阿里 AI应用研发一面凉经-攒人品

之前已经电话面过，这回为正式一面。一、 实习项目拷打实习，不方便透露；二、 高并发演进与 MQ 消息中间件1. 性能优化演进、详细描述 AI 用例缺陷审查任务的优化过程面对 1~2 亿条msg的突发消息洪峰（MQ 压力极大），除了单机单线程处理，还有什么更好的架构级解决方案？2. RabbitMQ vs RocketMQ 技术选型请对比 RabbitMQ 和 RocketMQ 的底层架构与优缺点。这两种 MQ 分别适用于什么样的业务场景？RocketMQ 的 ACK 机制和消息重发机制是怎样的？如何在这两种 MQ 中实现顺序消费？如何支持分布式事务消息？三、 AI Agent 与 RAG 架构设计1. RAG的痛点与优化如何解决 RAG 检索出来的知识忠实度不够、回答有偏差的问题？对于长文档（如 200~300M 包含图片的文档），Chunk（文本块）的切分策略是怎样的？大模型上下文窗口变大后（如从 256K 提升至 1M），如何解决“中间遗忘 (Lost in the middle)”的问题？2. Agent 编排与大模型框架在简单的问答任务和复杂的配置任务中，分别采用了哪种 Agent 架构？MAS 多智能体架构在处理复杂任务时有什么明显的缺点？为什么选择 Spring AI 框架？在实际使用中发现它有什么缺陷？四、 场景架构题与 AI 评测机制1. Agent 评测体系 (Eval)你们通过哪些指标来评测 Agent 的表现？如何定义和评判一个回答是否是“高分回答”？2. 真实大厂高容错场景设计场景描述： 如果将你的 AI 配置助手放在天猫商家/运营的真实环境中，面对成千上万的用户请求，必须保证极高的容错率和准确率。同时，真实用户的反馈收集率通常极低（万分之几）。问题要求： 在此背景下，如何升级你的系统架构？如何进行自动化的投放与评测闭环？【无论过没过，双非本科能面淘天已经非常感谢🙏🙏🙏】

携程的面试官给人也非常的友好；1.自我介绍；2.开始狠狠拷打项目，面试官也会引导我进行一些题目的回答；3.全程就问了一个八股：乐观锁和悲观锁，以及CAS操作；4.手撕LRU缓存

攒人品中～ 1.项目拷打2.重点聊了AI项目设计和质量保证3.被深挖了一段实习经历，问得比较细致4.Java基础问得挺全：ArrayList/List区别、扩容为啥是1.5倍、HashMap原理和key要求5.redis几种基本数据结构6.redis如何保证数据不丢失7.redis集群有哪些方式8.什么是分布式系统中的CAP定理？如何权衡？9.MySQL的事务隔离级别有哪些？各自解决什么问题？

1. Agent 和传统 workflow 的本质区别是什么，什么时候该选 Agent，什么时候不该选传统 workflow 的核心是路径预定义，系统知道每一步做什么、怎么流转、失败后怎么回退，所以它更适合规则清晰、链路稳定、审计要求高的场景。Agent 的核心则是把部分决策权交给模型，让它在运行时决定下一步查什么、调什么工具、如何分解任务，因此更适合任务开放、输入噪声大、解法不唯一的场景。真正的分界线不在“有没有模型”，而在“是否允许运行时规划”。如果目标是工单分类、审批流转、固定字段抽取，workflow 往往更稳；如果目标是复杂排障、代码仓库理解、跨工具探索式分析，Agent 才更有价值...