AI 面试题 · 阅读指南
AI 应用开发面试准备路线
准备 AI 应用开发面试，或希望从前后端开发转向 AI 应用的同学。
这条路线怎么读
先建立基础，再补 RAG 和 Agent。已经熟悉的阶段可以跳过；最后选一个自己能讲清楚的项目，把这些判断串起来。
从第一阶段开始先建立大模型基础
理解上下文、向量和模型能力的边界，后面的方案选择才有依据。
- Token 是什么？为什么不能按中文字符数估算上下文和费用？
先搞清上下文长度和费用到底按什么计算。
- 大模型为什么会产生幻觉？把 Temperature 调到 0 能解决吗？
理解幻觉的来源，以及降低随机性为什么不够。
- 大模型长上下文为什么会漏信息？长文档处理与排查
认识长上下文的边界，为文档处理选方案。
- Embedding 是什么？向量相似就代表内容可信吗？
理解向量表示，为后面的检索与相似度判断打基础。
不用背术语，能否解释：为什么上下文足够长，模型仍可能漏掉信息或给出错误答案？
把 RAG 的整条链路讲清楚
从文档切分到召回、重排和评测，知道每一步解决什么问题。
- RAG 文档切片越小越好吗？Chunk Size 应该怎么选？
从切片开始，理解检索精度与证据完整度的取舍。
- RAG 混合检索怎么做？关键词与向量检索的融合
看关键词和向量检索怎样配合。
- RAG 中 Rerank 是什么？为什么重排不能代替召回？
分清召回与重排各自负责的事情。
- RAG 系统怎么评测？为什么不能只看答案对不对？
用评测判断改动是否真的有效。
如果知识库里有答案，系统却没有答对，你会先检查哪一步？为什么？
理解 Agent 怎样完成一次任务
讲清决策、执行与状态的关系，再讨论工具和协议。
- Agent 和 Workflow 有什么区别？实际项目中应该怎么选？
先确定什么时候需要 Agent，什么时候用固定流程。
- Agent 工作原理是什么？一次 Agent Loop 如何执行？
沿着一次运行看模型决策与应用执行如何配合。
- 什么是 Tool Calling？大模型是如何调用外部工具的？
理解模型提出工具调用以后，应用还要做什么。
- Agent 调用工具超时了，可以直接重试吗？
分清工具超时后的未知结果、重试条件与幂等。
- Agent 的 Context、Memory 和 State 有什么区别？
把当前输入、任务状态和长期记忆区分开。
- MCP 和 Tool Calling 有什么区别？
厘清 MCP 与工具调用的关系。
拿一个查资料的任务，能否画出模型、工具和应用之间的调用顺序？
结合需求选择框架
从需要控制的执行过程出发，理解 LangChain 与 LangGraph 的职责。
- LangChain、LangGraph 和自研 Agent 应该怎么选？
把框架选型放回项目需求和维护成本里判断。
- LangGraph 的 State、Node、Edge 各负责什么？
用 State、Node、Edge 描述一个有状态的执行流程。
- LangGraph 如何实现暂停和恢复？人工审批后从哪里继续执行？
继续看暂停、人工审批与恢复怎样衔接。
任务需要人工确认和中断恢复时，你会如何组织状态与执行过程？
把知识串成一个项目回答
围绕业务需求解释架构，再补稳定性、权限和验收。
- 如何设计企业知识库问答系统？文档更新、权限和评测怎么做？
用企业知识库把文档、检索、权限和评测串起来。
- 智能客服系统里，RAG、工具调用和人工转接应该怎么配合？
看真实业务如何组合检索、工具调用和人工处理。
- 大模型结构化输出怎么校验？JSON 入库与失败处理
补上模型输出进入业务系统前的校验。
- 大模型 API 限流怎么办？排队、重试与降级策略
讨论流量增加后，排队、重试与降级怎样安排。
- Agent Demo 能跑，为什么离生产上线还很远？
复查从 Demo 到上线，还缺哪些工程能力。
选择一个熟悉的业务，能否在几分钟内说清需求、方案、取舍，以及如何验证效果？