程序员面试专题库

向量检索质量不只取决于模型，embedding 版本、切分策略、索引参数、权限过滤和回滚方案都会影响线上效果。

Agent 接上工具后，风险从回答质量扩展到真实副作用。参数、权限、幂等、审计和人工确认必须进入后端设计。

RAG 重排的价值是把真正有用的证据放到前面，但它也会带来延迟和成本，需要按场景取舍。

大模型安全不是提示词里写几句禁止，而是后端要设计输入、输出、权限、确认和审计的完整边界。

企业 RAG 的权限问题不能交给模型自觉，必须在检索和上下文构造阶段就过滤掉无权限资料。

AI 项目要从模型效果走向业务闭环，能说明指标、反馈、坏例、迭代和监控，才像真实上线系统。

RAG 不只难在首次搭建，知识库持续更新后更考验版本管理、缓存失效、索引一致性和坏例回归。

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。

大模型应用面试不是炫模型名，而是讲清你如何把不稳定的模型输出变成可用的业务系统。