← 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(面试题模拟)面试速记卡(考前30秒速看)练习题(自测)学习资料

L44 - AI与项目面试模拟

本节目标(学完能回答的面试题)

本节聚焦AI技术栈和项目经验的面试模拟,包括Spring AI架构、RAG流程、Function Calling、AI定价系统口述、OTA业务经验和大数据优化实战。

核心知识(面试题模拟)


一、AI技术追问链(8题)

Q1: 介绍一下你用的Spring AI框架

答题框架:


一句话定位:Spring AI是Spring官方的AI应用开发框架,类似LangChain的Java版

核心架构:
  ┌───────────────────────────────────────┐
  │        Application Layer               │
  │  (Controller / Service)                │
  ├───────────────────────────────────────┤
  │        Spring AI Core                  │
  │  ChatClient / Embedding / VectorStore  │
  │  Function Calling / Advisor Chain      │
  ├───────────────────────────────────────┤
  │        Model Providers                 │
  │  OpenAI / Azure / Ollama / ZhipuAI     │
  ├───────────────────────────────────────┤
  │        Vector Stores                   │
  │  Redis / PGVector / Milvus / ES        │
  └───────────────────────────────────────┘

我实际使用:
  - 模型: 通义千问/ZhipuAI(国内模型)
  - 向量库: Redis Vector / PGVector
  - 核心: RAG检索增强 + Function Calling

追问链:Spring AI和LangChain4j对比? → 为什么选Spring AI不选LangChain4j? → Spring AI的Advisor机制是什么?

Q2: RAG的完整流程

答题框架(7步流程):


RAG (Retrieval-Augmented Generation) 7步:

1. 文档加载: PDF/Word/HTML → Document对象
   PdfDocumentReader / TextReader
   
2. 文档切片: 大文档切为固定大小的Chunk
   TokenTextSplitter(chunkSize=500, overlap=50)
   
3. 向量化: Chunk → Embedding向量
   EmbeddingModel.embed(text) → float[1536]
   
4. 存入向量库: 向量 + 原文 → VectorStore
   vectorStore.add(List<Document>)
   
5. 用户提问 → 向量化: query → embedding
   
6. 相似度检索: query向量 vs 向量库 → Top-K最相关Chunk
   vectorStore.similaritySearch(SearchRequest.query(q).withTopK(5))
   
7. 组装Prompt + 调用LLM:
   System: 基于以下上下文回答问题\n{context}
   User: {query}
   → ChatClient.prompt().system(sp).user(query).call()

追问链:如何提高RAG的准确率? → Chunk大小怎么确定? → 向量检索的相似度算法是什么? → 如果检索不到相关内容怎么办?

Q3: Function Calling的原理

答题框架:


Function Calling = 让LLM调用外部工具

流程:
  1. 开发者注册函数描述(名称/参数/用途)
  2. 用户提问 → LLM判断是否需要调用函数
  3. LLM返回函数调用请求(函数名+参数) — 不是直接执行!
  4. 应用层执行函数,获取结果
  5. 将结果返回给LLM
  6. LLM基于函数结果生成最终回答

Spring AI实现:
  @Bean
  @Description("查询航班价格,参数:出发城市、到达城市、日期")
  public Function<FlightPriceRequest, FlightPriceResponse> 
      flightPriceFunction() {
      return request -> flightService.queryPrice(request);
  }
  
  // ChatClient自动注册,LLM根据用户问题自动决定是否调用

关键理解:
  LLM不直接执行代码,只生成调用意图
  应用层负责执行和安全校验

追问链:Function Calling和Agent的区别? → 多个Function如何编排? → 如何处理函数调用失败?

Q4: AI定价系统的技术架构

3分钟口述框架(BPSR结构):


B - Background (背景):
  "公司需要为不同客户提供AI服务定价,定价因素包括:
   模型类型(GPT-4/国产模型)、Token用量、API调用次数、
   SLA等级(标准/高级/企业)、定制化需求。"

P - Problem (问题):
  "原有定价方案靠Excel手动计算,问题:
   1. 效率低:销售每次报价需2小时
   2. 不准确:人工计算经常出错
   3. 不灵活:无法实时反映成本变化"

S - Solution (方案):
  "我设计了AI定价系统:
   1. Spring Boot + Spring AI构建服务
   2. 定价引擎:规则引擎(Drools) + AI辅助决策
   3. 实时成本计算:对接各模型API获取实时Token成本
   4. RAG知识库:历史定价数据+竞品价格+市场趋势
   5. Function Calling:实时查询汇率/模型价格
   
   关键技术决策:
   - 为什么用规则引擎而不是纯AI?可解释性+合规要求
   - 为什么用RAG?需要参考历史定价策略"

R - Result (结果):
  "系统上线后:
   1. 定价时间从2小时→3分钟
   2. 定价准确率从85%→99%
   3. 支持实时成本波动调整
   4. 月活用户50+销售使用"

追问链:定价规则怎么管理的? → 如果模型API价格变了怎么更新? → 数据量多大? → QPS多少?

Q5: OTA机票业务的核心流程

答题框架:


OTA(Online Travel Agency)机票业务核心流程:

搜索 → 比价 → 预订 → 支付 → 出票 → 值机 → 退改签

关键技术挑战:
  1. 实时搜索: 对接多个GDS(Amadeus/Sabre/Travelport)
     → 并行调用 + 结果聚合
     → 缓存热门航线减少GDS调用
     
  2. 价格准确性: 航司价格实时变动
     → 报价有效期(通常15-30分钟)
     → 下单前重新验价(Auto Pricing)
     
  3. 高并发: 节假日搜索量暴增
     → Redis缓存 + 异步搜索
     → 搜索结果分页加载
     
  4. 出票幂等: 支付成功但出票失败
     → 重试机制 + 状态机管理
     → 人工干预兜底

我的职责/贡献:
  [根据实际经验调整]

Q6: Amadeus GDS对接经验

答题框架:


Amadeus是全球最大的航空GDS之一:

对接方式:
  1. SOAP API (传统): 较重,XML格式
  2. REST API (新): JSON格式,推荐

核心API:
  Flight Offers Search: 航班搜索
  Flight Offers Pricing: 价格确认
  Flight Create Order: 创建订单
  Flight Order Management: 订单管理

对接难点:
  1. 认证: API Key + OAuth2 Token
  2. 限流: 每秒请求数限制
  3. 数据映射: Amadeus数据模型 → 内部模型
  4. 错误处理: 网络超时/业务错误/限流
  
我的解决方案:
  - 请求限流: Sentinel控制调用频率
  - 重试机制: 指数退避+最大重试次数
  - 缓存策略: 热门航线缓存15分钟
  - 降级策略: Amadeus不可用时切到备选GDS

Q7: 千万级数据优化实战

答题框架:


问题场景:
  机票搜索日志表1000万+数据,查询慢(10秒+)

排查过程:
  1. EXPLAIN发现:type=ALL全表扫描
  2. 原因:查询条件无合适索引 + 数据量大

优化方案(分层递进):
  
  第一层:索引优化
  - 分析查询模式,建立联合索引
  - (departure, arrival, date, status)
  - 效果:10秒 → 500ms
  
  第二层:读写分离
  - 读走从库,写走主库
  - 效果:500ms → 200ms
  
  第三层:分表
  - 按月分表: log_202601, log_202602...
  - 历史数据归档: 超过3个月迁移到归档库
  - 效果:200ms → 50ms
  
  第四层:缓存
  - 热门查询结果缓存到Redis (TTL 5分钟)
  - 效果:50ms → 10ms

最终结果:10秒 → 10ms,提升1000倍

追问链:分表后跨月查询怎么办? → 缓存一致性如何保证? → 为什么不直接用ES?

Q8: 你在项目中遇到过最大的技术挑战

答题框架:


用BPSR结构组织:

B - 背景: 描述项目和技术栈
P - 问题: 具体的技术挑战(量化描述)
S - 方案: 你的解决思路和过程(体现技术深度)
R - 结果: 量化的改进效果

关键技巧:
  1. 选择有技术深度的问题
  2. 突出你的个人贡献("我"而不是"我们")
  3. 数据量化:从X秒到Y秒,提升了Z倍
  4. 提到踩坑经历,体现排查能力
  5. 总结通用经验,体现成长

评分标准


┌────────┬────────────────────────────────────────────┐
│ 等级   │ 标准                                      │
├────────┼────────────────────────────────────────────┤
│ A 优秀 │ BPSR结构清晰+技术细节深入+量化结果+追问流畅 │
│ B 良好 │ 能说清项目和技术栈,追问有部分卡顿          │
│ C 合格 │ 描述了项目但缺乏技术深度和量化数据          │
│ D 不合格│ 项目描述混乱,说不清自己做了什么            │
└────────┴────────────────────────────────────────────┘

项目面试高频挂点:
  ❌ 说不清自己在项目中具体做了什么("我们团队做了...")
  ❌ 没有量化数据("性能提升了" → "提升了多少?")
  ❌ 技术选型说不清原因("公司规定的")
  ❌ 踩坑经历说不出来("没遇到过问题"→没有深度思考)
  ❌ 项目介绍超过3分钟(面试官失去耐心)

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,录音回听)

2. RAG流程完整口述,包括每一步的技术选型原因

3. Function Calling为什么LLM不直接执行代码?安全考虑有哪些?

4. 千万级数据优化的排查过程完整口述

5. 准备一个"最大技术挑战"的故事,确保有量化数据

学习资料