程序员面试专题库

结构化输出不是让模型“按 JSON 返回”这么简单，后端必须承担解析、校验、重试、降级和审计。

Agent 记忆的核心不是保存更多聊天记录，而是管理当前任务状态、长期偏好、权限边界和可删除能力。

AI 后端不能只关注回答质量，模型调用的超时、失败、成本和降级策略同样决定项目是否能上线。

大模型应用质量差异往往不只来自模型，而来自上下文选择、证据组织、历史压缩和成本延迟取舍。

RAG 回答错了，不一定是模型问题。面试里要按资料、切分、召回、重排和生成分层归因。

RAG 项目的难点不是把文档塞进向量库，而是让正确资料被召回、排到前面，并在资料不足时拒答。

微调和提示词不是谁更高级，而是分别适合解决不同问题。面试里要先讲业务目标、数据条件和评估方式。

大模型应用真正难的是评估。面试里要讲清好答案如何定义、坏例如何积累、上线后如何持续发现问题。

AI 后端不是把模型接口接通就结束，面试官更关心上下文、工具调用、失败处理、成本延迟和可观测性。

推荐系统不是堆模型名。面试官更关心你如何定义目标、组织召回和排序、处理冷启动，并用实验验证业务效果。

AI 算法项目面试不只是解释模型结构，更要证明你理解任务、数据、指标、失败边界和业务收益。

算法项目面不是背模型结构，而是证明你知道模型为什么有效、什么时候失效、如何落地。