面试标准背诵稿
《AI 应用开发岗面试标准背诵稿（精简高频版）》
冲刺使用方式
- 面试前 60 分钟：通读 1 遍，标记不熟问题。
- 面试前 30 分钟：只背第 1、4、9、16、20、21、22 题。
- 面试前 10 分钟：只看“项目介绍万能模板 + 最后一句高分总结”。
这份稿子的定位
这是一份“高压场景速记稿”，目标是让你在短时间内形成稳定输出。
如果你要系统准备，建议配合 面试答案手册 与 20题逐题追问版。
1）你怎么理解 AI 应用开发岗？
AI 应用开发岗本质是把大模型能力做成可落地的业务系统，不是单纯调 API。
核心工作包括：模型接入、RAG、Prompt、工具调用、接口开发、权限控制、异常处理、监控和成本优化。
所以它是“后端工程能力 + 大模型应用能力 + 业务理解”的结合，重点是上线能力和稳定性。
2）AI 应用开发和算法岗有什么区别？
算法岗重心在模型训练和效果提升，比如微调、评测、推理优化。
AI 应用开发重心在工程落地，比如接模型、做检索链路、搭服务、处理线上问题。
一句话：算法岗偏“做模型”，应用开发岗偏“用模型解决业务问题”。
3）AI 应用开发岗为什么还要后端基础？
因为大模型只是能力组件，最终要通过系统交付。
日常工作大量是接口、数据库、缓存、异步任务、部署、监控和排障。
如果后端基础弱，项目很容易停留在 demo，难以上线和稳定运行。
4）什么是 RAG？完整链路是什么？
RAG 是检索增强生成。先检索知识，再让模型生成答案。
典型链路是：文档上传 → 解析清洗 → chunk 切分 → 向量化入库 → 用户提问 → query 改写 → 检索召回 → rerank → Prompt 拼接 → 模型生成 → 返回答案和引用。
核心价值是提升准确性、降低幻觉、支持知识实时更新。
5）为什么不用“把文档全塞给模型”？
主要有四点：
1）上下文窗口有限，塞不下；
2）token 成本高、延迟高；
3）噪音太多会干扰回答；
4）知识更新不灵活。
RAG 的本质是“只给最相关内容”，在准确性、成本和速度上更平衡。
6）文档为什么要切 chunk？怎么切？
长文档直接向量化会语义混杂，检索不准。切 chunk 可以让片段语义更集中。
常见切法：按长度、按段落、按标题层级、带 overlap 滑窗、语义切分。
切太大噪音多，切太小信息不完整，所以要结合场景调优。
7）Embedding 的作用是什么？
Embedding 是把文本变成向量表示，让语义相近的内容在向量空间更近。
这样检索就不只靠关键词，而是能做语义召回。
它是 RAG 检索的基础能力。
8）topK 和 rerank 分别解决什么问题？
topK 解决“召回哪些候选片段”，偏召回率；
rerank 解决“候选里谁更相关”，偏排序精度。
可以理解为：topK 先海选，rerank 再精排。
9）为什么会出现幻觉？怎么处理？
幻觉是模型生成了看似合理但无依据的内容。
常见原因是检索不到、上下文噪音、Prompt 约束弱、模型随机性高。
处理上我会做：
- 提升检索质量
- 强约束 Prompt（无依据就拒答）
- 降低 temperature
- 要求引用来源
- 后处理校验
- 高风险场景人审
幻觉很难完全消除，但可以工程化显著降低。
10）检索不到内容怎么办？
不能强答，强答很容易胡说。
我会设相似度阈值和最小证据门槛，不满足就拒答或走兜底话术，同时引导用户补充信息。
并记录未命中问题，反哺知识库更新和 badcase 优化。
11）如何限制模型只基于知识库回答？
我会四层控制：
1）Prompt 明确“只能依据资料，不能编造”；
2）只喂检索到的可信上下文；
3）检索不足就拒答；
4）输出要带来源并做后校验。
高风险场景再加人工审核，避免错误外溢。
12）Prompt 怎么设计才稳定？
我一般按五块写：角色、任务目标、行为约束、输出格式、异常处理。
重点不是“写得好看”，而是“边界清晰、输出可控”。
对于结构化任务，我会配合 schema、few-shot、低 temperature 和服务端校验来提高稳定性。
13）JSON 输出不稳定怎么办？
我会做“约束 + 校验 + 重试 + 兜底”：
- Prompt 指定 schema 和示例
- 优先用 function calling / JSON mode
- 服务端 schema 校验
- 失败重试并反馈错误
- 多次失败后降级返回
核心思路是：不要把模型当强类型接口，必须有防抖机制。
14）多轮对话上下文太长怎么办？
不能无脑保留全部历史。
常用做法：保留最近相关轮次、早期对话做摘要、关键信息结构化存储、低价值内容裁剪。
目标是保留“与当前任务最相关的信息”，而不是保留“最多信息”。
15）Agent 和工作流怎么区分？
工作流适合流程固定、步骤可预定义的任务，稳定可控。
Agent 适合路径不确定、需要动态决策和多工具调用的任务。
企业里我通常优先工作流，只有确实需要动态决策时才上 Agent，这样更稳定、可审计。
16）模型超时怎么办？
我会从预防和兜底两侧做：
预防：控制上下文长度、优化 Prompt、合理超时配置、长任务异步化。
兜底：有限重试、切备用模型、降级回复、监控告警。
核心是避免请求堆积和体验雪崩。
17）模型限流/第三方波动怎么办？
做平台级治理：
- 服务端限流
- 队列削峰
- 缓存复用
- 429 退避重试
- 主备模型切换
- 熔断降级
一句话：外部模型不稳定是常态，容灾必须前置设计。
18）成本太高怎么优化？
重点看 token 和模型路由：
- 缩短上下文
- 优化检索只喂关键信息
- 小模型预处理、大模型最终生成
- 热点问题缓存
- 限制输出长度
- 减少无效调用
成本优化本质是让系统可持续，不是单纯省钱。
19）如何评估 AI 问答系统效果？
我会分五类指标：
1）检索：Recall@K、命中率；
2）生成：准确率、幻觉率、引用正确率；
3）体验：首 token 时间、总时延、追问率；
4）稳定性：超时率、错误率；
5）业务：转人工率、答疑效率提升。
并用真实业务题和 badcase 集持续评估。
20）“你项目里最难的问题是什么？怎么解决？”
我项目里最难的是检索相关性不稳定。
难点在于用户提问口语化，而知识文档书面化，导致召回偏差。
我做了三件事：优化 chunk 策略、增加 query 改写、接入 rerank。
优化后 badcase 明显减少，答案相关性和可用性提升。
这个问题让我认识到，很多“模型答错”本质是“检索输入不准”。
21）项目介绍万能模板（1 分钟版）
这个项目是做 XX 场景的 AI 助手，目标是解决 XX 业务痛点。
整体链路是：数据入库（解析、切分、向量化）+ 在线问答（检索、重排、生成）+ 工程支撑（权限、监控、异常、成本）。
我主要负责 XX 模块，核心难点是 XX，我通过 XX 方案解决。
上线后在 XX 指标上有提升，比如命中率、响应速度或转人工率。
如果重做，我会在评估体系和可观测性上前置建设。
22）最后一句高分总结（可收尾）
我理解 AI 应用开发的核心不是“会调用模型”，而是“把模型能力稳定、可控、低成本地交付给业务”。
所以我在准备上会同时抓三件事：工程基础、AI 链路、异常与稳定性。