浩鲸科技 3.25 14:00 JAVA开发一面（已OC）

猪波在网上看了一堆面经大准备一通后面试上来直接四个长情景题，非常自由开阔，但是也成功给主播干宕机了，感觉答得非常不好，G，会发通知吗

整体面试还是不错的，但是没后续了，不知道是哪里出了问题1. 项目拷打2. 你们从 PRD 到 design.md 这一层，是怎么保证“需求不丢失”的？AI 自检具体是怎么做的，有没有误判的情况？3. 你刚才提到“需求-代码映射”，能不能举一个具体例子，说明你们是如何做到精确定位到某个文件甚至某一段逻辑的？4. 你们的 tasks.md 拆分粒度是怎么控制的？拆太细和拆太粗分别会带来什么问题？5. 在 Multi-Agent 协作中，状态是怎么传递的？是靠文件、内存还是某种中心化状态管理？6. 你们有没有遇到 Agent 之间“决策冲突”的情况？比如设计和代码生成不一致，是怎么解决的？7. 你们为什么选择“技术方案驱动”，而不是直接让 AI 从 PRD 出码？8. 你们 `.catpaw/rules` 这套知识库，和像 OpenClaw 这种基于 RAG 的 memory，有什么区别？9. 如果知识库内容过多，AI 也会有上下文压力，你们是怎么做裁剪或者命中的？10. 你们有没有做 embedding 检索？11. 如果知识库里的内容是错的或者过期了，会不会对 AI 产生误导？你们怎么治理这个问题？12. 在一个非常大的存量项目里（比如几十万行代码），你们是怎么让 AI 快速理解项目结构的？13. 你们现在 AI 出码留用率是 50%+，那剩下 50% 主要问题出在哪里？14. 在复杂业务场景下，AI 出码质量下降，你觉得是什么问题？15. AI 有没有出现过“看起来对，但其实逻辑是错的”这种情况？16. 你们有没有做过代码 diff 级别的控制，比如限制 AI 修改范围？17. 你们基于 Playwright 做自动化测试，那测试用例是怎么保证覆盖率的？有没有评估指标？18. AI 自动修复 bug 的成功率大概是多少？有没有出现过“修复引入新 bug”的情况？19. UI 偏差这种问题你们怎么检测？20. 如果测试通过了，但业务逻辑是错的，这一层你们怎么解决？21. 你刚才说整体效率提升 20%，这个数据是怎么统计的22. AI 代码量提升很多，那你怎么评估“有效代码”和“冗余代码”的比例？

作为一名正在摸索入行的 AI 应用工程师新人，我把近期收集的资料做了一次系统梳理，聚焦岗位核心能力，把从大模型应用开发、模型调优到工程化部署的全链路技术栈拆解开。一方面给自己定一个清晰的学习方向，避免在海量知识点里越学越乱；另一方面也分享给同样在入门的牛友，一起参考、一起进步。一、核心应用技术1. 提示工程 Prompt Engineering需要熟练掌握角色设定、思维链 CoT、零样本 / 少样本学习、格式约束、抗幻觉等通用技巧；针对 GPT-4o、LLaMA 3、Qwen、Claude 等不同模型做提示词适配，根据问答、摘要、翻译、代码生成等任务做针对性优化。实战上要能搭建可复用的提示词模板库，支持参数化调用和效果评估，解决模型输出不稳定、格式乱、语义跑偏等问题。2. 检索增强生成 RAGRAG 是解决大模型幻觉、落地知识密集型场景的关键，要求能完整搭建一套端到端系统。核心流程包括：文档处理：多格式加载（PDF/Word/TXT/ 网页）、多种文本切分策略向量工程：嵌入模型选型、向量生成与效率优化检索优化：向量检索、混合检索、重排序，提升召回与准确率生成优化：上下文压缩、查询改写、检索结果融合进阶方向可以了解模块化 RAG、GraphRAG、知识库增量更新等方案。3. LLM Agent 开发基于 LangChain /llamaIndex 搭建 Agent，掌握任务拆解、工具调用、结果整合、记忆管理的完整流程；能自定义工具（API、数据库、计算器、外部服务等），设计调用逻辑与失败重试机制。实战要求实现多工具协同、长短记忆管理，能处理数据分析 + 报告生成、多轮复杂问答等场景。二、模型调优与后训练1. 监督微调 SFT能完整设计 SFT 流程：数据集构建与清洗、模型选型、学习率等超参调优；熟练使用 LoRA / QLoRA 轻量化微调，基于 PEFT 库在普通显卡上完成训练，控制显存和成本。最终要能在分类、对话、意图识别等任务上落地微调，并输出对比评估结果。2. 强化学习与偏好对齐了解 RLHF、DPO 的基本思路，能用 TRL 等开源库做简单的偏好对齐训练，减少模型幻觉、违规输出，让生成内容更贴合业务规则。3. 模型压缩与推理优化掌握 INT4/INT8 量化、剪枝、知识蒸馏，用 BitsAndBytes、GPTQ 等工具在可控效果损失下压缩模型；能将模型转为 ONNX / TensorRT，支持本地与边缘部署，提升推理速度。三、工具与框架体系语言与基础：Python、Pandas、Numpy 数据处理深度学习框架：PyTorch、TensorFlow，Hugging Face 全套生态应用开发框架：LangChain、llamaIndexAPI 服务：FastAPI、Flask 封装接口，对接 OpenAI、智谱、通义千问等商用 API四、数据存储与检索结构化存储：MySQL/PostgreSQL 存用户、配置、日志缓存：Redis 做缓存、会话管理、降低重复调用成本搜索引擎：Elasticsearch 做关键词检索向量库：FAISS、Milvus 搭建向量知识库，支撑高并发 RAG 检索五、工程化部署与监控Docker 容器化打包，docker-compose 多组件部署日志与监控：ELK、Prometheus + Grafana 监控接口、推理性能、资源占用安全合规：密钥加密、权限控制、数据脱敏，满足企业安全要求六、前沿技术与行业认知持续关注 LLaMA 3、Qwen、Mistral 等开源模型迭代，以及 LangChain 等工具更新；了解多模态、智能体进化、Modular RAG、知识图谱融合等方向；结合企业服务、智能制造、智能客服等落地案例，学会把技术和业务场景结合，给出可落地方案。

一.问专业知识，都比较简单1.简述快速排序的思想？使用场景？时间复杂度？2.说明List，set，map的区别？底层原理？适用场景？有一定的追问环节。3.简述redis的物种基本类型？redis的五种类型适用的场景？高并发场景下的排行榜改如何设计？使用redis哪种数据结构？二.主要是工作中出现问题1.你以往有的项目经验中那个最有挑战性，如何解决这个项目中出现的问题？2. 简述一个在项目中如何与别人进行合作，如何协调工作内容？如果同时不听从你的安排，你该如何处理？  该如何解决？如何处理同时关系？如何协调同事完成工作？三.性格测试，大概65道题，这个没啥难度，根据自己的情况答就可以。总结：AI一面难度不大，没有详细的拷打实习和项目，主要就是一些简单的专业知识，还有一些在工作中处理问题的能力考察，大家不用太担心。最后还是祝大家能够找到一份好的工作。