许愿阿里四面hr过过过（已签意向书

第四题面向结果编程，试出来最终结果有6、11、14、16、26，每个2％，直接把这几个打印出来对了8％  顺便问下uu们对了几道？

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项目及八股1. 你对RAG（检索增强生成）的理解是什么？2. 向量知识库和各自优缺点是什么？3. 针对检索的准确性，你在项目中做过什么调优操作？4. 项目中排序算法及其他？5. 你们对检索准确率做评测时，测试集和测试流程是怎么构建的？你是否参与了这块工作？6. ES底层的存储结构是怎样的？7. 若ES中已存储部分数据，执行更新操作时，ES内部的整个更新流程是怎样的？8. 服务降级策略的考量是什么？如何保证切换后服务维持正常？9. 你用Arthas排查问题时，具体排查的是什么问题？定位流程是怎么样的？10. 为什么要做分表存储的操作？11. 站在项目表设计的角度，什么场景下需要进行分表操作？12. 单表数据量达到多少时，会考虑做分表？13. 你有了解过MyBatis的切面操作吗？MyBatis的切面能做哪些事情？14. 请讲一下Spring AOP的大概流程和机制是什么？15. 你了解的事务隔离级别有哪些？16. 细粒度锁，具体是做什么用的？怎么实现的？17. 实现细粒度锁时，用的是Java的synchronized关键字吗？18. 如果是分布式服务做这种细粒度锁，你觉得应该怎么做？19. 你提到的Redisson加锁的机制，具体是怎么实现加锁的？20. Java中synchronized关键字底层的加锁流程是怎样的？它如何保证多线程并发时能拦住其他线程？21. ThreadLocal用于什么场景比较合适？22. 你了解ThreadLocal的实现原理吗？23. 若用ThreadLocal存储用户信息，在主线程内起异步线程，异步线程中能通过ThreadLocal拿到该用户信息吗？大模型相关1. 除了RAG相关工作，还有用过大模型去做其他事情吗？2. 你使用大模型时是用工作流方式，还是用类似Spring AI这种框架去实现的？3. 你在开发过程中，有用过大模型辅助编码的工具吗？4. 大模型辅助编码工具对你的代码开发效率提升有多大？

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”。

有点东西