← 课程目录 🚀 从零到一
📐 学习维度 阶段8 · 第30章 面试题库(按专题重组现有题库) 🚀 从零到一 📚 课程目录 🏠 首页 🛤️ 学习路径

30.4.1 题库聚合:AI 方向真题全景(扩充版)

审校 2026-09-28 · 素材来源:2026 AI 方向真题复盘、课程 AI 章节体系
📑 本篇章节导航 (共9节,点击直达)
题面分布:五个防区考察逻辑:从「调过 API」到「做成产品」本课对应章节地图高频题清单:三十五问速览答题策略:每题都带「一条链路+一个数字+一个坑」备考节奏:搭一个最小可讲的项目踩坑清单面试怎么问一句话总结

第四专题:AI 应用与 Agent 方向真题——2026 年面试市场增速最快的一区。传统 Java 岗在原有考察线上加问「你们用过 AI 吗」,而新开的「AI 应用工程师」「Agent 开发」岗则把 RAG、Prompt、向量库当成主考区。本专题按扩充版编排:题面分布更细、题量给足,因为这一区还没有成熟的「面试圣经」,谁能把体系讲清楚,谁就占先手。本讲全景,30.4.2 精选深答。

题面分布:五个防区

LLM 基础(占两成):大模型是什么层级的东西、Token 与上下文窗口、幻觉的成因与治理、temperature 等参数、开源闭源选型逻辑。RAG 检索增强(占三成,最重):RAG 完整链路、文档切分策略、Embedding 选型、向量库对比、召回与重排、GraphRAG/Agentic RAG 进阶。Prompt 工程(占一成半):结构化写法、Few-shot、思维链、输出约束与结构化输出。Agent 开发(占两成半):Agent 与 Chatbot 区别、Function Calling 与 MCP、多智能体协作、记忆机制、工作流编排。工程化落地(占两成):SpringAI/ LangChain4j 选型、评测怎么做、成本与延迟优化、私有化部署、微调 vs RAG 的取舍。RAG 与 Agent 合计五成半——这两个词的深度就是这一区的定价器。

考察逻辑:从「调过 API」到「做成产品」

这一区的候选人分层极其清晰,面试官用三个问题就能定位你的段位。「你们怎么接的大模型」——答「调 OpenAI 的 SDK」是调过 API 层;答「SpringAI 抽象了模型接口,我们接了两个供应商做故障切换」是做过工程。「幻觉怎么治」——答「提示词里写不要编」是初级;答「RAG 溯源+引用标注+置信度阈值+拒答策略」是有体系。「怎么做评测」——答不上来的基本都停留在 demo 层;答「离线评测集+回归跑分+线上反馈闭环」的是真上过线。备考心法:每个知识点都准备「工程动作」——光知道概念不够,要能说出「为了这个东西我们做了什么配置、踩了什么坑」。22~25 章的实战段落就是工程动作的素材库。

本课对应章节地图

LLM 基础与 API→第 22 章(大模型基础与 API 工程,Token、参数、流式、成本);RAG 全链路→第 24 章(RAG 检索增强,从文档加载到重排的完整流水线,含 GraphRAG 进阶);Agent 开发→第 25 章(Agent 实战,Function Calling、MCP、多智能体、工作流编排);工程化框架→第 23 章(SpringAI 与 LangChain4j 企业集成,含向量库接入)+第 25.4 章(可观测与评测);Prompt 工程→第 22 章(提示词设计模式)。横向弹药:第 24.2 章(向量库选型)、第 10 章(Redis 向量扩展也是向量库候选)。组合题高发:「设计一个企业知识库问答系统」(=24 章全链路+权限+溯源,26.1 有完整落地)、「客服机器人怎么落地」(=RAG+Agent 工单+人机切换)——这两道就是这一区的「系统设计题」,各备一张链路图。

高频题清单:三十五问速览

LLM 链:Token 是什么为什么按它计费→上下文窗口与「金鱼记忆」→幻觉成因→治理幻觉的手段→temperature/top_p 怎么调→流式输出怎么实现(SSE)→开源闭源怎么选。RAG 链:为什么需要 RAG(vs 微调 vs 长上下文)→完整链路画一遍→文档切分策略(固定/递归/语义)→chunk 大小怎么定→Embedding 模型怎么选→向量库怎么选(Milvus/PGVector/Redis)→相似度算法三种→为什么要混合检索(向量+关键词)→重排怎么做的→召回率低怎么排查→知识库更新怎么增量→GraphRAG 与普通 RAG 区别→Agentic RAG 是什么。Prompt 链:结构化模板要素→Few-shot 怎么给例子→思维链什么时候用→怎么强制 JSON 输出→防注入怎么做。Agent 链:Agent 定义与 Chatbot 区别→ReAct 是什么→Function Calling 原理→MCP 解决什么问题→工具描述怎么写才容易被选对→记忆分几层→多智能体什么时候才需要→工作流编排 vs 自主 Agent。工程链:SpringAI 与 LangChain4j 选型→评测集怎么建→线上效果怎么监控→成本怎么降(缓存/小模型分流)→私有化部署要考虑什么→微调什么时候才值得。

答题策略:每题都带「一条链路+一个数字+一个坑」

这一区的高分模板延续存储区的「现场感」,但更强调链路完整。答「RAG 召回率低」:链路(先分环节定位——切分、召回、重排逐段看)→数字(我们按问题构造评测集,五十条问句,召回率从六成提到九成)→坑(最大的坑是切分把表格拆碎了,改成按结构切分后表格问答全对)。数字在这一区尤其值钱,因为大多数候选人只有形容词;坑的故事证明真做过。另一个技巧:主动提「评测」这个词——「我们的做法是先建评测集」这一句能让面试官立刻把你从 demo 党里分出来,它是工程化的分水岭词汇。

备考节奏:搭一个最小可讲的项目

这一区最忌「全靠概念」。两周节奏:第一周把 24 章的 RAG 流水线亲手跑一遍(哪怕只是本地小模型+PGVector,十几行代码的事),把每一步的输入输出截图留档——亲手调过 chunk 大小看过召回变化的人,答题的底气完全不同;第二周做「一页纸项目」:把过程整理成一张链路图+五个关键决策(切分策略、模型选型、检索配比、重排方案、评测指标),每个决策写一句「为什么不是另一种」。面试时这一页纸就是你的主场弹药。已有 Java 功底的人切 AI 方向,最优策略是「Java 工程师+AI 应用层」的复合定位——企业缺的正是能把 LLM 缝进生产系统的人(23 章的定位),这个定位词值得写进简历目标栏。

踩坑清单

面试怎么问

一句话总结

AI 方向真题区是新蓝海:五防区三十五问、每答带链路数字坑、先跑一遍 20 章 RAG 流水线再上场——「Java 工程底子+AI 应用工程化」的复合定位,就是 2026 年面试市场最顺手的牌。