继续来分享下之前的面经~欢迎友好讨论，信息共享1. 项目拷打2.实习拷打3. 数据收集和处理，使用Grpah-Rag的优势，本项目中Grpah的作用。4. 训练数据的构建细节5. 遇到数据内容冲突时应该如何处理？6. Rec、MRR、Acc等常见检索指标。7. 除了LLM as a Judge，还有什么方法评测回答的效果？8. 当不同的专家对同一回答评分方差很大时应该怎么解决？9. 在校内的科研/实践经历。10. 常见的Agent和Memory管理的范式。11. 遇到的印象最深/工作量最多的实际工程编码问题。

面经：自我介绍介绍netty的多路复用机制？介绍一下epoll是什么？（简历）介绍一下双token机制？refresh token的安全性这么考虑的？（简历）会话机制怎么校验当前客户端是他自己？（简历）布隆过滤器的业务场景是什么？他是为了做什么的？高并发的流量是由什么决定的？介绍一下synchronized和ReentrantLock的区别？介绍一下synchronized的底层实现？Monitor是用来做什么的？介绍一下ReentrantLock的底层？线程池的构造参数？介绍一下Spring的AOP？有没有了解过JDK动态代理为什么是基于接口的？介绍一下Spring的IoC？讲讲Ioc的循环...

如果让我选当下最适合入门、性价比最高、就业最稳的 AI 方向，我一定会投 AI 应用开发 一票。不卷高深的算法，不啃晦涩难懂的论文，专注把大模型用起来、落地成产品。掌握 LLM 调用、RAG、Prompt 工程、向量数据库和简单 AI Agent 流程，有编程基础就能快速上手。岗位需求量大、门槛友好，还能直接做出可演示的完整项目，简历和面试都特别能打。相比容易内卷的纯提示词、AI 绘画，或是门槛极高的算法研究，AI + 工程落地才是普通人最容易走通、成长最清晰的路。

1. 如果让你设计一个 Agent 的规划器，怎么避免它每一步都重新规划，导致路径震荡？规划器不能每拿到一个 observation 就整体重算，不然很容易出现前一步刚决定检索，后一步又改成总结，再下一步又回去检索，整个执行路径会来回抖动。更稳的做法是把规划分成“全局计划”和“局部调整”两层。全局计划只定义阶段目标，比如信息收集、证据校验、结果生成；局部调整只允许在当前阶段内微调具体动作。另外要给 planner 一个明确的状态表示，比如当前子目标、已完成步骤、失败原因、剩余预算。如果没有状态约束，模型会把每次新 observation 当成全新任务来理解。线上一般还会加“重规划阈值”，只有在...