浪潮数字集团Java一面

去年秋招的时候面过几场AI面，大部分是在牛客上面试的，有的是自研的平台上面试。首先是AI会说明面试的流程，然后开始自我介绍，AI会根据自我介绍的内容选择它感兴趣的部分提问，根据你的回答进行追问，就和真人一样。之前面的AI面，基本都会问一些八股或者开发的场景问题，根据你的回答，AI会深挖拷打。和真人面试官相比，AI 面的提问逻辑更 “精准”——完全围绕你简历和自我介绍里的关键词展开，不会有闲聊式的铺垫，一旦抓到你提到的技术点，就会顺着往下刨根问底，直到把你问到知识盲区才会罢休。比如你自我介绍里提了一句 “参与过 Spring Boot 项目开发”，AI 大概率会先问 “Spring Boot 的自动配置原理是什么”，你答完之后，紧接着就是追问 “@EnableAutoConfiguration 注解的作用是什么？它和 @ComponentScan 的区别是什么？”；如果你提到 “用 Redis 做过缓存优化”，那 “缓存穿透、缓存击穿、缓存雪崩的区别和解决方案”“Redis 分布式锁的实现方式”“Redisson 和自研分布式锁的优劣对比” 这些问题会连环砸过来，一个都跑不掉。除了技术八股，场景化问题也是 AI 面的高频考点，而且题目都很贴近实际开发。比如 “如果你的接口出现了超时问题，你会怎么排查？”“MySQL 慢查询的优化步骤是什么？从索引、SQL 语句、配置三个方面说”“高并发场景下如何保证接口的幂等性？”，这些问题不是靠死记硬背就能答好的，需要你结合实际项目经验梳理出清晰的解决思路。还有一个很有意思的点，AI 面会特别关注你提到的项目细节。比如你说 “负责用户模块的开发”，它会问 “用户模块的表结构是怎么设计的？为什么这么设计？”“用户登录的鉴权流程是什么？有没有考虑过安全问题？”；如果你说 “做过性能优化”，它会追着问 “优化前的性能指标是什么？优化后提升了多少？用了什么工具做的性能测试？”，全程逻辑严密，不会放过任何一个模糊的表述。甚至有些 AI 面还会加入代码题环节，直接在平台上给出一道算法题或编程题，比如 “写一个快速排序算法”“用 Java 实现一个简单的线程池”，要求你在规定时间内完成并运行通过，和线下笔试的代码题难度差不多。总的来说，AI 面的问题没有什么 “套路”，核心就是 “你写了什么，它就问什么”。它不会像真人面试官那样可能因为时间紧张跳过某些问题，而是会把你简历里的每一个技术点都挖透，以此检验你的知识掌握程度和项目真实性。所以准备 AI 面的关键，就是把自己写在简历上的每一个技术点、每一个项目细节都梳理清楚，确保问到任何相关问题都能对答如流。

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...

答案很明确：能驾驭 AI、而非被 AI 替代的岗位，才会活得越来越滋润。在互联网赛道里，那些靠重复执行、模板化操作的岗位正在被挤压，但需要深度思考、业务洞察、工程落地能力的岗位，反而会在 AI 加持下价值倍增。大模型应用 / Agent 开发工程师这是当前互联网行业需求最旺盛的岗位之一。核心工作不是训练大模型，而是基于 LangChain、FastGPT 等框架，把大模型能力落地到具体业务场景 —— 比如搭建电商智能客服、企业内部知识库问答、代码生成助手。需要掌握 Python、向量数据库（Milvus/Chroma）、API 封装、工程化部署能力，后端开发者转型有天然优势。AI 能生成基础代码，但如何把大模型和业务系统（比如电商订单系统、CRM 系统）打通，如何解决幻觉问题、保障服务稳定性，这些都需要人来把控。AI 工程化 / 基础设施工程师大模型的推理、部署、优化离不开底层基建。这类岗位负责搭建大模型训练 / 推理平台，优化 GPU 资源利用率，解决模型部署的延迟、成本问题，比如用 vLLM、TensorRT-LLM 加速推理，用 K8s 管理集群资源。需要熟悉云计算、容器化、分布式系统，懂深度学习框架（PyTorch/TensorFlow）的底层逻辑。AI 能做算法优化，但大规模、高可用的 AI 基础设施搭建，必须靠人来完成。资深架构师（后端 / AI 方向）架构师的核心价值是 “做决策”—— 面对复杂业务场景，判断该用哪种技术方案，如何平衡性能、成本、稳定性。比如设计一个支持百万级并发的 AI 对话系统，需要架构师决定用什么中间件、如何做负载均衡、如何设计缓存策略。AI 能提供方案参考，但最终的架构选型、风险评估、技术兜底，只能靠人的经验和全局视野。说到底，AI 时代的互联网职场，淘汰的是 “只会做重复工作的人”，奖励的是 “会用 AI 放大自己能力的人”。与其焦虑被替代，不如主动拥抱 AI，把它变成自己的 “职场加速器”。

1.基本信息，学校学了哪些课程？2.你实习主要负责哪些内容？请概括一下。3.你主要是负责后端开发，是吗？4.你实习项目的整体技术架构是什么样的？你了解的多吗？5.你负责的模块里，有没有你认为比较有意思 / 有难点的点，分享一下。6.我看你有 MCP 相关的大模型应用实践，是做过小案例还是完整项目？7.请你解释一下这个 Text to SQL 项目 / 论文里的核心技术实现。8.NL2SQL 的模型是你自己做的训练吗？9.针对复杂 SQL 场景，怎么防止模型生成不安全的查询、全表扫描、大量数据返回的问题？10.目前只支持生成查询类的 SQL 吗？11.生成的 SQL 主要是针对结构化数据吗？12 AI 辅助开发这块，你用过哪些工具？13.你了解 Skill 的相关规范吗？14.你自己有写过哪些方面的 Skill 吗？15.如果让你设计一个功能 Skill，你有什么设计思路？16.讲一下 Java 并发操作中的 CAS 底层实现原理，以及相关的原子类。17.Java 并发包中有哪些实现的原子类？18.多线程并发编排这块你用得多吗？19.多线程并发编排这块你用得多吗？20.能举几个并发编排里常用的方法吗？21.设计模式这块，挑一两个大概讲一讲。只有一次面试，面完5分钟HR打电话说通过了，一问薪资6.5k，跑路了跑路了，有点哈人~