26届双非本啥都没捞着

AI基础知识大模型基础核心概念：LLM（大语言模型）、Token、上下文窗口、Embedding、微调（Fine-tuning）、提示工程（Prompt Engineering）。关键能力：文本生成、代码生成、多模态理解（文生图 / 文生视频）、知识问答。前端视角：如何通过 API 调用模型、如何处理流式输出（SSE/WebSocket）、如何优化 Token 消耗。Agent 与 RAGAgent：能自主规划、调用工具、完成复杂任务的 AI 实体（如 Coze 扣子、TRAE）。RAG（检索增强生成）：结合私有知识库，让大模型回答更精准、可控。前端视角：如何设计 Agent 交互界面、如何展示 RAG 检索过程、如何做多轮对话管理。多模态 AI核心：文本、图像、音频、视频的融合生成与理解（如剪映的 AI 生成、实时交互）。前端视角：Canvas/WebGL 渲染、WebRTC 实时流、WebGPU 加速、多模态内容预览与编辑。

春招马上就要开始了，不知道各位牛友有没有赶时髦包装一些AI项目呢，无论是前端后端还是做产品，如果你的项目里包装了RAG却感觉好多知识答不上来，担心被面试官拷打到爆，这几天我从全网搜集到了部分AI相关面试真题和参考解答13题，搜集整理不易，希望能给个赞，如果参考答案有误或者希望补充真实题目，欢迎来评论区交流分享，最后祝大家求职顺利，春招都能接到心仪的OFFER，如果本期文章数据不错，就火速加更，期待你们的互动 第一部分：RAG核心概念与价值1. RAG是什么？可以说说RAG的流程吗？RAG的全称是Retrieval Augmented Generation（/rɪˈtriːv(ə)l ɔːɡˈm...

现在AI技能是求职的默认必备技能，不管是传统的前后端项目还是现在AI潮流新涌出的AI应用开发工程师、AI Agent工程师以及最顶的AI 算法工程师，笔者为前端岗位，秋招投递了15+互联网大厂，收获3家大厂Offer（快手、京东、拼多多），下面聊聊个人对面试中的AI的一些idea：总结（通过JD总结要学什么）前端基础JS&算法、React&Vue框架、Vite、Monorepo、Pnpm工程化、性能优化、主流（微前端、SSR、大前端）仍为基础，全栈+AI是亮点，前端&AI学习：框架前端开发者不再只是 UI 渲染层，而是要理解大模型、Agent、多模态交互，并能在业务中落地 AI 能力。整体架构可以分为四层：AI基础知识大模型基础核心概念：LLM（大语言模型）、Token、上下文窗口、Embedding、微调（Fine-tuning）、提示工程（Prompt Engineering）。关键能力：文本生成、代码生成、多模态理解（文生图 / 文生视频）、知识问答。前端视角：如何通过 API 调用模型、如何处理流式输出（SSE/WebSocket）、如何优化 Token 消耗。Agent 与 RAGAgent：能自主规划、调用工具、完成复杂任务的 AI 实体（如 Coze 扣子、TRAE）。RAG（检索增强生成）：结合私有知识库，让大模型回答更精准、可控。前端视角：如何设计 Agent 交互界面、如何展示 RAG 检索过程、如何做多轮对话管理。多模态 AI核心：文本、图像、音频、视频的融合生成与理解（如剪映的 AI 生成、实时交互）。前端视角：Canvas/WebGL 渲染、WebRTC 实时流、WebGPU 加速、多模态内容预览与编辑。AI工具链应用场景AI IDE 开发（TRAE、Cursor 方向）核心：打造端到端生成真实软件的智能协作平台。前端职责：AI 功能交互实现（代码生成、代码理解、知识问答）、IDE 内核框架开发、插件生态与工具链。技术栈：React/TypeScript、WebAssembly、Monaco Editor、WebSocket/SSE。Agent 平台开发（Coze、HiAgent 方向）核心：新一代 AI Agent 平台，支持协同办公与应用开发。前端职责：LLM 驱动的 AI Agent 框架实现、多 Agent 协同界面、可视化编排工具。技术栈：React/Vue、状态管理、可视化编辑器、实时通信。多模态创作与交互（剪映、抖音方向）核心：生成模型优化、多模态内容合成、实时交互体验提升。前端职责：AI 生成内容预览、实时滤镜 / 特效、多模态编辑界面。技术栈：WebGL/WebGPU、WebRTC、Canvas、性能优化（FPS、内存）。AI + 全栈开发（小红书、美团方向）核心：在 AI Coding 工具协助下完成前后端开发、测试、部署。前端职责：全栈开发、AI 辅助需求分析与方案设计、提升开发效率。技术栈：Node.js/Python、前后端协作、CI/CD、AI 工具深度使用。可视化与 AI 交互（同顺方向）核心：大模型应用的可视化交互、RAG/Agent 工作流演示。前端职责：可视化 Prompt 编排、多轮对话可视化、模型输出调试界面。技术栈：ECharts/D3.js、流程图库、实时数据渲染、响应式设计。工程化与能力要求前端基础扎实的 HTML/CSS/JS/TS，熟悉 React/Vue 等框架。工程化工具：Webpack/Vite、NPM/Yarn、CI/CD、自动化测试。跨端能力：WebAssembly、Electron、Taro 等。AI 工程化模型接入：OpenAI API、火山方舟 SDK、流式输出处理。性能优化：Token 压缩、缓存策略、推理延迟优化、首屏加载。安全合规：数据脱敏、隐私计算、内容审核。软能力拥抱新技术，紧跟 AI 前沿，不设边界。跨团队协作：与算法、后端、产品紧密配合。创新思维：将 AI 技术与前端体验创造性结合。

小红书|字节|京东|快手|拼多多|滴滴|得物|携程等前端面试AI频繁题目1. SSE 与 WebSocket 区别- 通信方向：SSE 是服务端单向推送给客户端，WebSocket 是双向全双工- 协议：SSE 基于 HTTP，WebSocket 是独立的 ws/wss 协议- 数据类型：SSE 只支持文本，WebSocket 支持文本和二进制- 重连：SSE 浏览器自带自动重连，WebSocket 需要自己写心跳和重连- 使用成本：SSE 非常简单，前端用 EventSource 就行；WebSocket 需要服务端支持协议升级- 适用场景：SSE 适合通知、日志流、AI 流式输出；WebSocket 适合聊天、游戏、协同编辑、直播简单理解：SSE：客户端连上去，服务器一直发消息过来WebSocket：客户端和服务器随时可以互相发消息---2. 对 AI 基本概念了解：RAG、Agent、FunctionCall、MCP、Skills- RAG：先检索外部资料，再让模型回答，用来解决模型瞎编、知识过时的问题- Agent：能自己思考、做计划、调用工具、一步步完成任务的智能体- FunctionCall：模型调用外部接口或函数的标准方式，比如查天气、查数据库- MCP：模型和外部系统、工具之间通信的统一协议，方便对接各种能力- Skills：把常用功能封装成可复用的技能，比如写代码、生成图表、总结文档它们的关系：用户提需求 → Agent 作为大脑 → 用 RAG 查资料、用 FunctionCall 调工具、用 Skills 执行能力 → 通信靠 MCP 协议---3. 个人 AI 技能了解（可直接背）- 了解大模型基本原理和提示词工程- 能基于 RAG 搭建私有知识库问答- 理解 Agent 工作流程，会使用 FunctionCall- 能做前端+AI 项目，比如对话界面、流式输出- 了解多 Agent 协作和常用框架- 能独立完成需求拆解、AI 方案设计与落地---4. 了解主流模型有哪些及各自特点、应用场景国际模型：- GPT-4o：综合能力最强，多模态好，代码、推理都很强- Gemini：谷歌多模态，图片、视频理解能力突出- Claude：擅长超长文本，安全性、合规性好- Llama：开源模型，可以本地部署、二次开发国内模型：- 文心一言：中文理解好，知识覆盖全面- 通义千问：阿里生态，适合电商、客服、业务系统- 讯飞星火：语音能力强，教育、医疗场景多- Kimi：超长上下文，适合读文档、总结资料---5. 用了什么 IDE 以及对比- VS Code：生态最丰富、轻量、插件多，日常开发主力- WebStorm：智能提示、代码重构强，适合大型项目和团队- Cursor：AI 原生编辑器，代码生成、对话一体，AI 开发首选- Zed：启动快、操作流畅，追求高效编码可以用总结：日常用 VS Code，AI 开发用 Cursor，大型项目用 WebStorm。---6. 多 Agent 有了解吗多 Agent 就是多个智能体分工合作，像一个团队一起完成复杂任务。- 分工：有的负责规划，有的负责搜索，有的负责写代码，有的负责测试- 通信：智能体之间可以传递信息、对齐目标- 优点：复杂任务更稳定、逻辑更清晰、更容易维护- 常用框架：AutoGen、CrewAI、LangGraph简单流程：用户提需求 → 主管 Agent 分配任务 → 各个智能体分别执行 → 汇总结果返回给用户---7. AI 在实习部门中应用场景- 智能客服、内部问答：用 RAG + 对话界面- 代码生成、自动补全、代码解释：用 Cursor、Copilot 这类工具- 需求文档、接口文档自动生成与总结- 前端页面自动生成：根据描述或草图生成代码- 数据可视化、报表自动生成：自然语言转图表- 测试用例、测试脚本自动生成---8. Agent 底层原理：ReAct、Transformer 了解ReAct：- 就是推理 + 行动- 流程：先思考要做什么 → 调用工具或执行动作 → 观察结果 → 再思考 → 直到完成任务- 是现在大多数智能体的核心逻辑Transformer：- 是现在所有大模型的基础架构- 核心是自注意力机制，能理解上下文、语义关联- 前端层面只要知道：它是模型用来理解语言、生成内容的底层结构---9. 现有需求如何用 AI 实现：拆解小需求、AI 规划、实现、测试，包含 /plan、/spec标准流程：1. 需求拆解：把大需求拆成小模块，明确每个模块做什么2. AI 规划 /plan：明确目标、执行步骤、输入输出、依赖项、时间安排3. 方案设计 /spec：确定接口、数据结构、页面逻辑、提示词、异常处理4. 实现：前端界面 + 模型调用 + RAG 或 FunctionCall 集成5. 测试：测试功能是否正常、有没有幻觉、流式输出是否稳定、异常情况是否处理6. 上线与优化：根据效果迭代提示词、流程、模型参数简单模板：/plan：目标 → 步骤 → 分工 → 时间/spec：接口 → 字段 → 页面 → 提示词 → 异常处理