非技术岗面试通用经验

1.自我介绍和技术背景2.问项目，问聚合支付项目是否做过压力测试，能支持多少QPS。问了项目中的熔断做了什么，怎么实现的熔断那里用Hystrix实现，返回保底数据。压力测试我不清楚说多少合适，就说没做过压力测试3.系统困难点和收获困难点我就回答的在一些逻辑设计方面不太完善，有一些设计缺陷导致给后面的开发挖坑需要花时间弥补。4.是否考虑到高并发的场景，怎么优化后续可通过加锁和多级缓存来优化5.如果系统突然变慢了，应该怎么去排查问题出在哪里  （这里答的不太好因为没考虑过这个问题）我回答去分层排查，先看dao层是不是因为某些sql查询时间过长，然后如果是就看情况加索引、优化sql语句。如果是因  为受到攻击导致系统不稳定可进行请求的监控。6.如果程序运行时，进程突然挂掉，应该怎么排查（ 这里也没答上来）7.说下AOP原理通过动态代理，jdk或cglib，我讲了讲我看过源码，讲了讲动态代理实现以及AOP的应用（日志、方法运行时间记录）8.线程池的参数和工作原理，应用场景9.做过哪些mysql优化  （我答完后他问我还有吗？可能他想听的我没说出来）慢查询、explain分析、选合适的字段加索引（非空、使用频繁且更新不频繁）、避免索引失效（违反最左前缀、使用模糊查询、隐式类型转换、使用函数等）、批量插入代替单个插入，顺序代替乱序，手动控制事务+批处理，更新时where的条件应匹配索引防止行锁升级为表锁等。10.如何解决redis和数据库数据不一致（答得不够好）我答的更新时先更新数据库再删redis，如果先删除redis的话需要在更新数据库后再删一次。11.缓存雪崩或穿透等解决方案防止大量数据集中过期（增加随机过期时间），使用布隆过滤器防止大量请求访问数据库，防止缓存穿透可缓存空值，对访问数据库加锁（使用信号量进行配额），使用多级缓存，进行数据预热并监控。12.未来学习方向，学习新技术是怎么学的

今天接了个面试，腾讯会议视频的形式，完了面试官就让我做了个自我介绍，问了两个很简单的的八股，让我介绍项目（说的乱七八糟）就完了，然后我问了hr说让我等二面，这正常吗ps：有没有人教教我怎么介绍自己的项目啊，不知道该怎么说

1. 什么是MCP参考面试回答：MCP模型上下文协议）是为大型语言模型提供的一个统一标准化接口、让AI能够无缝连接各种外部数据源和工具。可以将它比作AI世界的USB接口—只要遵循这个协议标准、任何数据源或工具都能与语言模型实现即插即用比如说传统的AI只能依赖预训练的静态知识、无法获取实时数据。而通过MCP，模型可以动态访问最新信息、比如查询搜索引擎、读取本地文件、调用第三方API、甚至直接操作各种工具库。比如说可以访问Github、IDEA这个协议最大的价值是标准化、它是MCP的核心价值 - 你不需要为每个AI模型和每个工具之间的连接编写专门的代码、只要双方都支持MCP协议、它们就能自动"对话"。这大大简化了系统集成、降低了开发成本、也提高了系统的可扩展性总结就是 MCP 创建一个通用标准、使 AI 应用程序的开发和集成变得更加简单和统一2. 大模型输出出现重复和幻觉如何解决参考面试回答：在大模型生成内容时、出现重复和幻觉是两个常见的问题。重复指的是模型在生成文本时出现内容重复的现象、而幻觉则是指模型生成了看似合理但实际上不真实或不准确的信息。为了解决这两个问题、可以通过微调（fine-tuning）的方法进行优化为了解决这些问题、首先微调是非常有效的手段。首先可以确保用于训练的数据质量、要高质量的真实的信息。我们可以减少模型学到错误的信息。特别是领域特定的微调、能帮助模型更准确地生成内容，避免在特定领域（比如医疗、金融）中产生幻觉。此外在训练过程中引入惩罚机制、比如对模型生成重复或不准确内容进行惩罚、也能够引导模型生成更为多样和真实的内容。另一个有效的策略是使用参数高效微调（PEFT）、通过像LoRA这样的技术、在不改变模型主体结构的情况下调整部分参数、从而提高微调效率并减少幻觉的产生。同时强化学习与人类反馈（RLHF）也是一种非常有用的方法、结合人类的评价、模型可以在生成内容时更符合实际世界的逻辑，降低幻觉的风险。最后检索增强生成（RAG）技术也能够显著提高模型输出的准确性、通过在生成过程中引入外部知识库、确保模型生成的信息更为真实和可靠。总的来说：通过微调、引入惩罚机制、领域特定训练和强化学习等方法、可以有效减少大模型的重复和幻觉问题3. 什么是RAG？流程是什么？面试参考回答：RAG就是结合信息检索和生成式模型的技术。主要流程包括两个核心环节：检索：基于用户的输入、从外部知识库（如数据库、文档、网页）检索与问题相关的信息。通常使用向量化表示和向量数据库进行语义匹配。将知识库中的文档进行预处理、分块、清洗并转换为向量表示、存储在向量数据库中。常用的如 Faiss、Milvus等向量数据库存储所有文档向量。用户提问后、对问题进行向量化、并在数据库中执行最近邻搜索、找出语义最相近的 N 条内容然后就是增强：也可以说是构建 Prompt1.将检索到的信息作为上下文、输入给生成模型（如 GPT）。2.相比纯生成模型、RAG 能引用真实数据、减少幻觉（胡编乱造）最后就是由将增强后的上下文输入到大型语言模型、综合已有上下文生成最终生成最终的回答或内容。一句话总结: RAG = 向量搜索引擎 + 大模型、让 AI 回答更靠谱、减少幻觉4. RAG的详细完整的工作流程参考面试回答流程：RAG（检索增强生成）的完整流程可分为5个核心阶段：1. 用户提问2. 数据准备：清洗文档、分块处理（如PDF转文本切片）2. 向量化：使用嵌入模型（如BERT、BGE）将文本转为向量。也就是Embedding 向量化3. 索引存储：向量存入数据库（如Milvus、Faiss、Elasticsearch）。4. 检索增强：用户提问向量化后检索相关文档。也就是构建 Prompt (问题 + 检索内容)5. 生成答案：将检索结果与问题组合输入大模型生成回答。5. 在 RAG 中的 Embedding 嵌入是什么参考面试回答：Embedding是RAG系统的核心组件、Embedding（嵌入）技术本质上是将文本、图像等非结构化数据转换为高维向量的过程。在实际应用中Embedding解决了传统关键词检索的局限性。比如用户询问如何煮奶茶时、传统检索可能无法找到包含'奶茶制作步骤'的文档、因为它们字面上不匹配。而通过Embedding、系统能够理解这两个表达在语义上的相似性、从而返回相关内容。Embedding的工作原理是通过深度学习模型（如BERT、Sentence-Transformers等）将文本映射到768维或更高的向量空间。在RAG系统中、Embedding的核心价值在于建立查询和文档之间的语义桥梁。当系统收到用户问题后、会将其转化为向量、然后在预先索引的文档向量库中寻找最相似的内容、无论它们在字面表达上是否匹配。这种基于语义的检索方式大幅提升了信息获取的准确性和完整性、为生成模型提供了更高质量的上下文信息，从而产生更精准的回答6. 什么是LangChain参考面试回答：LangChain 是一个开源框架、专为快速构建复杂的大语言模型应用而设计。简单来说就是它集成和内置了很多我们开发 AI 大模型应用需要的东西、如内置文档加载器、向量数据库、HTTP API 封装、云服务适配器等、让咱们开箱即用、有点像咱们 Java 届的 Spring。它最大的特点是把模型调用、提示词管理、工具使用、记忆管理这些能力模块化了、让开发者可以很方便地把大模型和数据库、搜索引擎、API服务等结合起来，用链式结构组织复杂任务。主要支持复杂任务编排：通过 Chains（链）和 Agents（代理）将多个LLM调用和工具操作组合成工作流以及实现上下文管理Memory（记忆）：通过 Memory 组件（如对话历史缓存、实体关系跟踪）实现长对话连贯性。6. 什么是向量数据库参考面试回答：我的理解是：向量数据库它可以将非结构化数据(如文本、图片、音频等)转换成高维向量的形式进行存储、通过向量数据库预先存储结构化段、实时检索最相关的 Top-K 内容作为上下文输入、并通过高效的相似性搜索算法、快速找到与目标向量最接近的数据项。传统数据库采用存储数据、主要用于精确匹配查询、常用的检索方式就是精确匹配、索引结构有像B+树或者倒排索引的结构。而向量数据库针对高维向量数据优化、支持近似最近邻(ANN)搜索算法、更适合语义相似性搜索。可以理解为TopN系列、检索TopK相关内容作为上下文输入。向量数据库预先向量化并建立索引（如 HNSW、IVF），实现亚秒级检索。代表性的向量数据库就是Milvus：一个开源的向量数据库系统8. 向量数据库的核心原理是什么？核心技术是什么参考面试回答：向量数据库的核心原理是通过将高维数据（如图像、文本）转换为多维向量、并基于相似性度量（如余弦相似度、欧氏距离），利用高效的索引结构和近似最近邻（ANN）算法、快速检索与目标最相似的向量结果。这一过程可概括为三个关键步骤：首先是向量化：我们通过嵌入模型将非结构化数据映射为稠密向量、比如用BERT处理文本、ResNet处理图像、或CLIP处理多模态数据。这些模型能捕获数据的语义或特征信息、通常生成128到2048维的向量其次是索引构建：为了高效检索、我们会采用分层导航小世界图（HNSW）等结构预处理向量。HNSW能将搜索复杂度降至对数级O(log N)。同时我们还会利用乘积量化（PQ）来压缩向量、减少内存占用、以及通过倒排索引（IVF）缩小搜索范围。最后是近似搜索：在实际应用中我们允许一定误差来提升速度。ANN算法会在准确性和效率间寻找平衡点、确保在毫秒级延迟内返回Top-K相似结果、同时保持95%以上的召回率。总的来说就四个核心层：向量化引擎->索引结构 ->相似度计算->搜索原始数据 → 向量化 → 索引构建（HNSW/PQ/LSH） → 输入查询向量 → ANN近似搜索 → 返回Top-K结果（格式明天再改吧___发帖于2025.6.25 00:47）

TL;DR 面了网易云音乐算法一共九次，然而hr前言不搭后语，不断养鱼，我被当猴子一样耍。下面详细讲讲，帮助更多的xdm避雷。早在之前就面过这个岗位了，当时一共面了4轮（3轮技术+1轮hr），但最后没过，后来得知当时是锁HC了，并不是我自己的问题（至于怎么得知的下面会说）。今年5.27在ssob上再次投递了一样的岗位，hr说推荐那边确定人了，问我对广告感不感兴趣（图1），我说可以，随后便加了vx安排后续的流程。加了vx后我发现这个hr好眼熟，发现他就是之前的hr，我就问当时为啥没过，他说我被排序了（图2），但是后来在电话里又说是锁HC了，这种前后不一致的说法让我有些疑惑。后来在一面（技术面）快结束的时候，我反问面试官当初是咋回事，一面面试官也说是锁HC了，并且还说我之前的面试评价很好，所以这次就是聊聊天。因为之前面过了，再加上一面是纯聊天的面试，我就问hr后续的流程是怎样的，hr说2轮技术+一轮总监，不太会有hr面了（图3）。后续快要到总监面的时候，他说总监会跟我微信上简单聊一下，想起来之前hr说过有一轮总监面，我就又向他确认了下到底有没有，结果他说没有，并强调vx上会跟我聊一下。但是直到第二天，也没有人加我vx，我就去催了一下。结果hr又突然改口说需要正式面聊一次并跟我约了下时间（图4）。明明约好的时间结果临近面试的时候突然问我能不能提前，而且总监面的时候，面试官总是打断讲话，让我很没有体验感。到这里说实话其实有点烦了，这种反复横跳只会消磨人的耐心。之前说了不一定有hr面，但后面又说还是需要面一下，因为hr负责人觉得需要过一下，所以还是给我安排了。到这里我已经又面了四次，算上之前的四次一共面了八次。这四次基本是纯聊天，原因是之前的面评不错（面试官说的）。和网易同一时间面试的还有另一家大厂，这家大厂6.10给我发了offer，前前后后也就两周的时间，丝毫不拖泥带水，反观网易，拖拖沓沓，反复横跳，前言不搭后语，已经快要把我耐心耗尽了。所以我在6.10当天问了下hr多久出结果，hr说最晚下周一（图5）。明明当初说只有两轮技术+一轮总监，结果后面不仅加了hr面，还又给我加了一轮推荐技术面，说是要看看把我放广告合适还是推荐合适，并承诺是真的最后一轮。我问hr安排在推荐是出于什么考虑，hr说推荐更着急，更缺人。这我就纳闷了，当初在ssob上明明说的是推荐已经确定人了，怎么现在又突然缺人了呢？（图6）所以我开启了我在网易的第九次面试，并且在面试的最后，面试官得知我面了九次后，反复对我说道：“谢谢你对网易的包容和耐心”，说了起码有五次。因为之前hr承诺过周一会给结果，周一我索性问了下，hr的答复给我的感觉就像是我不催他们就不干活一样，打字都能打错，然后又从周一拖到了周三，原因是流程里还有人，他们想把所有人都面完（开始养鱼了）（图7）。到今天，我已经被网易彻底磨没了耐心，这种言而无信，不断养鱼的行为让我失去了对它的信任。和网易同时期开始面试的公司早已给我发了offer，而他们还在继续扩大候选池。我为了等网易不断的拖这个offer，拖到今天直接被逼签了。等到今天下午五点多的时候，依然没有收到hr的任何消息，这成为压死我的最后一根稻草，我无奈之下只好签了当初的另一个offer，然后六点多的时候，hr告诉我机会不大了，随后解释说「用人方想把流程里的人走完，不希望一直拖着我，于是给出了这个结论」，嗯，你们细品...（图8）整个流程下来，感觉自己被当猴一样耍，已经彻底失去对网易的所有好感度，此生不会再选网易