面试深挖 AI 项目特别爱连环追问，高频问题特别集中：为什么选用这个模型而非其他版本？RAG 分块和检索策略是怎么考量的？项目存在哪些真实 bad case，又是如何优化的？还会拷打 Agent 任务拆解逻辑、怎么规避大模型幻觉、有没有做性能和成本调优。很多人只会搭框架说不出底层思考，很容易被问懵。建议提前梳理选型理由、项目短板与迭代方案，把细节逻辑吃透，才能从容应对深度提问。

第一个是本地知识库问答。把自己的笔记、PDF、文档喂给模型，做一个能检索能问答的系统。技术栈就是LangChain加向量数据库，难度不高但涉及RAG全流程，面试官最爱问这个，你踩过坑就能聊很久。第二个是Agent自动化工具。找一个你自己真实的重复性工作，让AI帮你自动完成。比如自动抓招聘信息整理成表格、自动总结每天的技术新闻发到邮件。场景越真实越好，面试时说这个工具我自己每天在用比任何包装都有说服力。第三个是模型微调。找一个垂直领域的开源数据集，拿Llama或者Qwen跑一次LoRA微调。不需要效果多好，重要的是你走通了训练评估部署全流程，这个经历很少人有，写进简历直接拉开差距。这三个项目有个...

1、问项目 2、RAG中切分策略有哪些3、RAG中检索到的chunk少，怎么处理4、RAG知识库本身有问题，怎么办5、Pytorch中dataset和dataloader区别6、余弦相似度和欧式距离区别7、期望薪资8、反问半小时多点，结束

技术面自我介绍一下。你做过的哪个项目最能体现你的能力。简单介绍一下这个项目。哪个模块最能体现你的能力？点赞系统中说“通过 Lua 脚本保证原子性”，保证的什么原子性？点赞并发处理能力提升了 5 倍，是基于原本什么方案提升了 5 倍？5 倍是怎么测出来的？说一下你的排行榜功能是怎么设计的，这个数据量有必要分表么？XXL-JOB 分片任务干了什么？在这个过程中有异常情况吗？你觉得你哪个方向比较突出？你在上一份工作中的收获是什么？如果不用 Redis 缓存，让你自己实现一个有 TTL 的 K-V 缓存，只能用 Java API，你会怎么设计？你会如设计测试用例来测试这个组件？你平常生活的时间安排是这...