先用好ai工具

继续来分享下最近的面经~欢迎友好讨论，信息共享1. 项目拷打2. 训练数据是怎么构建的，大概有多少量；测试集如何构建3. lm和这个项目是如何嵌入的4. rag项目的springboot框架的版本5. 项目中遇到问题解决问题的能力6. 主要提到一个项目中用的ai大模型7. 用llm技术重构系统8. 多轮对话相关存储 记忆 解决方案 这个问了好多9. rag怎么设计的10. Attention本质是什么？从向量空间变换角度解释11. 多轮对话中Attention如何导致历史信息衰减？12. RAG的chunk优化策略有哪些？怎么评估检索相关性13. 多工具调度模块如何解决冲突检测？14. 工具调用超时后的降级方案设计15. Prompt优化模块的A/B测试方案16. 为什么你在项目中选择用 Qwen 的模型而不用内部模型；文本检索时有 embedding 初步排序和重排两种模型可选，为什么选择 Rerank 方式做重排，而非其他重排方式

攒人品中，祝大家都能拿到满意的Offer！1. 目前你的每月AI消耗的token量是多少？花费是多少？2. RAG系统中，超过了模型上下文窗口怎么处理？3. RAG相比于目前的各种coding agent，他的优势在哪里？4. Multi-Agent系统和单Agent系统的优缺点？什么时候选用？5. pipeline中如果其中一个agent出错了，产生错误输出，下游agent该如何处理？6. 介绍ReAct、Plan、Reflection这些不同agent实现范式的区别，还有使用场景的理解。7. 什么样才是一个好的agent？从工程角度来说，做一个好的agent需要关注哪些方面？从这个Context Engineering的思路，如何去做好一个生产级的agent？9. 你有没有尝试用AI解决工作/生活/学习中的一些问题？改变了一些重复性劳动的方式？10. 算法：AI coding题，要求实现一个工单处理系统。

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🙏🙏🙏】

感觉自己好菜、面试很难，还是要多多练习1. 介绍一下ReAct范式和Plan and Execute范式？这两种范式的应用场景是什么？2. 什么情况下用ReAct，什么情况下用Plan and Execute？3. 介绍一下Multi-Agent？是如何共享上下文的？子Agent会使用父Agent的所有Context吗？4. 场景题：现在需要设计智能客服Agent，根据用户的提问来进行尽可能准确的回答，你觉得该如何设计？需要考虑哪些方面？5. 如何避免这个场景下模型的幻觉问题？6. 对于这样的Agent服务，电商大促的时候，流量大，有流量尖刺的情况下，如何解决？7. JVM调优时，如何查看内存对象的情况？有了解过开源工具吗？8. 如果你实习新到一个部门，你会如何在两周内快速上手业务逻辑？你该如何弄清楚微服务之间的调用关系？9. SSE和WebSocket的区别？