岗位题目
后端开发相关面试题第 7 页
生产级 Agent 如何设计敏感词过滤、停止生成和死循环防护？
这题考生产级 Agent 的运行时安全控制，回答重点是敏感内容过滤、停止生成、工具切换约束、死循环防护、观测告警和人工接管。
基于 LangGraph 和 RAG 的内容生成 Agent，应如何设计检索、生成和审核流程？
这题考用 LangGraph 和 RAG 设计内容生成 Agent 的端到端流程，回答重点是检索、证据整理、生成、审核、重试和发布前控制，而不是只讲向量召回。
Agent 中模型调用、本地函数调用、MCP 调用和 Skill 调用有什么区别？
这题考 Agent 调用边界设计，回答重点是模型调用、本地函数调用、MCP 调用和 Skill 调用在调用方、协议、信任边界、生命周期和失败处理上的区别。
同题还出现在 1 个公司岗位
Claude Code 类代码 Agent 的 Memory 三层设计如何区分短期上下文、项目知识和长期偏好？
这题考代码 Agent 的记忆分层设计，回答重点是短期工作上下文、项目知识和长期偏好三层如何分工，以及如何更新、检索、隔离和防污染。
如何手写一个 Skill 系统，支持注册、发现和调用本地能力？
这题考手写 Skill 系统的最小实现，回答重点是注册、发现、参数校验、权限控制、调用分发、错误处理和可观测 trace。
代码 Agent 的 RAG 检索索引如何同时设计语义、关键词、结构化和权限索引？
这题考代码 Agent 的 RAG 索引架构，不是泛泛讲向量库。回答要覆盖语义索引、关键词索引、结构化代码索引和权限索引如何协同检索、过滤、排序和增量更新。
AI 面试系统中，多轮对话记忆如何用 Redis 存储、过期和隔离？
这题考 AI 面试系统里的短期会话记忆设计。回答要围绕 Redis 如何保存多轮对话状态、控制 TTL、做用户/会话隔离、处理并发和失败恢复，不能泛化成抽象 Agent 记忆。
向量数据库在 AI 应用中数据量增大时，如何扩展索引、分片和召回性能？
这题考向量库从小规模知识库增长到大规模检索服务时的扩展思路。回答要覆盖容量评估、索引选择、分片分区、过滤与召回、在线更新、评估和成本延迟取舍。
Agent 自动生成 PPT 后，如何设计展示效果校验和自动迭代闭环？
这题考文档生成 Agent 的自验证闭环。回答要聚焦 PPT 渲染后的视觉效果、内容一致性、规则校验、多模态评估、人工审核和局部迭代，而不是泛泛说让模型再检查一遍。
使用 AI 编程时，如果模型生成了严重错误代码，应如何定位、修复并建立工程防护？
这题考 AI Coding 不是只会提高效率，还要能处理模型误生成带来的工程事故。高质量回答应从复现、定位、最小修复、测试补齐、流程护栏和团队经验沉淀展开。
AI Coding 落地时，如何给模型提供有效仓库上下文，并限制它触碰事务、权限、资金等高风险链路？
这题考 AI Coding 的上下文工程和风险边界。答案要同时讲清如何给模型足够信息完成任务，以及如何通过范围控制、权限控制、测试和 review 防止它碰坏核心链路。
AI 生成代码进入工程仓库前，如何用沙箱分支、最小改动范围、测试和 review 防止污染主分支？
这题考 AI 生成代码的分支治理和合入门禁。优秀回答要把主分支保护、沙箱隔离、diff 范围、自动化检查、人工 review、回滚审计串成一条工程流程。
生产级 RAG 为什么可以用 Java 承担后端主链路，而不是全链路都用 Python？
这题考 RAG 从实验脚本到生产服务的语言和架构取舍。核心不是贬低 Python，而是说明在线主链路需要服务治理、稳定性、并发、权限和工程生态，Java 可以承担这些职责。
Agent 服务中如何拆分模型调用、检索、审计落库和消息消费线程池，避免局部抖动拖垮全链路？
这题考 Agent 后端稳定性，不是普通线程池参数背诵。高质量回答要按任务类型隔离资源、设置队列和超时预算、做背压降级，并用指标证明局部抖动不会拖垮全链路。
AI 平台接口上线前，如何验证模型降级、Prompt 版本追踪、配置回滚和缓存一致性？
这题考 AI 平台接口的上线准备，不是普通接口冒烟测试，而是围绕模型降级、Prompt 可追踪、配置回滚、缓存一致性、灰度观测和事故演练建立发布门禁。
转化率不达标时，如何把用户行为会话整理成大模型意图识别输入，并输出可分析的结构化标签？
这题考 AI 应用工程和数据分析的结合：转化率不达标只是结果，补数据给大模型做意图识别的目标是把用户会话从行为流水转成可分群、可诊断、可回流实验的结构化标签。
把 Skill 放进 Agent 沙箱后，主 Agent、Skill 运行时和文件系统之间应如何通信，并怎样做最小暴露和渐进式披露？
这题考 Agent 工程里的沙箱通信边界：不能让 Skill 直接拿到宿主进程和完整文件系统，而要用受控协议、能力句柄、文件视图和审计链路把调用、数据和权限拆开。
Agent 上下文压缩应该在什么时候触发，如何在 token 预算、信息损失和任务连续性之间取舍？
这题考上下文压缩的运行时策略：触发点不能只看 token 快满，而要结合任务阶段、信息密度、工具结果、记忆状态、失败风险和可恢复性来决定。
同题还出现在 1 个公司岗位
Agent 使用滑动窗口摘要时，旧摘要应逐步合并还是分段保留，如何控制信息遗失、冲突和可追溯性？
这题考滑动窗口摘要的状态维护策略：合并摘要更省上下文，分段摘要更可追溯，工程上通常需要分层结构而不是二选一。
Agent 如何从对话中更新向量记忆库里的用户画像，避免脏记忆、过期记忆和隐私风险？
这题考 Agent 长期记忆的写入路径：从对话提取用户画像不能直接整段入库，而要做候选抽取、确认、结构化、去重、过期、隐私过滤和可撤回治理。
大模型 Function Call 为什么会产生工具调用幻觉，工程上如何用 schema、权限、校验和反馈闭环降低误调用？
这题考 Function Call 的工程治理能力：工具调用幻觉不只靠 prompt 解决，还要靠工具契约、调用门禁、参数校验、执行反馈、回退策略和评测闭环共同降低。
同题还出现在 3 个公司岗位
Chain-of-Thought 为什么能提升复杂推理任务表现，它的收益、风险和生产可控性如何理解？
这题考 Chain-of-Thought 的机制理解：它通过显式或隐式中间步骤降低复杂任务的一次性求解难度，但上线时要控制答案暴露、成本、稳定性和可验证性。
同题还出现在 1 个公司岗位
Agent 系统中 Multi-Agent、One-Agent 和 LLM+Workflow 应如何选型？
这题考 Agent 架构模式选型，回答重点是 Multi-Agent、One-Agent 和 LLM+Workflow 在复杂度、可控性、成本、延迟、可观测性和适用场景上的取舍。
同题还出现在 2 个公司岗位
Agent 沙箱运行上下文如何封装用户配置、能力定义和可执行工具？
这题考 Agent 沙箱运行上下文的封装方式，回答重点是用户配置、能力定义、权限边界、可执行工具、工作目录、环境变量和可观测状态如何统一管理。
同题还出现在 1 个公司岗位
RAG 外部知识库分片过大时，如何重新切分、保留语义边界并控制召回噪声？
这题考 RAG 知识库切分的工程细节，重点是说明分片过大会稀释 embedding、挤占上下文、引入噪声，并给出递归切分、层级索引、元数据继承、召回重排和回归评测方案。
同题还出现在 1 个公司岗位
向量检索中 IVF_FLAT 和 HNSW 有什么区别，如何按召回率、延迟和内存选型？
这题考向量检索索引选型，回答重点是 IVF_FLAT 的聚类倒排思想、HNSW 的近邻图搜索思想，以及召回、延迟、内存、构建和更新成本的权衡。
同题还出现在 1 个公司岗位
PagedAttention 如何改善 LLM 长上下文推理的 KV Cache 管理？
这题考 PagedAttention 如何改善长上下文 LLM 推理中的 KV Cache 管理，回答重点是块化分页、减少碎片、支持连续批处理和提升显存利用率。
同题还出现在 1 个公司岗位
大模型 SFT 微调效果不好时，可以从哪些数据、模板、训练配置、参数高效微调和评估闭环维度优化？
这题考的是 SFT 效果诊断和优化方法论：要把问题拆成数据质量、任务分布、指令模板、训练超参、PEFT 配置、基座能力和评估闭环，而不是只说多清洗数据。
AI Coding Agent 从用户输入到完成任务的完整链路是什么，如何经过上下文构建、计划、工具调用、代码修改和验证？
这题考的是 AI Coding Agent 的端到端运行时理解：候选人要能把自然语言需求如何变成可验证代码改动讲清楚，包括上下文、计划、工具、修改、测试和回滚闭环。
AI Coding Agent 如何从人工逐步确认切换到自主执行，权限、审批策略、风险护栏和回滚机制应如何设计？
这题考 Agent 自主化的安全工程：不是简单关闭确认按钮，而是用风险分级、最小权限、策略审批、沙箱执行、自动验证和回滚审计来决定哪些动作可以自动做。
同题还出现在 1 个公司岗位
公开群聊搜索排序如何设计，如何结合群名称/内容相关性、活跃度、用户兴趣、质量安全和多样性信号决定排名？
这题考搜索排序系统设计：候选人要能从召回、相关性、质量安全、个性化、多样性和评估指标出发，设计公开群聊搜索的排名策略。
给定群聊数据表，如何为公开搜索排序设计群聊特征提取系统，并从 UID、群主、兴趣、活跃度等字段构建可用特征？
这题考特征工程和数据系统设计：要能把原始群聊表变成可供搜索排序使用的群、用户、群主、兴趣、活跃度、质量和实时特征，并保证一致性、可解释性和可监控。
大语言模型的 next-token 预测过程是什么，输入 token、上下文、logits/概率分布和解码策略如何共同产生回答？
这题考 LLM 推理基本原理：候选人要能从 tokenization、Transformer 上下文建模、logits、softmax 概率和解码策略讲清楚回答是如何逐 token 生成的。
同题还出现在 1 个公司岗位
Agent 的计划模式是什么？如何把用户目标拆成步骤、工具调用和可恢复执行状态？
这题考 Agent 运行机制：计划模式不是让模型多想一会儿，而是把开放目标转成可执行、可观测、可重试、可恢复的任务状态机或工作流。
同题还出现在 1 个公司岗位
向量检索中常见相似度计算指标有哪些？余弦相似度、点积和欧氏距离如何选择？
这题考向量检索基础和工程选择：候选人要能解释 cosine、dot product、L2 的含义、适用前提、归一化关系，以及为什么指标要和 embedding 训练目标及索引配置一致。
Agent 调用服务端 API 工具的完整流程是什么？如何完成参数生成、鉴权、执行、错误处理和结果回填？
这题考 Agent 工具调用的工程链路：模型通常不直接访问业务 API，而是由宿主系统基于工具 schema、权限、参数校验、执行器、错误处理和结果回填来完成闭环。
同题还出现在 2 个公司岗位
Agent 的 thinking 阶段如何判断该调用工具还是直接回复，如何设计决策信号和安全约束？
这题考的是 Agent 运行时决策设计：候选人要能说明什么时候直接回答、什么时候调用工具、什么时候追问，以及如何用置信度、权限、安全和回归评估约束决策。
同题还出现在 1 个公司岗位
RAG 混合召回链路中 URL 解析怎么做，如何把网页链接、正文和元数据接入向量与关键词召回？
这题考的是 Web 类知识源进入 RAG 的完整索引链路：候选人要能讲清 URL 规范化、网页抓取解析、正文抽取、元数据建模、chunk 切分、向量和关键词混合召回、权限过滤、去重引用和评估闭环。
RAG 项目里的召回排序链路如何设计，Embedding 召回、粗排、重排和答案生成各自承担什么职责？
这题考 RAG 的工程链路设计：不是只接一个向量库，而是要把查询理解、混合召回、粗排、重排、上下文拼装、生成约束和评测闭环讲成一条可上线的检索增强系统。
同题还出现在 3 个公司岗位
聊天 AI 应用中如何减少大模型幻觉？
减少聊天 AI 应用中的大模型幻觉，需要同时处理知识来源、提示约束、检索增强、工具调用、输出校验、拒答策略、评测监控和用户体验。核心原则是让模型少凭空补全，多基于可验证证据回答，并在证据不足时明确不确定。
同题还出现在 1 个公司岗位
大模型微调方法有哪些？
大模型微调可以从“训练目标”和“参数更新方式”两条线回答：训练目标包括继续预训练、监督微调、偏好对齐和任务适配；参数更新方式包括全参数微调和参数高效微调。面试中要说清每类方法解决什么问题、用什么数据、优化什么损失，以及成本和风险。
同题还出现在 1 个公司岗位
MCP、Function Call 和 A2A 在 Agent 系统中分别解决什么边界，如何协同？
这题考 Agent 系统的协议和责任边界。Function Call 解决模型到宿主工具调用意图的结构化表达，MCP 解决宿主和外部工具/资源服务之间的标准化连接，A2A 解决 Agent 与 Agent 之间的任务委托和协作。三者层级不同，不能混成同一个概念。
RAG 为什么要引入父子索引，如何兼顾小粒度召回和大粒度上下文回填？
这题考的是 RAG 检索粒度设计：小 chunk 更容易被向量或关键词召回命中，但单独放进上下文时可能缺少标题、章节、定义、前提和表格上下文；父子索引用子块做高精度召回，用父文档或父章节做证据回填，从而兼顾召回命中率、答案可读性和上下文预算。
RAG 检索中为什么要混合 BM25 和向量召回，融合权重或比例如何设置和评估？
这题考 sparse+dense hybrid retrieval 的工程判断：BM25 擅长精确词项、专名、数字、错误码和短查询，向量召回擅长语义相近、同义表达和自然语言问题。融合比例不是拍脑袋固定值，而要根据 query 类型、离线指标、线上反馈、延迟成本和 badcase 分布动态调优。
同题还出现在 1 个公司岗位
RAG rerank 后 TopK 与上下文长度预算如何选择，过短或过长时怎么处理？
这题考的是 rerank 之后的证据选择策略：TopK 不是固定返回几个 chunk，而是在相关性、证据覆盖、去重多样性、父子扩展、token 预算、模型长上下文能力、延迟成本和拒答策略之间做动态取舍。
Agent 微调中如何选择和清洗训练样本，哪些样本质量问题最容易改变模型行为？
这题考 Agent 微调数据的样本选择与清洗能力。与普通 SFT 不同，Agent 样本不仅有问答文本，还包含意图、计划、工具选择、参数、工具结果、状态变化、安全边界和最终回复。回答要说明哪些样本值得训练、哪些噪声会改变模型行为，以及如何用指标验证。
同题还出现在 1 个公司岗位
从用户行为日志抽取 Agent 训练对话时，如何做归一化和事件抽象？
这题考从用户行为日志构造 Agent 训练对话的能力。关键不是把日志拼成聊天记录，而是做会话切分、事件抽象、状态归一、隐私脱敏、目标推断、轨迹标注和质量过滤，让低层行为事件变成可训练、可审计、可评估的 Agent 对话样本。
RAG 检索召回无关内容时，如何从 query rewrite、混合检索、rerank、过滤和拒答机制处理？
这题考察候选人能否把 RAG 无关召回拆成可诊断、可治理、可评估的检索链路问题，而不是只说调提示词或换模型。
同题还出现在 1 个公司岗位