阿里国际 | AI应用研发工程师 | 商品智能 | 暑期实习一面

面试时间： 5.21

技术栈： Agent、Java、Python、Node、SQL、前端

面试题目

1.自我介绍

2.新闻数据来源、数量规模如何存储，数据库表如何设计的，存哪些字段

数据来源：RSS 订阅、爬虫抓取、第三方 API（如 NewsAPI）。存储规模达百万级时采用分库分表或时序分区。表设计核心字段：id、title、content、source、publish_time、category、embedding_vector（外链向量库）、create_time。按发布时间做范围分区，热数据放近期分区加速查询。

3.新闻向量数据库如何分区？文本编码方式，新闻词嵌入，如何召回，编码方式和召回方式如何

分区策略： 按类目/时间分 Collection 或 Partition，减小检索范围。编码方式： 使用 BGE / text-embedding-3 等模型将标题+摘要编码为 768/1536 维向量。召回方式： ANN 近似最近邻检索（HNSW / IVF_PQ），先粗召回 Top-K 再经 Reranker 精排。混合检索时可结合 BM25 稀疏召回 + 向量稠密召回做融合。

4.Multi-Agent 如何协调串接，用你实现的项目说明

典型架构：一个 Orchestrator Agent 负责任务拆解和路由，多个专项 Agent（如搜索 Agent、分析 Agent、生成 Agent）各司其职。协调方式：①顺序流水线（Pipeline）：前一个输出作为后一个输入；②并行扇出（Fan-out）：Orchestrator 同时调多个 Agent 再汇总；③对话式协商：Agent 之间通过消息队列交换中间结果。关键点在于统一的消息协议、错误重试机制和上下文共享（共享 Memory/State）。

5.Redis 在你的项目中具体使用的场景，为何要使用

场景： ①缓存热点新闻/用户画像，降低 DB 压力；②分布式锁（Redisson），防止爬虫重复抓取；③发布订阅（Pub/Sub）做实时消息通知；④排行榜/计数器（ZSet/INCR）。为何用： 内存级读写（10w+ QPS），数据结构丰富，天然支持 TTL 过期，集群模式水平扩展。

6.如何用 Skill 实现业务意图识别，如何计算意图识别准确率，出现过什么问题

实现： 为每个业务意图定义一个 Skill（包含描述 + 示例），LLM 根据用户输入匹配最相关的 Skill 触发对应流程。可配合 Few-shot prompt 或 Router 模型做分类。准确率计算： 标注测试集（query → 正确意图），跑批评估 Precision/Recall/F1。常见问题： ①意图边界模糊导致误分类；②多意图并存时只识别到一个；③新意图 OOD 样本被强行归类。解决方式：增加"拒识"兜底 + 多标签分类 + 定期补充训练样本。

7.使用 Claude Code 开发的 Vibe Coding 挑战：如何描述任务，如何制定开发规范，重启后再次接上上下文

描述任务： 用自然语言明确目标、约束、输入输出，分层次说清 What → Why → How。粒度适中，太笼统会跑偏，太细碎反而限制 AI 发挥。制定规范： 在 CLAUDE.md 中写明技术栈、代码风格、目录结构、禁止事项，Agent 每次启动自动加载。接上下文： ①利用 CLAUDE.md + Memory 持久化关键决策；②git log/diff 恢复进度；③用 TodoWrite/Plan 记录待办，重启后 Agent 可从断点继续。核心思路是把"脑中隐性知识"外化为项目文件。