一、AI流式输出与网络协议
“SSE原理是什么？和WebSocket有什么区别？为什么AI对话场景选SSE不选WebSocket？”——面试官要的不是背定义，而是工程取舍的底层逻辑。追问：“SSE有什么缺点？浏览器连接数限制怎么破？断线重连+消息去重怎么设计？”
“流式Markdown解析器怎么实现？AI逐字输出代码块时，怎么防止标签截断导致页面闪烁？”——追问：“解析放Web Worker怎么通信？虚拟列表怎么跟流式渲染结合？”
“Fetch请求怎么中断？AbortController在AI场景怎么用？”
二、RAG与向量数据库
“RAG是什么？前端在RAG里承担什么职责？”——追问：“引用来源怎么高亮展示？点赞点踩的反馈闭环怎么设计？”
“浏览器端向量数据库用过吗？文档切片+检索的Demo能现场写吗？”——字节面试官会让你手写一个简易的向量检索逻辑。
三、Agent与MCP协议
“Agent是什么？跟传统前后端交互有什么区别？”——追问：“Agent的思考→执行→观察→完成状态流转，怎么用TypeScript做类型安全的状态机？”
“MCP协议了解吗？和传统Function Call的区别是什么？”——面试官会追着问：“MCP服务器怎么实现？Skill你怎么理解？”
“AI生成的ECharts图表万一报错，前端怎么兜底？”——考察防御式编程和降级策略。
四、端侧推理与WebGPU
“Transformers.js用过吗？WebGPU怎么加速推理？”——“模型量化、内存优化、降级策略”是直接加分项。
“Web Worker跑过轻量级模型吗？ONNX Runtime了解多少？”——追问：“PyTorch模型怎么经过TorchScript→MLIR→WGSL编译成GPU可执行字节码？”——这是2026年端侧AI的硬核考点。
“浏览器跑Llama，WebGPU比CPU快多少？4-bit量化精度损失怎么评估？”
五、TypeScript类型系统（AI场景特供）
“AI接口返回的嵌套数据结构（多轮对话、工具调用结果），怎么用泛型和条件类型做灵活类型推导？”
“AI返回字段因模型版本动态变化，怎么设计类型守卫和类型收缩？”
“怎么用模板字面量类型约束AI返回的特定格式字符串？”
“联合类型和交叉类型，哪个更适合定义多模态AI输出（文本、图像、音频）？为什么？”
“设计一个支持流式Chunk数据与错误处理的泛型接口，兼容SSE和WebSocket。”
六、AI协作与工程化
“你日常AI工作流是什么？怎么保证AI生成代码的质量？”——“如果AI给你一个不存在的npm包，怎么防范？”
“怎么把Prompt工程沉淀为可复用的Skill？Prompt模板库怎么版本控制和A/B测试？”
“设计一个从需求到上线的全流程AI提效方案。”——考察AI工程化能力。
github：github.com/encode-stud…
