TCL鸿鹄实验室二面

这篇继续盘点一下后端转 AI 方向面试时，最容易被面试官“扒皮”的几个工程落地场景。全是实打实的干货，希望能帮兄弟们避坑。

一、 RAG（检索增强生成）的全链路拆解
面试官极其看重你怎么把企业文档变成知识库的。这块如果你只是个纯调包侠（只会调 LangChain 的 API），被稍微一深挖绝对露馅。
我跟他完整勾勒了整条数据流水线：从文档解析，到文本切片（Chunking）。这里有个加分项：一定要提**“按长度切分并保留 Overlap（重叠区）”**，这样能保证上下文语义不断裂。
至于向量库选型，别干巴巴地只说一个。我给出的方案是：数据量极大、分布式要求高的场景直接上 Milvus；而轻量级、或者需要和传统关系型数据强绑定的场景，用 pgvector。顺带提一嘴查询时用的是“混合检索（Keyword + Vector）”，召回的精准度会靠谱很多。

二、 大模型幻觉与 Prompt 约束兜底
面试官必问：大模型胡说八道、乱承诺怎么办？对付这个，咱们后端有常规的三板斧：
控参数： 调低模型生成时的 Temperature 参数，直接把发散性和创造性压下来。
强指令： 在 Prompt 里加入极其严格的系统级指令兜底（比如：“如果你不知道，请直接回答不知道，严禁编造信息”）。
引入 Few-Shot（少样本提示），给几个标准的问答 Case，把它的输出格式和边界死死限制住。

三、 核心痛点：用 RocketMQ 做异步解耦与削峰
AI 接口耗时极长，这是通病。面试时必须明确态度：大模型打分或推理，绝对不能同步阻塞主流程。
当时的解法是：用户发消息后，聊天服务只管快速落库，然后立刻往 RocketMQ 里丢一条异步消息返回给前端。后端的打分微服务作为消费者，在后台慢慢跑，调完大模型再去更新数据库。
进阶防坑： 面试官听到 MQ 肯定会追问重复消费。记得补一句：“我在消费端的 Java 代码里做了防重，基于业务主键（SessionID + MsgID）在 Redis 里做了 Key 校验，或者在 MySQL 用唯一索引兜底。坚决不能让大模型对同一条记录重复打分，浪费 Token 算力。”

四、 全双工流式交互（WebSocket + SSE）
解决 AI 响应慢导致用户吃灰的问题，还得靠前端流式输出。
我重点聊了用 SSE（Server-Sent Events）和 WebSocket 技术，把大模型的响应“逐字”推给前端，而不是傻等到全部生成完再返回，这样能把首字延迟（TTFB）压到极致。
进阶防坑： 聊流式交互必问断线处理。我们在网关层（如 Netty 构建的 WebSocket 集群）加了心跳保活机制（Ping-Pong）。一旦检测到死链接，立刻释放后端线程池资源；同时客户端配合自动重连和断点续传逻辑，保证流式数据不丢字。
#AI求职实录#