阿里 ai应用研发工程师 一面（60min）

继续来分享下最近的面经~欢迎友好讨论，信息共享1. 实习拷打2. 在RAG系统中，它一般的召回阶段的排序策略通常有哪些？如果一个用户在召回的时候，他的查询是一些长尾或者是语义模糊的关键词，你怎么去提升这个召回的准确率？3. 召回排序的过程有几个阶段或几个层次？4. 有哪些方式可以改写Query，为什么能够提升这个召回精准度？5. RRF融合中，它的K参数一般取值是多少？大一点、小一点对结果有什么影响？6. 在你的项目里面，实际召回中有遇到不准的情况吗？在你们这个提升准确率的过程中，你们去做了哪些事情去提升，怎么做？7. 如果在查询中间，输入的一些极其模糊的表达，在实际工程中间要怎么去做呢？8. 那如果要做这么一个AI，你具体怎么去提示他，怎么去做？遇到这种一次性说不清楚话的用户，那你这个agent怎么去解决这一类的问题？9. 怎么去降低整个项目的一个幻觉？从数据、检索和生成这三个方面去阐述一下10. Agent项目如何设计评测方案11. 后端压测性能优化，如何定位问题之后是两个场景题：1. 假如需要你去设计一个电商客服agent的评测方案。这个agent主要有三类任务：商品咨询、售后咨询、还有投诉安抚。你需要去设计一个完整的评价系统，主要包括测评的维度指标，以及数据集的构成构建方案。然后如何区分这个agent到底是好还是坏，你怎么去设计？比如说我们就开发了一个这样的客服系统跑在线上，你总得有一些衡量的指标，你怎么去建这个衡量指标，怎么得出来这个agent是比较好的、比较提效的？比如说在安抚这个场景，用户的满意度是很难去衡量的，那你需要假如说让你设计一些指标，或选取一些指标去衡量用户是否满意，你觉得怎么去提取或者是设计这个指标？2. 假如让你负责一个文本转SQL的模型训练集的构建，你只有500条真实标注样本，需要你去覆盖200多个查询模式（单表查询、多表连接、聚合查询等等），需要你设计一个完整的数据生产流，包括合成策略、怎么控制质量，以及怎么去迭代优化，你怎么去设计？再之后是两道ai coding

面试时间： 5.21技术栈： Agent、Java、Python、Node、SQL、前端面试题目1.自我介绍2.新闻数据来源、数量规模如何存储，数据库表如何设计的，存哪些字段数据来源：RSS 订阅、爬虫抓取、第三方 API（如 NewsAPI）。存储规模达百万级时采用分库分表或时序分区。表设计核心字段：id、title、content、source、publish_time、category、embedding_vector（外链向量库）、create_time。按发布时间做范围分区，热数据放近期分区加速查询。3.新闻向量数据库如何分区？文本编码方式，新闻词嵌入，如何召回，编码方式和召回方式如...

感觉面完人都通透了，还是太菜了，下去沉淀一下1. 介绍一下Agent项目，数据量大概多大，向量数据库如何选型，执行流程介绍一下2. 加入升级向量化模型，怎么保证索引和检索向量的逻辑一致性3. Agent的调优是如何评估的，评测集是怎么做出来的，讲一两个调优完成效果比较好的case4. 有做过模型微调相关的工作吗5. 数据量和QPS增大，agent架构如何改进，需要的硬件大概是什么样的；对RT要求比较高的话，怎么部署和加速，采用什么样的GPU6. 有没有自己部署过推理服务，有没有做一些优化，比如算子融合或者IO瓶颈7. AI coding工具哪个比较好用，研发效率能提升多少，AI coding在项目中的占比大概多少

开发你的agent的时候，用的是什么流程？为什么用这个流程？ 用的是React流程：先推理->调用工具执行->观察 循环迭代知道任务全部完成 适合工具调用场景：ReAct 的流程天然适合工具调用，因为每一步都可以根据上一步的观察结果决定下一步做什么。 可解释性比较强：ReAct 的执行轨迹通常比较清楚 容错能力更好：如果工具返回失败、结果不完整，ReAct 可以继续调整策略 模型和 Agent 的区别是什么？ 模型只负责输出，不能自主感知、自主决策、自主执行，而Agent可以自主感知、自主决策、自主执行 自主感知：环境输入获取能力 自主决策：基于当前状态选择下一步做什么 自主执行：...