美团一面凉经（70min严刑拷打）

虾皮、美团的面试官都很好，会引导性地问问题，对于提出的方案首先会给予肯定，然后再去提问。全程感觉有被尊重，即使没过，也是学到了很多东西。不想某些公司，搞压力面试，不断地否定你，甚至有的还不开摄像头，一点礼貌都没有，有时候面到一半都想关机睡觉，希望面试官多一些理解和尊重，不要觉得高人一等。

1.自我介绍2.深度参与项目，产出3.OCR为撒做文件识别；部署的哪个4.传统的读取pdf docx api sdk有用过吗5.文本内容为啥还要用ocr6.pdf 图片内容；图片，图表的理解，怎么做；饼状图，折线图怎么提取语义信息7.ocr背后的原理，给一个饼图，然后怎么输出内容8.是否真的了解怎么识别 占比 类比这样的语义识别9.有看过ocr调用，语义保留这样的指标的评估10.怎么做评估；完全识别的指标又是怎么评估；九十分一百分怎么打分完全识别11.图表识别怎么评估打分，怎么评判，有哪些依据12.为啥选768维度13.讲下embedding模型，怎么做embedding14.embedding模型底层；什么是token；为撒100wtoken最大token数15.大语言模型参数了解吗；在显存消耗的哪个层面消耗的16transfomer词表是怎么构建的吗17.ES怎么构建的；这里面的关键词怎么构建的；BM25基于什么原理18.一部分milvus语义召回，一部分ES关键词召回；怎么返回用户的19.精排维度是多少，原理是什么20.rerank精排基于什么；为撒精排效果更好21.你觉得这些策略涉及有哪些问题；讲了四个问题权重；向量维度；双向量检索的策略；切分策略（切分维度）22.针对上述的你提的问题，说出自己解法23.最核心的一个指标的什么；最核心的指标；归纳出最核心的一个综合指标24.function calling mcp skill，解释概念；用到什么场景；分别解决了什么问题答得不好25.prompt engining ，context  engining，hareness enginering 解释什么问题答得不好26.抽象类和接口却别27.jvm内存回收；什么情况下适合标记清除，什么标记整理28存活时间怎么定义这里列下六个ai概念和解释24. Function Calling、MCP、Skill：概念、场景与解决的问题这三个概念其实代表了 AI 智能体（Agent）与工具交互的三个不同层级：底层协议、通信标准、业务封装。1. Function Calling (函数调用)概念：这是大模型的一种底层能力。它让模型不仅能输出文本，还能输出结构化的数据（如 JSON），告诉程序“我要调用哪个函数，参数是什么”。解决的问题：解决了“模型说不清楚，程序读不懂”的问题。它打破了模型只能聊天的限制，让模型有了“手”，能触发外部动作。场景：简单的工具调用：查天气、计算器、查询数据库。提取结构化信息：把用户的一段话转换成 JSON 对象。2. MCP (Model Context Protocol，模型上下文协议)概念：由 Anthropic 提出的标准化通信协议。你可以把它理解为 AI 界的 USB-C 接口。它定义了一套标准，让 AI 应用（Client）能统一地连接到各种数据源和工具（Server）。解决的问题：解决了“连接碎片化”和“上下文孤岛”的问题。以前每接一个工具都要写一套适配代码，现在只要工具支持 MCP 协议，AI 就能直接连，不用重复造轮子。场景：企业级应用集成：统一连接本地文件、Google Drive、Slack、GitHub 等。跨平台工具共享：开发者开发一个 MCP Server，所有支持 MCP 的 AI 客户端都能用。3. Skill (技能)概念：这是面向业务的能力封装。它通常是一个包含指令、脚本、资源和提示词的“文件夹”或集合。Skill 往往基于 Function Calling 构建，但更复杂。解决的问题：解决了“工具零散，无法完成复杂业务”的问题。它把一个个原子化的函数（如“查航班”、“查酒店”）组合成一个有意义的业务能力（如“订机酒套餐”）。场景：复杂任务处理：比如“帮我策划一次旅行”，Skill 会自动规划步骤，依次调用查天气、订机票、订酒店的函数。垂直领域专家：比如“法律助手 Skill”，里面封装了查法条、写文书的特定流程和提示词。📌 总结对比表表格概念本质定位核心解决问题形象比喻Function Calling底层交互协议模型输出结构化指令神经信号（告诉手要动）MCP通信与调度层统一连接标准，避免重复开发USB 接口（通用插头）Skill业务能力层复杂任务编排与封装操作手册（怎么做菜）🧠 25. Prompt Engineering、Context Engineering、Harness Engineering这三个概念代表了 AI 应用开发从“手工作坊”到“系统工程”的进化过程。1. Prompt Engineering (提示词工程)解释：这是最早期的阶段。核心是“写咒语”。通过精心设计自然语言指令（如“你是一个专家，请一步步思考...”），引导模型输出更好的结果。局限：它是一次性的、静态的。如果任务太复杂，光靠一段话很难控制模型。2. Context Engineering (上下文工程)解释：这是目前的主流趋势。核心是“构建信息流水线”。它不再只关注那一句提示词，而是关注如何把最有效的信息（知识、历史、工具描述）在恰当的时机喂给模型。它包括 RAG（检索增强）、记忆管理、摘要压缩等技术。解决问题：解决了模型“记性差”、“知识过时”和“幻觉”问题。它把模型从一个“聊天机器人”变成了一个“拥有外部知识库的专家”。3. Harness Engineering (编排工程/智能体工程)注：Harness 在这里通常指“智具编排”或“系统 harness”，类似于 LangChain 或 AutoGen 这类框架所做的工作。解释：这是最高阶的阶段。核心是“系统级管控”。它不仅仅是给信息，而是设计一个工作流。比如：先让模型 A 写代码，再让模型 B 审查代码，如果报错再让模型 A 修改。它涉及多智能体协作、循环反馈、工具调用的逻辑编排。解决问题：解决了复杂任务的自动化执行和可靠性问题。📌 一句话总结进化史Prompt Engineering：教模型“怎么说话”。Context Engineering：给模型“参考资料和记忆”。Harness Engineering：给模型“ teammates（队友）和工作流程”。

1. 提供了一些链表基础方法（add，remove等），要求补充这些方法，使其能够运行。2. 考察写出的链表是否是线程安全3. 考察LinkedList、HashMap的底层4. 考察IoC及底层5. 考察AOP及底层6. 数据库的索引种类，及B+树的具体实现7. 索引失效8. ACID9. 脏读幻读不可重复读10. 事务隔离级别11. MVCC12. redis的底层数据结构13. redis的具体分布式方案14. 哨兵模式15.拷打项目16. 项目中遇到的问题17. 未来职业规划问的很多，其实是我不少没答上。鼠鼠没怎么做万全准备就上去面试了，面完2小时后官网直接挂，希望看到此贴的同学们引以为戒。TME面试经验区中可以看出问的问题许多都没怎么变，这下属实吃亏了。

4.1投递并约面4.2面试无手撕，30分钟，基本就是问实习和项目，外加点场景题，八股相对来说比较少主要是结合实习来问1、自我介绍2、AI生成代码速度快但质量不稳定，你会选择效率还是质量？为什么？3、平时写代码都用过什么AIcoding工具4、用这些工具写代码你感觉代码质量如何，可用性可行性怎么样，写完之后自己会去学习吗5、我看你简历用了实习公司内部的线程池，那Java原生线程池中的核心线程数和最大线程数如何根据业务场景来评估6、ThreadLocal内存泄漏7、引入TTL解决实习遇到的问题的核心原理8、Redission看门狗机制9、where a=1 and c=3，联合索引是abc，索引会生效吗，为什么，c不生效的话a会生效吗10、实习中这个业务用到了策略模式和工厂模式，那在Spring容器中你是怎么管理这些策略实现类的注入的，整个流程讲一下11、在商品详情页场景下，怎么解决缓存击穿热带key过期的问题，结合业务说解决方法12、G1垃圾回收器相对于CMS的优势是什么13、CAS的ABA问题解释一下，如何避免这个问题14、SpringBoot的自动装配原理15、实习的这个定时任务优化是怎么优化的，技术层面，数据库层面怎么优化的16、实习中SAP和数据库的数据同步是怎么处理的，怎么保证他唯一性和一致性并且不会出现脏数据17、实习业务除了用到了Redis锁防止并发问题，那在数据库层面你会怎么解决这个超卖价格覆盖呢，怎么设计18、举一个实习中具体优化查询的案例19、如果是让你做的这个需求的话·，你在做表设计的时候你会考虑这些索引的创建吗，还是发现问题之后再去优化呢20、你那个agent项目文档分块是怎么分块，为什么要这么分，有没有更好的分块方法21、除了项目的向量数据库还了解其他向量数据库吗，你为什么要选择这个向量数据库22、如果业务方向调整，AI的回答风格从严谨变到幽默，这个系统如何实现不重启就可以生效呢23、Nacos和Apollo了解吗24、Java怎么调用Python25、用过openclaw吗，用来干嘛（我说拿来炒股，面试官笑了，问我效果怎么样）26、openclaw除了炒股还能用到哪些场景呢27、AI动漫、AI短剧、AI漫剧了解多少28、AI除了内容创作之外还有其他作用吗29、反问：有二面吗30、反问：具体业务