AI面试问题分享

首先理清头绪，三个问题：用户是谁？他们要解决什么问题？我手里有什么资源？第一步，分析并理清分层逻辑。用户进来第一句话，我得先判断这人是来干嘛的。是来骂人的？是来问路的？还是来调戏机器人的？我会用一个轻量级的分类模型（比如BERT微调）快速识别意图。如果是骂人、涉政、或者明显想搞事情，直接转人工或者礼貌结束对话。别让模型跟用户对骂，那是灾难。第二步，高频回答。大多数用户问的都是重复问题：退货政策、物流查询、改地址。这一层我用RAG，把知识库里的标准答案检索出来生成回复。要求是快、准、稳，温度设到0.1，不要有任何创造性，照着文档念就行。第三步，多轮任务。如果用户说“我要退货”，这就不是一问一答能解决的了。需要进入一个状态机：先问订单号，再查订单状态，确认是否在退货期内，然后生成退货地址，最后通知仓库。这一层我会上Agent，让它调用后端的API，每一步都向用户确认，走完整个流程。第四步，转人工。这是最重要的安全网。当模型连续两次不确定、用户情绪检测为负面、或者用户明确说“我要找人工”时，必须无缝转接，并且把对话摘要一起带过去，让人工客服不用重复问一遍。难点一，多轮对话的“失忆症”用户：我的订单怎么还没到？客服：请问您的订单号是多少？用户：123456客服：好的，查询到您的订单已发货，预计明天到达。用户：那它多少钱？这个“它”指的是什么？是订单总价？还是运费？还是某个商品的价格？模型如果忘了上文，就会乱猜。我们尝试了两种方法：一是显式维护上下文状态，把每轮的关键实体（订单号、商品名、价格）抽出来存着；二是在查询改写时，把“它”替换成上一轮提到的实体。但有个坑：如果上一轮提到了多个实体，改哪个？这时候需要模型判断指代的是什么。多轮对话做到最后，你会发现它其实是半个“推理问题”。难点二，情绪的“温度计”用户明显已经生气了，但模型还在机械地回复“请问还有什么可以帮您”。用户直接炸了，发了一长串感叹号。加了一个情绪识别模块，实时分析用户输入的情感分数。一旦低于某个阈值（比如负面情绪强烈），立刻触发两个动作：第一，回复语气变得特别客气（“非常抱歉给您带来不便…”）；第二，如果用户持续负面，直接转人工。客服的第一原则不是解决问题，而是安抚情绪。 情绪没稳住，问题解决了用户也不满意。不能指望一个模型解决所有问题。要设计的是一个系统，让模型、规则、API、人工各司其职。用户不会因为是AI就降低要求，他们只在乎“我的问题解决了吗”、“我等了多久”、“你态度好不好”。

1、为什么引入父子索引，为什么引入 BM25，比例是怎样的，具体流程是什么，有没有 rerank父子索引主要是为了解决 切块后召回准，但是上下文不完整 的问题。如果文档直接按 300～500 token 切成小块做向量检索，确实更容易召回到具体答案，但很容易丢掉原文结构，比如标题、段落关系、表格上下文、前后约束条件。所以会把文档拆成两层：父块：保留完整语义单元，通常是 800～1500 token子块：用于召回，通常是 200～400 token检索时先搜子块，命中后回源到对应父块，再把父块内容喂给大模型。这样既保证召回精度，也保证上下文完整性。引入 BM25 是因为向量检索对语义相似比较敏感...

一、基础必问题（100% 会问，送分题别丢分）什么是大模型幻觉？产生的根本原因是什么？解释一下 RAG 的核心流程，它解决了什么问题？什么是 Prompt 工程？你常用的 Prompt 优化技巧有哪些？大模型的微调、预训练、RAG 三者的区别和适用场景是什么？什么是向量数据库？在 AI 应用里它的核心作用是什么？二、进阶高频题（拉开差距，核心考察实战能力）RAG 检索准确率低怎么优化？说一下你的完整优化思路实际业务中，你会用哪些方法解决大模型幻觉问题？解释一下 MCP 协议是什么？它在 AI Agent 开发里的核心价值是什么？什么是 AI Agent？它的核心组成模块有哪些？大模型推理速度慢、显存占用高，你会用哪些方法做优化？三、场景开放题（终面必问，考察落地思维）如果让你给公司做一个内部知识库 AI 助手，你会怎么设计完整的技术方案？大模型落地业务时，如何平衡效果、成本和安全性？AI 面试，基础概念是门槛，工程落地能力是核心，场景化思维是拉开差距的关键。

最近投了几下都约不到面😨😨还是太菜了😓😓😓哥哥们有啥意见😢😢