← 返回首页 📚 实战课程
📑 本篇章节导航 (共5章,点击直达)
本节目标(学完能回答的面试题)核心知识(1小时精讲内容)面试速记卡(考前30秒速看)练习题(自测)学习资料

L27 - AI项目面试话术

本节目标(学完能回答的面试题)

核心知识(1小时精讲内容)

1. BPSR框架(Background→Problem→Solution→Result)


BPSR是STAR的进化版,更适合技术面试:

| 步骤 | 内容              | 时间控制  | 关键要点                    |
|------|-------------------|----------|-----------------------------|
| B    | Background 背景   | 30秒     | 一句话介绍项目是什么         |
| P    | Problem 问题      | 30秒     | 最体现深度:痛点是什么       |
| S    | Solution 方案     | 2分钟    | 技术选型+为什么选它          |
| R    | Result 结果       | 30秒     | 量化数据                     |

面试官视角:
  1. 真做过还是背的? → 看Problem描述的细节
  2. 技术选型有思考? → 看"为什么选这个方案"
  3. 有量化意识?     → 看Result数据
  4. 团队角色?       → 看Task描述

致命错误:
  ❌ 流水账: "我做了A模块、B模块、C模块..."
  ❌ 没量化: "性能提升了" → 提升多少?
  ❌ 没选型: "用了Spring AI" → 为什么不用LangChain4j?
  ❌ 太长: 10分钟还没进入正题

2. 3分钟版本(AI定价系统)


【Background 30秒】
"我做了一个基于Spring AI的机票智能定价系统。
技术栈是Spring Boot 3 + Spring AI 1.0.7 + GLM + RabbitMQ + Redis + MySQL。
项目4681行代码,70个文件,独立完成。"

【Problem 30秒】
"核心挑战是定价效率。传统定价靠人工经验,每张票都要手动调价,
日均10万+条定价规则,人工无法实时响应市场变化。"

【Solution 1.5分钟】
"我用Spring AI + GLM实现了智能定价,方案分三层:

1. RAG检索增强:
   历史定价数据向量化,按航线/日期检索相似场景。
   自定义了VectorStore对接GLM知识库API,实现了查询压缩和多查询扩展。

2. Function Calling工具系统:
   设计了@TdTool注解框架,8个工具分AUTO和MANUAL两组。
   AUTO组让模型自主获取实时价格数据,MANUAL组控制定价算法的触发。

3. 双管道架构:
   Boss管道(SSE)处理实时交互,MQ管道处理批量自动定价。
   共享工具和记忆,执行隔离。

还有一个5步定价算法,结合AI建议和规则校验。"

【Result 30秒】
"定价效率提升10倍,从人工30分钟降到AI 3秒。
定价准确率92%,日处理10万+条定价建议。"

3. 5分钟版本(含追问预案)


在3分钟版本基础上,增加以下技术细节:

【Solution扩展 - 为什么选Spring AI】
"选Spring AI有三个原因:
1. 和我们现有Spring Boot技术栈无缝整合,团队学习成本低
2. Advisor机制统一处理RAG注入、对话记忆、日志审计
3. 切换模型只需改配置——我们从DeepSeek切到GLM只改了yml文件
对比过LangChain4j,功能更丰富但需要额外学习成本,
Spring AI对我们Spring团队更合适。"

【Solution扩展 - 为什么自定义VectorStore】
"两个原因:
1. GLM知识库API提供了完整的向量存储+检索,不需要额外部署Milvus
2. 我们实现了查询压缩和多查询扩展,提高了检索召回率
Spring AI的VectorStore接口保证了——如果未来要切Milvus,
只需实现新的VectorStore类,业务代码零改动。"

【Solution扩展 - MANUAL vs AUTO设计】
"定价是敏感操作,不能让模型'想调就调'。
所以把工具分两组:
AUTO组(获取价格/竞品数据): 只读操作,模型自主决定调用时机
MANUAL组(定价算法/提交结果): 写操作,需要业务规则显式触发
这样既利用了AI的自主判断能力,又保证了关键操作的安全性。"

4. 常见追问及回答模板

追问1: 5步定价算法具体是什么?


"5步定价算法是核心业务逻辑:
1. 获取当前市场价: Function Calling调用实时价格API
2. 获取竞品价格: 调用竞品比价API
3. 分析历史趋势: RAG检索历史定价数据,分析价格走势
4. AI定价建议: 将以上数据组合成Prompt,LLM生成定价建议
5. 规则校验兜底: AI建议经过规则引擎校验(不低于底价/不超过上限)

输出: 一个带置信度的定价建议,供运营人员参考或自动执行。"

追问2: MDC跨线程日志怎么做的?


"异步定价管道中,线程切换会导致MDC(traceId)丢失。
我的方案:
1. RabbitMQ消费者收到消息时,从消息头获取traceId
2. 用MDC.put('traceId', traceId)设置到当前线程
3. 调用ChatClient时,用TaskDecorator将traceId传递到新线程
4. 所有日志自动带上traceId,实现跨线程的全链路追踪

这样排查问题时,一个traceId能看到从消息接收到定价完成的完整链路。"

追问3: 完整RAG管道是怎么设计的?


"离线: 文档(定价规则/历史数据) → 分块 → GLM Embedding → 知识库API存储
在线: 用户问题 → 查询压缩 → 多查询扩展 → GLM检索API → Top-K结果
     → 拼接Prompt → LLM生成回答

关键技术:
- 查询压缩: 长问题压缩为关键词,提高检索召回
- 多查询扩展: 一个问题生成3个角度的query,并行检索合并
- 滑动窗口记忆: 最近10轮对话保留,旧对话LLM摘要压缩"

5. 面试中的量化数据准备


必须记住的数据:
  项目规模: 4681行代码, 70个文件, 独立完成
  技术栈:   Spring AI 1.0.7 + GLM + RabbitMQ + Redis + MySQL + MongoDB
  工具数:   8个@TdTool (AUTO + MANUAL两组)
  管道:     双管道 (Boss SSE + MQ异步)
  定价效率: 人工30分钟 → AI 3秒 (10倍提升)
  准确率:   92%

可选补充(根据项目实际情况调整):
  日处理: 10万+条定价建议
  响应时间: 首字 < 800ms (SSE)
  成本优化: 双模型路由节省60%

6. 简历项目描述模板


项目名称: 机票智能定价系统 (tdtx-price-adjustment)
技术栈:   Spring Boot 3 / Spring AI 1.0.7 / GLM / RabbitMQ / Redis / MySQL

项目描述:
基于Spring AI + RAG的智能定价系统,根据市场供需、竞品价格、
历史数据自动推荐最优售价,双管道架构支撑实时交互和批量定价。

核心职责:
- 设计@TdTool注解+AOP工具框架,8个Function Calling工具分AUTO/MANUAL两组
- 自定义VectorStore对接GLM知识库API,实现查询压缩+多查询扩展
- 双管道ChatClient: Boss(SSE实时) + MQ(批量异步),MDC跨线程追踪
- 5步定价算法: 实时价格→竞品分析→历史趋势→AI建议→规则校验

项目成果:
- 定价效率提升10倍(30分钟→3秒),准确率92%
- 独立完成4681行代码,70个文件

面试速记卡(考前30秒速看)

练习题(自测)

1. 用BPSR框架口述你的AI定价系统(限时3分钟,录音自检)

2. 写下"为什么选Spring AI不选LangChain4j"的3个理由

3. 写下"为什么自定义VectorStore不用Milvus"的3个理由

4. 模拟回答面试官追问"你的5步定价算法具体怎么工作的"

5. 你的项目有什么不足?准备1-2个可改进点和改进方案

学习资料