1.自我介绍2.深度参与项目，产出3.OCR为撒做文件识别；部署的哪个4.传统的读取pdf docx api sdk有用过吗5.文本内容为啥还要用ocr6.pdf 图片内容；图片，图表的理解，怎么做；饼状图，折线图怎么提取语义信息7.ocr背后的原理，给一个饼图，然后怎么输出内容8.是否真的了解怎么识别 占比 类比这样的语义识别9.有看过ocr调用，语义保留这样的指标的评估10.怎么做评估；完全识别的指标又是怎么评估；九十分一百分怎么打分完全识别11.图表识别怎么评估打分，怎么评判，有哪些依据12.为啥选768维度13.讲下embedding模型，怎么做embedding14.embedding模型底层；什么是token；为撒100wtoken最大token数15.大语言模型参数了解吗；在显存消耗的哪个层面消耗的16transfomer词表是怎么构建的吗17.ES怎么构建的；这里面的关键词怎么构建的；BM25基于什么原理18.一部分milvus语义召回，一部分ES关键词召回；怎么返回用户的19.精排维度是多少，原理是什么20.rerank精排基于什么；为撒精排效果更好21.你觉得这些策略涉及有哪些问题；讲了四个问题权重；向量维度；双向量检索的策略；切分策略（切分维度）22.针对上述的你提的问题，说出自己解法23.最核心的一个指标的什么；最核心的指标；归纳出最核心的一个综合指标24.function calling mcp skill，解释概念；用到什么场景；分别解决了什么问题答得不好25.prompt engining ，context  engining，hareness enginering 解释什么问题答得不好26.抽象类和接口却别27.jvm内存回收；什么情况下适合标记清除，什么标记整理28存活时间怎么定义这里列下六个ai概念和解释24. Function Calling、MCP、Skill：概念、场景与解决的问题这三个概念其实代表了 AI 智能体（Agent）与工具交互的三个不同层级：底层协议、通信标准、业务封装。1. Function Calling (函数调用)概念：这是大模型的一种底层能力。它让模型不仅能输出文本，还能输出结构化的数据（如 JSON），告诉程序“我要调用哪个函数，参数是什么”。解决的问题：解决了“模型说不清楚，程序读不懂”的问题。它打破了模型只能聊天的限制，让模型有了“手”，能触发外部动作。场景：简单的工具调用：查天气、计算器、查询数据库。提取结构化信息：把用户的一段话转换成 JSON 对象。2. MCP (Model Context Protocol，模型上下文协议)概念：由 Anthropic 提出的标准化通信协议。你可以把它理解为 AI 界的 USB-C 接口。它定义了一套标准，让 AI 应用（Client）能统一地连接到各种数据源和工具（Server）。解决的问题：解决了“连接碎片化”和“上下文孤岛”的问题。以前每接一个工具都要写一套适配代码，现在只要工具支持 MCP 协议，AI 就能直接连，不用重复造轮子。场景：企业级应用集成：统一连接本地文件、Google Drive、Slack、GitHub 等。跨平台工具共享：开发者开发一个 MCP Server，所有支持 MCP 的 AI 客户端都能用。3. Skill (技能)概念：这是面向业务的能力封装。它通常是一个包含指令、脚本、资源和提示词的“文件夹”或集合。Skill 往往基于 Function Calling 构建，但更复杂。解决的问题：解决了“工具零散，无法完成复杂业务”的问题。它把一个个原子化的函数（如“查航班”、“查酒店”）组合成一个有意义的业务能力（如“订机酒套餐”）。场景：复杂任务处理：比如“帮我策划一次旅行”，Skill 会自动规划步骤，依次调用查天气、订机票、订酒店的函数。垂直领域专家：比如“法律助手 Skill”，里面封装了查法条、写文书的特定流程和提示词。📌 总结对比表表格概念本质定位核心解决问题形象比喻Function Calling底层交互协议模型输出结构化指令神经信号（告诉手要动）MCP通信与调度层统一连接标准，避免重复开发USB 接口（通用插头）Skill业务能力层复杂任务编排与封装操作手册（怎么做菜）🧠 25. Prompt Engineering、Context Engineering、Harness Engineering这三个概念代表了 AI 应用开发从“手工作坊”到“系统工程”的进化过程。1. Prompt Engineering (提示词工程)解释：这是最早期的阶段。核心是“写咒语”。通过精心设计自然语言指令（如“你是一个专家，请一步步思考...”），引导模型输出更好的结果。局限：它是一次性的、静态的。如果任务太复杂，光靠一段话很难控制模型。2. Context Engineering (上下文工程)解释：这是目前的主流趋势。核心是“构建信息流水线”。它不再只关注那一句提示词，而是关注如何把最有效的信息（知识、历史、工具描述）在恰当的时机喂给模型。它包括 RAG（检索增强）、记忆管理、摘要压缩等技术。解决问题：解决了模型“记性差”、“知识过时”和“幻觉”问题。它把模型从一个“聊天机器人”变成了一个“拥有外部知识库的专家”。3. Harness Engineering (编排工程/智能体工程)注：Harness 在这里通常指“智具编排”或“系统 harness”，类似于 LangChain 或 AutoGen 这类框架所做的工作。解释：这是最高阶的阶段。核心是“系统级管控”。它不仅仅是给信息，而是设计一个工作流。比如：先让模型 A 写代码，再让模型 B 审查代码，如果报错再让模型 A 修改。它涉及多智能体协作、循环反馈、工具调用的逻辑编排。解决问题：解决了复杂任务的自动化执行和可靠性问题。📌 一句话总结进化史Prompt Engineering：教模型“怎么说话”。Context Engineering：给模型“参考资料和记忆”。Harness Engineering：给模型“ teammates（队友）和工作流程”。

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. Agent项目，有没有调研过市面上其他的Agent搭建框架2. 如果Agent项目用openclaw搭建会怎么样3. Agent执行细节，大模型会调用哪些工具，如何测试agent搭的好不好4. Agent prompt动态上下文如何加载5. 用过openclaw吗，skill是做什么的6. Claude code用的多吗，项目中多少内容是ai写的7. Claude code源码研究过吗，Agent项目如何升级到Claude code这种级别8. Claude code的skill、agent有了解吗，Spring AI阿里巴巴渐进式有了解吗9. 多agent问题，优势是什么

给我面没招了，发点面经攒攒人品～1.项目拷打2.你在这个 RAG 系统优化里面，在多阶段 RAG 系统中采用了 BM25 和向量混合检索，然后这个是怎么去设计两者的结合逻辑的？然后混合策略的话具体是如何去提升检索效果的？3.RAG支持 PDF 扫描件和 OCR，然后还有表格结构化的提取，然后在这过程中有没有遇到什么技术难点？4.识别准确率怎么样？5.这个多智能体系统设计里面，然后它的这个 State 管理和Checkpoint分配机制的具体实现方式是什么？怎么去解决对话执行中的状态竞争问题呢？6.怎么样实现 State 全局管理？7.将Choice 接口封装为MCP工具的时候，怎么去设计一个标准化接口？然后遇到有没有遇到过一些兼容性的挑战？8.举了项目里的一个例子，问我出参入参是怎么去定义的？9.大模型在调用这个工具的时候，比如说有 MCP 之前，它的调用的处理流程是什么样子的？10.或者说 MCP 它有哪些缺点或者挑战呢？11.提供的这个 MCP 的结果它是流式的吗？12.这个多agent项目是主子agent的项目吗？13.其中一个功能，然后它的 token 就是一次会话 token 大概有多少？有没有超过上限？14.模型用的哪个？我答Qwen，问我Qwen具体哪个版本15.在子任务过程中啊，如果它的某个子任务失败，比如说数据获取为空，它的这个整个工作流是怎么去重试或者是降级处理的？16.在实现这个流式输出实现的时候，比如说后端用了 FastAPI 和 SSE 来实现中间结果的实时流式输出。然后在这个 Langchain 这种基于图的状态机框架中，是怎么捕获每个 node 的执行结果，然后推送到前端的？17.LangGraph 和Langchain 为什么选择了 LangGraph 没有选择简单的那个 Langchain 呢？18.Checkpoint 的持久化19.对话之后重新连接的话，是怎么能够恢复到之前的那个状态呢？20.对话持久化的话，是存储到哪里的？是存储到内存里面，还是存到硬盘上面去的？21.关于 RAG 的，向量数据库在选择建索引的时候是用了哪种向量数据库？为什么？22.这里面你提到了 RRF 重排序，然后有没有引入什么模型进行精排？

1.深挖简历2.业务题：某一品类退货率高怎么处理（答得很烂3.sql的题（不会，没写4.还问了业务里面claudecode怎么防止权限太大ee（就答了一个沙箱隔离