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
【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。"
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。"
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"
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%
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
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