AI Coding，这是变相开卷吗

给我面没招了，发点面经攒攒人品～1.实习拷打2.你能简单概述一下你大概做了什么事吗？3.你们会有论文相关要求吗？4.你项目的背景大概是什么样？5.你这个项目主要做了哪些功能？6.你做项目的时候你觉得踩过的坑或者遇到的困难的地方？7.你还有哪些技术栈？8.ai coding

1. 自我介绍2. 多阶段 RAG 里同时使用 BM25 和向量召回，混合检索策略通常怎么设计混合检索的关键不是把两路结果简单拼起来，而是根据问题类型决定两路召回各自承担什么角色。BM25 对精确术语、错误码、接口名、字段名、版本号这类关键词命中很强，向量召回则更擅长语义改写、口语化表达和抽象问题。真正稳定的设计一般是先并行召回，再做去重、融合、重排，最后再进入上下文构建阶段。如果问题本身是“精确定位型”，比如某个报错码、类名、接口路径，BM25 权重通常更高；如果问题是“意图表达型”，比如用户用自然语言描述故障现象，向量召回的权重会更高。工程里比较常见的是先取两路 topk，再用 RRF 或...

智能体大模型应用岗，时长 2 小时。题目大概是这样的：实现一个带 TUI 的命令行视频剪辑工具，后面跟了一大堆功能要求，分必做和加分项。测试用的视频素材在指定目录里，还有一些约束条件（主要是针对剪辑工具的交互提示）。验收方式是自己测试，交付物包括源码、命令说明、使用说明、示例输入输出、验证过程、限制说明以及后续优化方向——说白了就是要交一堆文档。蚂蚁的模型反应很快。下面复盘一下我的整体思路，供大家参考，有不对的地方欢迎交流。整体上我遵循了这么几个步骤：第一，拿到题目先不写代码。优先让模型分析基本需求（只看必做部分），让它帮我拆分步骤、列出待完成的事项、划分出需要实现的模块——按最小 MVP 原则来。第二，按照列出来的模块，一个一个写代码，每写完一个就测一个。第三，所有必做模块都写完之后，做一次整体自检，然后写测试报告。第四，必做部分稳了之后再上加分项。思路一样：先分析需求，再慢慢写代码。写加分项的时候尽量不动基础功能的代码和结构，能少动就少动。第五，全部做完之后再自检一遍，按题目的要求从头到尾测一遍，输出测试报告。第六，让模型以专家身份对已完成的项目做审核（就是 LLM-as-Judge），给评分和审核意见。然后我自己人工过一遍每一条意见，觉得有必要改的就让模型去改，原则同上。另外还有一个小插曲。因为蚂蚁这边时间比较充裕，我甚至动过念头——让模型在代码里穿插一些 prompt 注入的方式，毕竟最后大概率也是 AI 来审核项目，想让审核的模型给高一点的分。但想了想还是没做，感觉没太大必要。大致思路就是这样。补充一点关于淘天的对比。淘天的 AI Coding，面试官明确说过更重视过程——用 AI 的方式、任务拆解、对项目的设计等等，反而结果不是最重要的，而且只给了半小时。蚂蚁这边显然不是，要提交一个完整的项目，具体的评分点我暂时还没搞清楚。

继续来分享下最近的面经~欢迎友好讨论，信息共享1. 项目拷打2. 训练数据是怎么构建的，大概有多少量；测试集如何构建3. lm和这个项目是如何嵌入的4. rag项目的springboot框架的版本5. 项目中遇到问题解决问题的能力6. 主要提到一个项目中用的ai大模型7. 用llm技术重构系统8. 多轮对话相关存储 记忆 解决方案 这个问了好多9. rag怎么设计的10. Attention本质是什么？从向量空间变换角度解释11. 多轮对话中Attention如何导致历史信息衰减？12. RAG的chunk优化策略有哪些？怎么评估检索相关性13. 多工具调度模块如何解决冲突检测？14. 工具调用超时后的降级方案设计15. Prompt优化模块的A/B测试方案16. 为什么你在项目中选择用 Qwen 的模型而不用内部模型；文本检索时有 embedding 初步排序和重排两种模型可选，为什么选择 Rerank 方式做重排，而非其他重排方式