← 返回首页 📚 实战课程
📑 本篇章节导航 (共4章,点击直达)
本节目标核心知识动手练习Phase 3完成!

P3-08 - AI项目面试话术

本节目标

1. 面试中怎么讲AI项目才能打动面试官?

2. 面试官对AI项目的追问链是怎样的?怎么准备?

3. 怎么把AI辅助编码这件事坦诚地讲出来,同时展示你的价值?

4. 技术选型理由怎么说才有说服力?

5. 踩坑经验怎么包装成加分项?

核心知识

一、讲AI项目的正确框架


错误框架(报菜名):
  "我们用了Spring AI、RAG、Function Calling、Advisor Chain、
   自定义VectorStore、ChatMemory、AOP注解框架..."

为什么错:
  - 面试官听到的是技术名词列表,不知道你解决了什么问题
  - 无法判断你的工程判断力
  - 像背课文,不像真实经历

正确框架(STAR + 决策链):

1. Situation(背景):什么业务场景,遇到了什么问题
2. Task(任务):你负责解决什么
3. Action(行动):你做了什么决策,为什么这么选
4. Result(结果):效果如何,有什么数据
5. Learning(反思):遇到了什么坑,怎么解决的

关键:在Action部分重点讲"为什么"而不是"做了什么"

二、你的AI定价项目 — 面试版本

版本A(完整的2分钟版本)

"我做了一个AI动态定价系统,给OTA机票代理平台做智能调价。

>

背景:之前定价完全靠运营人员手动看行情、凭经验调价,一天只能处理几十条航线,而且定价质量全看个人经验。

>

我的任务:设计并实现一个AI Agent,能自动分析市场数据并给出定价建议。

>

技术决策:
- 框架选Spring AI 1.0,因为团队全是Java/Spring开发者,学习成本最低
- 架构设计成双管道:MQ触发的自动定价管道做批量处理,对话式管道给运营做精细调整
- RAG方面,自定义了VectorStore对接智谱GLM知识库,把历史定价策略和市场规则做知识检索
- 工具管理用自定义@TdTool注解+AOP自动注册,8个Tool分AUTO和MANUAL两组

>

遇到的坑:
- Tool调用链太长时上下文溢出。解决:查询压缩+历史截断
- Agent有时会调错Tool。解决:优化Tool的description,把适用场景写得更明确
- 多线程下会话混乱。解决:TransmittableThreadLocal传递MDC追踪日志

>

效果:自动定价管道每天处理1000+航线,运营人员只需处理自动定价无法决策的case。

>

坦诚说:这个项目的代码量有3315行,我负责架构设计和技术选型,
部分代码是在AI辅助下完成的。核心架构设计和Tool编排逻辑是我自己设计的,
我能讲清楚每个模块的设计意图和实现思路。"

版本B(针对"手写能力"追问的补充)

面试官问:"你能手写一个自定义Advisor吗?"

>

"可以。Advisor接口有两个方法:adviseRequest和adviseResponse。

>

请求阶段,我可以做敏感词过滤、Token计数、添加上下文等。
响应阶段,我可以做内容审核、格式转换等。

>

比如一个Token计数Advisor:请求阶段记录时间戳到context,
响应阶段从ChatResponse.getMetadata().getUsage()提取Token数,
计算耗时和成本,记录日志。

>

注册方式:ChatClient.builder(chatModel).defaultAdvisors(new MyAdvisor()).build()。

>

我目前正在手写一个更完整的AI Agent平台项目来强化实践能力,
包含多模型路由、RAG管道、MCP Server等模块。"

三、面试官追问链预判


第一层:项目概览
  Q: 介绍一下你做过的AI项目
  A: (用上面的STAR框架)

第二层:技术细节
  Q: Spring AI的Advisor Chain怎么工作的?
  A: 请求阶段正序执行before,调用模型,响应阶段反序执行after
  Q: RAG管道的Chunk策略你怎么定的?
  A: 我们测试了300/500/800三种chunk_size,800 Token效果最好,因为...
  Q: Function Calling的Tool怎么管理的?
  A: 自定义注解+AOP自动注册,按组分类...

第三层:工程决策(拉开差距的关键)
  Q: 为什么不用LangChain4j?
  A: 团队技术栈统一Spring,Spring AI学习成本最低...
  Q: 遇到的最大技术挑战是什么?
  A: 上下文溢出。Tool调用链长,加上RAG检索的文档,Token很容易超限...
  Q: 如果让你重新设计,你会改什么?
  A: 我会把Memory设计得更完善,加摘要压缩...

第四层:深度追问(验证真实性)
  Q: 自定义VectorStore怎么实现的?接口有哪些方法?
  A: VectorStore接口有add/delete/similaritySearch三个核心方法...
  Q: MCP协议了解吗?
  A: MCP是Anthropic提出的标准协议,定义了AI应用和工具之间的通信方式...
  Q: Token成本你们怎么控制的?
  A: 分模型定价,自动定价用Flash,对话用标准模型...

第五层:开放问题
  Q: 你觉得AI应用开发最大的挑战是什么?
  A: 我认为是效果评测和持续优化。不像传统软件有确定性的测试用例...
  Q: 你怎么看AI应用开发这个方向?
  A: 我认为这是Java开发者的一个重要机会...

四、AI辅助编码怎么讲 — 诚实但不丢分


原则:诚实 + 展示理解 + 展示在手写项目补强

错误方式:
  ✗ 隐瞒AI辅助(面试官问细节就露馅)
  ✗ 过度谦虚("代码都是AI写的" → 面试官觉得你没价值)

正确方式:
  ✓ 坦诚说明:"我负责架构设计和核心逻辑,AI辅助实现部分代码"
  ✓ 展示理解:"我对每个模块的设计意图和实现原理都清楚"
  ✓ 展示补强:"我正在手写一个完整的AI Agent项目来强化实践能力"
  ✓ 转化优势:"用AI辅助编码让我能更快验证架构设计,
    把时间花在设计决策上而不是写重复代码"

关键话术:
  "这个项目最大的收获不是写了多少行代码,而是对AI应用架构的完整理解——
   从RAG管道设计到Agent编排到生产化,每个环节的取舍我都亲自做过决策。"

五、高频AI面试题速答

Q: 大模型为什么产生幻觉?

训练数据不完整/过时 + 模型倾向于生成连贯文本而非准确文本 + 没有事实核查机制。
工程缓解:RAG注入事实依据 + Prompt约束"基于参考资料回答" + 输出后验证

Q: Agent和ChatBot区别?

ChatBot被动回答,Agent主动决策+使用工具。Agent有循环(观察→思考→行动)、有记忆、有工具。

Q: RAG召回率低怎么排查?

按链路排查:文档质量→切分策略→Embedding模型→检索策略→Rerank→Prompt。

Q: MCP是什么?

Anthropic提出的标准协议,让AI应用能通过统一接口连接外部工具和数据源。类似JDBC标准化了数据库连接。

Q: 怎么控制Token成本?

模型分级(简单任务用Flash)+ 缓存(相似问题直接返回)+ Prompt压缩 + 批量调用。

Q: SSE流式输出原理?

基于HTTP长连接,服务端用text/event-stream格式逐Token推送。客户端用EventSource接收。比WebSocket轻量。

动手练习

练习1:用手机录一段2分钟项目介绍

1. 用STAR框架组织

2. 重点讲决策过程

3. 回放检查:有没有报菜名?有没有讲"为什么"?

练习2:找一个朋友模拟面试

1. 让他按上面的追问链一层层问

2. 每个问题控制在1分钟内回答

3. 重点练习第三层(工程决策)的回答

Phase 3完成!

至此,AI落地实战8课时全部完成。接下来进入Phase 4(架构与系统设计)补强高并发短板。