金山办公 新未来训练营

1. 自我介绍2. 具体说说实习项目中优化的两个方法？3. 说说地图瓦片的理解。4. 说说本地寻路算法有精确解吗？5. HTTP缓存？6. cache-control中叫什么缓存？7. 协商缓存和强缓存？分别有什么应用场景？8. Nginx和构建工具中，如何利用缓存管理静态资源的？9. 跨域问题，什么情况会跨域？10. 前端的存储有哪几种？11. Local Storage和Session Storage区别？12. Vue2中组件通信？13. Vue2和Vue3的区别？14. 除了this.$set 还有什么方法可以维持响应式？15. webpack和vite用过吗?16. 使用GIT时出现冲突怎么解决的？17. 面向对象中有那几个特性18. 对TS了解有多少？19. 你觉得PostgreSQL和MongoDB的区别在哪里？或者说用的时候爽点在哪里？20. 了解websocket吗反问1. 你们在做什么？> 目前在做监测平台，检测工厂组件是否正常？使用Vue3+ Vite + TS

实习经历 项目经历Redux原理Git常用命令rebase作用JS垃圾回收常见跨域方法算法题：数据流中的中位数浏览器渲染原理React Fiber架构Vue3新特性TypeScript泛型前端工程化实践

3.12 纯拷打项目，全是情景题，只有一面从第一个项目到最后一个项目轮流拷打，接着问情景题，两个面试官，面试官人挺好的，最后把我的彩色单页打印的简历还我了

小红书|字节|京东|快手|拼多多|滴滴|得物|携程等前端面试AI频繁题目1. SSE 与 WebSocket 区别- 通信方向：SSE 是服务端单向推送给客户端，WebSocket 是双向全双工- 协议：SSE 基于 HTTP，WebSocket 是独立的 ws/wss 协议- 数据类型：SSE 只支持文本，WebSocket 支持文本和二进制- 重连：SSE 浏览器自带自动重连，WebSocket 需要自己写心跳和重连- 使用成本：SSE 非常简单，前端用 EventSource 就行；WebSocket 需要服务端支持协议升级- 适用场景：SSE 适合通知、日志流、AI 流式输出；WebSocket 适合聊天、游戏、协同编辑、直播简单理解：SSE：客户端连上去，服务器一直发消息过来WebSocket：客户端和服务器随时可以互相发消息---2. 对 AI 基本概念了解：RAG、Agent、FunctionCall、MCP、Skills- RAG：先检索外部资料，再让模型回答，用来解决模型瞎编、知识过时的问题- Agent：能自己思考、做计划、调用工具、一步步完成任务的智能体- FunctionCall：模型调用外部接口或函数的标准方式，比如查天气、查数据库- MCP：模型和外部系统、工具之间通信的统一协议，方便对接各种能力- Skills：把常用功能封装成可复用的技能，比如写代码、生成图表、总结文档它们的关系：用户提需求 → Agent 作为大脑 → 用 RAG 查资料、用 FunctionCall 调工具、用 Skills 执行能力 → 通信靠 MCP 协议---3. 个人 AI 技能了解（可直接背）- 了解大模型基本原理和提示词工程- 能基于 RAG 搭建私有知识库问答- 理解 Agent 工作流程，会使用 FunctionCall- 能做前端+AI 项目，比如对话界面、流式输出- 了解多 Agent 协作和常用框架- 能独立完成需求拆解、AI 方案设计与落地---4. 了解主流模型有哪些及各自特点、应用场景国际模型：- GPT-4o：综合能力最强，多模态好，代码、推理都很强- Gemini：谷歌多模态，图片、视频理解能力突出- Claude：擅长超长文本，安全性、合规性好- Llama：开源模型，可以本地部署、二次开发国内模型：- 文心一言：中文理解好，知识覆盖全面- 通义千问：阿里生态，适合电商、客服、业务系统- 讯飞星火：语音能力强，教育、医疗场景多- Kimi：超长上下文，适合读文档、总结资料---5. 用了什么 IDE 以及对比- VS Code：生态最丰富、轻量、插件多，日常开发主力- WebStorm：智能提示、代码重构强，适合大型项目和团队- Cursor：AI 原生编辑器，代码生成、对话一体，AI 开发首选- Zed：启动快、操作流畅，追求高效编码可以用总结：日常用 VS Code，AI 开发用 Cursor，大型项目用 WebStorm。---6. 多 Agent 有了解吗多 Agent 就是多个智能体分工合作，像一个团队一起完成复杂任务。- 分工：有的负责规划，有的负责搜索，有的负责写代码，有的负责测试- 通信：智能体之间可以传递信息、对齐目标- 优点：复杂任务更稳定、逻辑更清晰、更容易维护- 常用框架：AutoGen、CrewAI、LangGraph简单流程：用户提需求 → 主管 Agent 分配任务 → 各个智能体分别执行 → 汇总结果返回给用户---7. AI 在实习部门中应用场景- 智能客服、内部问答：用 RAG + 对话界面- 代码生成、自动补全、代码解释：用 Cursor、Copilot 这类工具- 需求文档、接口文档自动生成与总结- 前端页面自动生成：根据描述或草图生成代码- 数据可视化、报表自动生成：自然语言转图表- 测试用例、测试脚本自动生成---8. Agent 底层原理：ReAct、Transformer 了解ReAct：- 就是推理 + 行动- 流程：先思考要做什么 → 调用工具或执行动作 → 观察结果 → 再思考 → 直到完成任务- 是现在大多数智能体的核心逻辑Transformer：- 是现在所有大模型的基础架构- 核心是自注意力机制，能理解上下文、语义关联- 前端层面只要知道：它是模型用来理解语言、生成内容的底层结构---9. 现有需求如何用 AI 实现：拆解小需求、AI 规划、实现、测试，包含 /plan、/spec标准流程：1. 需求拆解：把大需求拆成小模块，明确每个模块做什么2. AI 规划 /plan：明确目标、执行步骤、输入输出、依赖项、时间安排3. 方案设计 /spec：确定接口、数据结构、页面逻辑、提示词、异常处理4. 实现：前端界面 + 模型调用 + RAG 或 FunctionCall 集成5. 测试：测试功能是否正常、有没有幻觉、流式输出是否稳定、异常情况是否处理6. 上线与优化：根据效果迭代提示词、流程、模型参数简单模板：/plan：目标 → 步骤 → 分工 → 时间/spec：接口 → 字段 → 页面 → 提示词 → 异常处理