阿里淘天 AI应用开发 暑期实习一面

一、实习经历深挖1. 介绍mass团队的实习经历，展开说明数据清洗工作的具体内容。2. 实习中，知识库数据是进入数仓还是直接供大模型做智能问答？二、项目相关问题1. 智能检索问答系统项目是参与还是主要负责？2. 该项目的核心需求、技术栈（FastAPI、Scikit-Learn、Langchain等）及实现逻辑。3. 项目中使用了哪些Embedding模型？4. 向量数据库创建后是否对外提供服务？下游如何使用这些服务？5. 如何设计论文数据的处理流程，如何更新向量数据库中的数据？6. 项目中如何创建索引？根据业务场景选择索引类型的逻辑。三、技术能力考察1. 是否接触过结构化数据和数据仓库？2. 用SQL查询月累计销量（需实现按月累加统计）的方法。3. 是否接触过SQL窗口函数？4. 了解数仓ODS层到ADS层的层级关系及简称吗？5. 是否有结构化数据库处理、数仓搭建相关经验？四、岗位适配与求职意向1. 对知识图谱的熟悉程度。2. 有什么想了解的关于公司业务线的问题？

1. 你对Graph和DAG框架有什么理解？2. 有向无环图（DAG）与含循环图（如循环RAG）的区别是什么？3. 有向无环图（DAG）适合什么场景？含循环图（如循环RAG）适合什么场景？4. 针对“每日自动分析并编排工作计划”的需求，该如何设计架构？是否需要结合循环RAG架构与短期记忆机制？5. 对于“每日自动分析并编排工作计划”的需求，应将能力沉淀为Skill还是长期记忆以实现持久化？6. Multi-Agent编排中，可能会出现死循环或Agent间推诿的问题，该如何监控与规避？7. 长流程中大模型输出被截断（如代码/文档不完整），有哪些工程化的解决手段？8. 从Prompt层面，如何解决大模型输出被截断的问题？（如few-shot示例、自校验机制）9. 从代码层面，如何解决大模型输出被截断的问题？（如重试逻辑、后处理清洗）10. MCP与Skill的区别是什么？11. 怎么设计一个大模型网关系统？12. 大模型未来在Skill能力上的发展趋势是什么？13. 请说说你的项目参赛经历，以及你在团队中担任的角色（如小队长）和具体负责的工作？14. 你是否考虑将参与的项目转化为创业方向？15. 你的毕业时间是什么时候？16. 你目前的状态是什么？（如全职实习）17. 大四是否还有课程？后续返校需要完成哪些事宜？

原题1： 工作有搭 agent，为什么不采用 workflow 或者 prompt+大模型？拆解： 这是整场面试最致命的一题。面试官不是在否定 agent，而是在考你技术选型的决策逻辑——你是否真的理解 agent / workflow / prompt 三种方案的适用边界。• Prompt+大模型：适合单轮、无外部依赖的简单任务。快，成本低，但上限也低• Workflow：适合多步骤但路径确定的流程，可以并行调用不同服务，可控性强• Agent：适合路径不确定、需要自主规划和工具调用的复杂任务，灵活但稳定性差面试官追问「觉得没有必要用 agent，让我说 agent 具体做了什么」——说明你的 agent 场景没能说服他。核心问题是：你无法清晰说出 agent 在这个场景下的不可替代性。如果 workflow 也能做，那你为什么要上 agent？答题框架： ①先承认「这个场景确实可以考虑更轻的方案」②然后说明为什么在这个场景选了 agent（比如说，用户的输入不可预测、需要动态选择工具链）③最后给出 agent 带来了什么 tradeoff（灵活性 vs 稳定性）───原题2： agent 使用弊端拆解： 这题考的是对技术的批判性认知。很多候选人用 agent 只会说好处，说不出弊端=你不懂。agent 的弊端至少四点：1. 稳定性差——自主决策意味着结果不可控，同样的输入可能产生不同输出2. 调试困难——不像 workflow 可以逐节点排查，agent 的黑箱决策链路很难定位问题3. 成本高——多次 LLM 调用+工具调用，token 消耗远高于单次 prompt4. 循环风险——ReAct 模式下可能陷入无限重试关键： 能说出弊端并给出 mitigation 方案才是高分答案。比如「为了解决稳定性问题，我们加了最大步数限制 + 关键节点人工审核 + fallback 到规则兜底」。───原题3： 用过飞书多维表格吗？用过哪些模块的功能？拆解： 不是闲聊。飞书AI产品岗必考题。考的是你对飞书生态的理解深度——多维也表格是飞书 AI 的核心载体之一（数据存储+工作流引擎）。说不出具体模块=没用过=对产品理解停留在表面。建议：投飞书 AI 岗之前，至少把多维表格的公式、自动化、仪表盘、AI 字段这几个核心能力吃透。通过cli发现的不错面经，如有侵权请联系删帖。

投麻了，0offer目前力扣刷了120道左右