1. 如果知识库原始数据不是 markdown，而是 PDF、PPT、图片或者网页，你会怎么处理进 RAG 系统？PDF 和 PPT 会提取标题、段落、表格和页码，图片先做 OCR，网页先抽正文和元信息，然后统一清洗噪声、去掉页眉页脚、按语义做切片，补上来源、时间、文档层级这些元数据，最后再做 embedding 和索引。这样后面的召回、溯源和权限控制都更稳定。 public List<Chunk> buildChunks(Document doc) { List<Block> blocks = parser.parse(doc); List<Block> ...

面试很难，还是要多多练习，感觉自己说不明白业务逻辑1.React的Fiber架构解决了什么问题?在AI长文本渲染中有什么优势?2.在AI流式输出过程中，如果返回的Markdown标签被截断(如代码块未闭合)，前端如何处理渲染?3.什么是RAG(检索增强生成)?前端在RAG 流程中可以参与哪些工作?4.如何优化PromptEngineering以减少前端请求的Token消耗?5.在AI聊天界面中，当消息非常多时，如何保证滚动平滑且不卡顿?6.谈谈前端安全:如何防范Prompt Injection(提示词注入)攻击?7.你们项目是如何进行性能监控的?针对AI场景有哪些特殊指标?8.封装一个通用的AIChat组件需要考虑哪些Props和Slots?9.如果AI接口偶尔出现504超时或网络抖动，前端的重试机制该如何设计?10.简单聊聊向量数据库在前端的应用，前端需要处理向量化吗?11.如何实现一个支持拖拽上传、预览并能被AI解析的附件功能?

1. Agent 的架构设计一个完整的 Agent，一般不是单独一个大模型就能跑起来，核心会拆成几层。最上面是任务入口，负责接收用户问题和上下文；中间是决策层，负责意图识别、任务拆解、规划和工具选择；下面是执行层，真正去调工具、查知识库、访问服务；最后是记忆和状态层，维护多轮上下文、历史执行结果和中间变量。如果做得再工程化一点，通常还会加一个校验层。因为模型规划出来的步骤不一定总是对的，工具参数也可能填错，所以在执行前后都要做检查，比如参数合法性校验、工具返回结构校验、结果一致性校验。Agent 真正难的地方不是“能不能想”，而是“想完之后能不能稳定执行”。2. RAG 的检索如何实现RAG ...

目前只有携程、美团、蚂蚁、阿里给了笔试，个人体感算法题都称不上难，纯粹就是拿算法竞赛里面的、别人不会专门去学的知识点卡人，非常没意思，而且像腾讯字节这种顶级大厂都已经完全不看笔试了，笔试完全就是为了合理刷人存在的，但如果真要刷人，笔试强也救不了简历拉胯、面试表现差，真的是越来越没意义。