本文是 2026春招大厂面试真题补充 的分章阅读版。
面试官: "RAG 流程和优化?"
回答框架:
1) 离线索引:
文档切片(chunk 512/overlap 64) → Embedding(bge-m3/text-embedding-3) → 向量库(Milvus/PgVector)
2) 在线检索:
Query改写(同义/HyDE) → 向量检索(topK=20) → 重排(bge-reranker) → topK=5
3) 生成:
拼接Prompt(Context + Question) → LLM(GPT-4/Claude/Qwen) → 引用溯源
优化点:
- 切片策略: 语义切片(基于小标题) > 固定长度切片
- 混合检索: BM25 + 向量检索 → RRF融合 (Reciprocal Rank Fusion)
- Query改写: 多查询改写 + HyDE显著提升召回率
- Rerank: cross-encoder精度远高于bi-encoder
面试追问: "向量检索召不全?"
→ 混合检索(BM25+Vector) + RRF融合
→ Query扩展(同义词/LLM改写)
面试追问: "上下文长度超限?"
→ 长上下文LLM(128K/200K) + Map-Reduce摘要
→ 重要性排序只保留top5
# 面试官: "Agent 核心是什么?"
# Agent = LLM + 工具调用 + 记忆 + 规划
# 关键能力: ReAct循环 (Reason + Act)
# LangGraph 节点定义
from langgraph.graph import StateGraph, END
def call_llm(state):
response = llm.invoke(state["messages"])
return {"messages": [response]}
def call_tool(state):
tool_call = state["messages"][-1].tool_calls[0]
result = tools[tool_call["name"]].invoke(tool_call["args"])
return {"messages": [ToolMessage(result)]}
def should_continue(state):
if state["messages"][-1].tool_calls:
return "tools"
return END
workflow = StateGraph(State)
workflow.add_node("agent", call_llm)
workflow.add_node("tools", call_tool)
workflow.set_entry_point("agent")
workflow.add_conditional_edges("agent", should_continue)
workflow.add_edge("tools", "agent") # 工具结果回灌给LLM
app = workflow.compile()
# 面试追问: "Agent 卡死在循环里?"
# → 设置max_iterations + 超时熔断
# → 工具调用幂等性设计
# → 接入可观测(LangSmith/LangFuse)
面试官: "MCP 是什么?为什么重要?"
回答:
MCP (Model Context Protocol) — Anthropic 2024年11月开源的协议
- 解决"AI应用 × 工具"的M×N问题 → 标准化为 M+N
- 类比: USB-C 之于硬件, MCP 之于 AI Agent
核心概念:
- MCP Server: 暴露工具/资源/Prompt
- MCP Client: Claude Desktop / IDE / 自建Agent
- Transport: stdio / SSE / HTTP
生态(2026): GitHub/Slack/Postgres/文件系统/浏览器自动化 等300+ Server
Spring AI MCP 集成:
@Bean
public McpSyncClient filesystemMcpClient() {
return McpClient.sync()
.stdio("npx -y @modelcontextprotocol/server-filesystem /data")
.build();
}
// Agent 调用 MCP 工具
List<McpSchema.Tool> tools = mcpClient.listTools();
McpSchema.CallToolResult result = mcpClient.callTool("read_file",
Map.of("path", "/data/report.md"));
面试追问: "MCP vs Function Calling?"
- Function Calling: LLM厂商私有协议(OpenAI/Claude)
- MCP: 跨厂商标准协议,工具一次开发处处可用
面试官: "SFT/LoRA/QLoRA 区别?"
1) Full Fine-Tuning: 全参数更新 → 显存爆炸, 不实用
2) PEFT (Parameter-Efficient Fine-Tuning):
- LoRA: 冻结原模型, 在Attention层加低秩矩阵 A×B
显存: 16bit基模 + LoRA rank=8 → 7B模型仅需16GB
- QLoRA: 4bit量化基模 + LoRA → 7B模型仅需6GB
- Adapter: 在层间加小模块
3) 训练阶段:
- Pretrain: 海量无监督 → 基础能力
- SFT: 指令微调 → 对话能力
- RLHF/DPO: 人类偏好对齐 → 安全+有用
推荐栈(2026):
- 数据: LLaMA-Factory / Axolotl
- 框架: transformers + peft + trl
- 评估: lm-eval-harness / OpenCompass