上”，瞬间专业度拉满。它能根据岗位自动帮你提炼AI相关关键词，把日常打杂、实习任务，包装成面试官喜欢的效率型、靠谱型、工具型经历，既不造假，又非常亮眼。我就是靠这份简历，在AI面中连续拿到3场复试。对于25届、找实习、春招的人来说，会AI + 简历会写，真的能甩开一大半人。七、最后想说：AI面真的不难AI面试考的从来不是你有多懂技术，而是你跟不跟得上时代、会不会用工具、靠不靠谱。你不用成为AI专家，只要做到：知道高频词是什么能结合自己经历说清楚表达逻辑清晰有校验意识、不盲目依赖AI简历上体现AI工具能力你就已经超过80%的候选人了。面试不用慌，AI是加分项，不是拦路虎。把上面的题和回答背熟，下一场AI面，你一定稳过。

前言：面试官说不方便开摄像头，而且有很大杂音，感觉应该是没在会议室设备不好之类的。不知道是不是KPI面面试总时长1个小时，没有录音，以下是回忆：1. 先在聊天里给了一个代码（主要与可变参数函数和越界访问段错误有关），让我判断编译能不能通过，运行会不会崩溃（这块是print函数输出，平时本菜狗很少用，连%d输出的是整数还是浮点都忘记了，尬死我了，但最后回答应该是没错的）2. 现在我在一个客户端向服务端发送数据，什么情况下会导致发送阻塞，底层原因是什么？（这里从socket发送缓冲区和TCP滑动窗口机制回答的）3. 直接开始项目，问了我的第一个项目，提了一嘴很少看到有人写这个，让我讲述一下动机，从前期技术选型到中期代码实现到后期优化测试都讲了一遍，然后问了项目中io_uring和eventfd实现、Reactor和Proactor模型区别，有栈协程和无栈协程，ucontext与其他协程上下文实现有做过对比（没做过）4. 问第二个项目，主要问了Raft算法，引申出一个分布式场景题：一个分布式集群，每个节点存储的数据量很大，其中一个节点宕机，为了恢复服务需要新加入一个节点，那么就要将其他节点的备份数据复制到新节点，问因为数据量很大，复制导致带宽占用很大，影响了其他节点的正常服务，你会如何解决？（答了在低峰期复制，在高峰期使用转发机制）5. 写项目的时候有没有用到AI，是如何用的？6. 如果让你借助AI从0实现一个Raft算法，你会如何与AI交流？7. 写给AI看的文档和写给人看的文档有什么区别？（内心OS：这是什么问题？）8. 反问：部门业务，实习时间要求，下一面时间（这里面试官说“在我这没问题”，是不是过了）

坐标上海初创小厂，面ai后端开发面试时长20分钟...没问项目细节，问了几个开放性问题？你对ai的理解？你用过的ai产品，怎么用的？说说如果让你ai coding，你会怎么用？你怎么看后端开发这个岗位的？如果公司给你个任务，让你全aicoding，你会怎么设计流程？面试官很好，表示不压力也不push，工资开250勉强够温饱，工作双休，早八晚六。感觉很大机会拿到offer，hr人也好，兄弟们给点意见。

江苏某2在读，现在大二，传统后端的进度是学到点评了，八股背了大部分，hot100刷了一半，现在的风向好像都是ai开发更多，想请教一下各位:1.如果明年暑期想走ai开发的话，还需要找java的日常实习吗？2.现在学的java的知识对ai开发有没有帮助？3.语言方面，ai开发是用python更多吗？现在还需要继续背java的八股和刷算法吗？真心希望有大佬能解答一下我的疑惑，现在学的有点迷茫了，不知道下一步怎么走好

故事要从这里说起：作为一个专业运营，数据处理和分析并不可少（但其实我根本没学过excel，工作这么多年我的excel都是网上现查的），deepseek不是很火吗？于是我问了它一个问题：不是吧，它还真可以啊！经过我一顿研究，这份《DeepSeek 接入 Excel 操作指南》送给每位打工人，有了它，一天摸鱼8小时。【具体操作步骤如下】：一、获取 API Key访问官网：打开 DeepSeek 官网 https://api-docs.deepseek.com/zh-cn/，点击“申请 API Key”。注册账号：注册并登录 DeepSeek 账号，完成实名认证后即可获取 API Key。二、Exc...

这段时间越来越强烈的一个感受是：现在不少人对 Agent 开发的理解，还停留在“接个大模型接口 + 配几个工具 + 跑个演示页面”这个阶段。但只要项目开始往真实场景走，问题立刻就会从“能不能跑起来”，变成“能不能稳定工作”。也就是说，Demo 阶段拼的是搭建速度，落地阶段拼的是系统能力。真正折磨人的，从来不是那几行 API 调用代码，而是后面一整串工程问题：工具该怎么组织，模型才能正确选用？检索链路怎么设计，召回效果才足够稳定？上下文越来越长时，记忆如何管理？模型一本正经胡说八道时，系统如何收口？想让体验更自然，流式输出该怎么处理？这些才是 Agent 开发真正开始“见水平”的地方。先说一个现...

最近大厂都在推AI，赶这个风口，总得来说还是为了提效AI Coding看似是在考察Prompt，实则是考察结构化表达能力，面对复杂问题，如何拆解步骤，输入输出如何定义，选择什么样的方法解决。AI作为一个通用工具，会的多，但不精。上下文缺失/幻觉是常有的事做好AI coding，首先要明确AI定位角色，主要职责，再拆解任务，分步骤处理，一下子派个大任务很可能做到一半忘了前面。提供高质量的上下文，清晰，简练，过多上下文会造成认知负担，AI生成代码过于冗余，尽早进行干预，如删除无用代码，精简传参。对于AI幻觉（“别一直import你编的库”）导致的编译错误，可以要求给出参考文档，每个系统函数都要求有参考，禁止瞎编最后就是code review能力，快速识别问题，定位并解决，产出切实可运行的代码。

春招马上就要开始了，不知道各位牛友有没有赶时髦包装一些AI项目呢，无论是前端后端还是做产品，如果你的项目里包装了RAG却感觉好多知识答不上来，担心被面试官拷打到爆，这几天我从全网搜集到了部分AI相关面试真题和参考解答13题，搜集整理不易，希望能给个赞，如果参考答案有误或者希望补充真实题目，欢迎来评论区交流分享，最后祝大家求职顺利，春招都能接到心仪的OFFER，如果本期文章数据不错，就火速加更，期待你们的互动 第一部分：RAG核心概念与价值1. RAG是什么？可以说说RAG的流程吗？RAG的全称是Retrieval Augmented Generation（/rɪˈtriːv(ə)l ɔːɡˈm...

记得是一个邮件系统项目1. 核心架构：server进程负责邮件存储分发，client进程负责用户端操作2. 服务器要求：支持两个隔离域名的邮箱系统，数据物理隔离，不可互读3. 客户端功能：- 账号：注册/登录- 邮件：收件箱、发件箱、草稿箱，支持快捷回复、附件收发、邮件撤回（说实话他这个模型是不是有点不太行啊，一个BUG改了好几次都没用）

ai时代其实做底层的基础模型开发永远都是少数人，而大部分人其实做的依然是开发方向，agent，rag，后端这些。可能有人说我学agent不需要学后端语言，其实并不是这样。我看了公司的ai项目，其实也会涉及到一些缓存，数据库的存储。agent开发不止需要的是对于大模型的基础性理解，还是需要一定的工程能力。刚开始企业在招聘的时候，主要考察ai是因为产品还在初始阶段，用户量不算很大。用户量大到一定程度就需要工程能力了，降级，容错，数据存储，性能优化，这是工程能力，而ai幻觉，输出质量稳定性，agent编排，微调需要的是ai能力。以下是更偏后端的ai开发的全栈能力1.  基础后端能力一门业务语言，框架，体系(java/golang/cpp)核心是构建后端服务，语言并不是最重要的，框架也不是最重要的。后端能力学框架并不是框架本身，而是涉及到底层的网络/io/数据存储/操作系统。为啥用多路复用，怎么结合业务逻辑配置缓存淘汰策略，其实是对计算机本质的理解。框架，中间件都是一层套一层的，最终会回归到最本质的io与trade off2.ai能力超越调用API，需理解大模型的核心原理（如Transformer架构、注意力机制）及其能力边界。ai应用侧的能力prompt，rag，mcp，langchainagent编排3.大数据处理能力随着互联网公司的数据量增大，普通的mysql以及不能支持高效的查询。对于一些复杂的聚合计算，报表这些通过简单的行式存储(tp)已经不能满足未来的需要，所以出现了列式存储(clickhouse/doris)。需要了解从tp数据库的清洗流程(flink流式处理/离线处理)ai时代我认为，数据的作用将会不断增大4.垂直领域的业务能力互联网(金融/电商/社交/内容/直播)都需要ai来赋能以我所在的跨境电商行业为例，你是否熟悉电商下单到跨境物流(头程，尾程)再到合规等业务，能否打通业务全链路形成闭环为什么未来需要全栈能力？(1)ai提升了代码开发的效率，如果我们把java，大数据，ai分成3个岗位，中间的沟通时间就会浪费掉，而ai更加擅长的其实是技术细节的coding(2)做ai开发prompt，rag，agent编排的偏向ai侧的工程师，其实是需要非常熟悉业务的，而java工程师最擅长的就是业务，不如让一个人去做，效率最高，不懂业务做ai开发效率是没那么高的就像美团履约团队，让前端去转后端一样，有可能未来，全栈正在成为一种趋势所以，先广度，再深度，先把工程能力和ai能力的广度建立起来，再对一些方面进行深挖最后再来谈谈为什么我认为ai是取代不了程序员的。我认为最核心的一点就是未来写代码有可能是一个需要情商的事情？什么叫需要情商，就是你废力去做的一个需求，可能用户根本不需要。举个例子，产品问开发，你认为这个需求最多能够承受多少数据量，开发问产品，你认为客户的需求能做到多少数据量就可以了。像saas公司，你真的要做到满足客户100%的需求嘛，不是的，因为你真满足了，你的服务器成本会很高，公司发现不划算。这就是一个trade off的问题所以本质上程序员开发涉及到情商/成本trade off/商业化思维的时候，ai做不了了还有一点就是行业的业务，以我在saas公司的经历，我认为saas公司其实就是在垂类赛道把行业的业务知识搞透了，赢得了客户的信赖，而其中一些业务设计，ai理解起来会非常困难。垂直领域的业务知识或许会成为程序的壁垒之一

主包2本9硕，学了一年Java开发，有一段比较长的大厂后端研发的实习，现在大模型太火了，有点儿想往大模型方向转，实验室基本都是就业向，发不出论文来，所以基本只能考虑大模型应用开发。有深度学习基础，研究方向也是大模型相关的，现在开始从头看那些什么langchain，langgraph的视频，感觉太浪费时间了，想直接通过项目去学习，有uu推荐rag和agent相关的项目吗

想问问大家做ai agent项目时，是自己找的还是实习期间做的，开销咋样呢，如果是自己做的话，在哪里找呢

在这篇文章中，我尝试从趋势分析、企业选择、能力转型等几个角度，将关于大模型的所见所思呈现出来，希望对大家有帮助。第一部分：趋势分析前几周跟一个老朋友聚会，边吃边聊，我们一起YY出了很多的AI小秘书，在生活中帮助我们：我们应聘时，它监听面试官的问题，把答案显示在屏幕上。警察审案件时，它监听嫌疑人的声音、语气、生理数据，给出建议，并告诉警察如何进一步提问来挖出真相。它可以把律师事务所、会计师事务所大量根据行业模板做基础工作的一线员工给替换掉。结婚率进一步下降，因为春水堂的硅胶娃娃借助大模型的深厚思考，成了男性的真正伴侣，社会再没有了男女对抗，大家各玩各的。中年男人失业之后的几个退路，滴滴司机、保安...

我们是如何走到这一步的人工智能这一词出现，依然有几十年的历史，差不多每过十年就会经历一次 AI 浪潮。抛开那些繁杂的概念，只说大模型，起源可以追溯到 2017 年发布的《Attention is All Need》论文，论文提出了Transformer，给现在的 LLM（大语言模型） 奠定了理论基础。理论到落地通常需要很久的时间。所以直到2022年，才有第一个应用诞生，至今AI应用访问量上都占据着榜首。模型 & 应用如何理解LLM一个发光二极管，亮与暗代表1和0，这样电信号与数字信号便有了转换方式，硬件与软件有了初步合作。不过0101代码的还是不够让人类方便的理解，于是人们将一组01抽...

🚂引言：Superpowers 是什么？仓库地址：https://github.com/obra/superpowers星标：73K🌟Superpowers 是一个面向 AI 编程智能体（Agentic Coding Assistants）的开源技能框架与软件开发方法论。它并非要取代开发者，而是旨在通过为 AI 注入一套标准化的、经过验证的最佳实践（称为“技能”），将其从一个“会写代码但缺乏工程素养的实习生”，转变为一个“遵循严谨流程的资深工程师”。该项目由 Jesse Vincent (GitHub 用户 obra) 发起，其核心理念是：通过外部指令和可组合的技能，强制 AI 遵循成熟的...

我是22级硕士研究生，大概22年底，ChatGPT-3.5发布的时候，我就注册了账号尝试使用，那会儿的感觉就是“颠覆”二字。但2022/2023两年给导师写过近10篇本子，还都和大模型没关系，一直到2023年下半年才初见端倪，专家们开始说“2024年热门肯定是AI大模型”。课题组一直有研究AI，但基本上没有传承，2024年初导师开始要求我们研究大模型，这期间问过我好几个“愚蠢”的问题：“咱的3090训练大模型不够用？”“那为啥人家学校都能研究大模型，他们都有A100吗？”“你要想着去解决科学问题，比如能不能提升推理时间，能不能比世界第一更强！”“咱的显卡也是够用的，你看那台服务器就有两块4090D，那台有4060……”所以我认为AI不是科研项目，它不依赖学术界的主导。AI是一个工程领域，需要应用数学家和大量工程师的大规模投入，涉及购买GPU、建造服务器、数据处理和模型训练等，远非在办公室/会议室/酒桌上讨论可行性的问题。全球范围内，像中国和美国的大型AI模型，都是由企业主导的，而非大学或研究机构。因此，中国的学术界只能在旁边观望，已经没有话语权，也不应将美国的论文当作标杆。中国的学者普遍没有参与一线AI项目，这也是为什么他们觉得中国在AI领域落后，而实际在一线工作的美国公司认为中国并不差，甚至在某些领域有所领先。这种现象恰恰揭示了产学之间思维范式的根本差异。高校的科研体系本质上是围绕学科建设与论文产出的"盆景式创新"，而企业驱动的AI革命则是以市场需求为导向的"雨林型进化"。当院士们还在用论文引用数丈量科研价值时，DeepSeek的工程师们已经在用每秒浮点运算次数重构认知边界。这并非学术界的失职，而是技术代际更替的必然——就像蒸汽机不会诞生于牛津大学的经院哲学，AI大模型时代的创新主场注定要回归到产业实践的熔炉之中。