AI 面试准备指南：从技术知识到面试表达
AI 面试不是考你背了多少概念——是考你能不能讲清楚设计决策。RAG 和微调怎么选？为什么自研不用 Dify？Agent 循环步数上限设多少？这些问题没有标准答案，但有好答案和差答案的区别。这篇文章整理了 30 道高频题的回答模板和 16 个追问方向的应对要点——从项目介绍到追问应对，面试季前花一小时过一遍。
阅读约 20 分钟 | 系列番外篇
〇、AI 面试的特点：与传统后端面试有何不同？
传统后端面试考察链路清晰——JVM、MySQL、Redis、Spring、并发、分布式，面试官的问题有标准答案。AI 应用开发面试则不同：
| 维度 | 传统后端面试 | AI 面试 |
|---|---|---|
| 知识体系 | 成熟稳定，答案标准化 | 快速演进，多数问题没有"唯一正确答案" |
| 考察重点 | "你会不会"——技术点的掌握深度 | "你怎么想的"——设计决策的思考过程 |
| 项目经验 | CURD 业务逻辑 + 性能优化 | Agent 设计 + RAG 效果 + 成本控制 + 安全防护 |
| 加分项 | 源码级理解、调优经验 | 工程化思维——不仅能用 AI，还能设计可靠的 AI 系统 |
面试官最想通过面试确认的一件事是：你能独立设计并落地一个可靠的 AI 应用，而不只是"用 ChatGPT 写代码"。
STAR 项目描述模板
用以下框架描述你的 AI 项目，确保面试官在 60 秒内理解你的核心贡献：
S（情境）：项目背景和业务目标
T（任务）：你需要解决的具体技术问题
A（行动）：你的设计和实现决策（为什么这样选）
R（结果）：量化效果和教训反思
示例（PrismAI）：
S：考试指导场景下学生需大量刷题，但出题成本高——老师出一套 50 题试卷需要 2 小时。T：让 AI 根据考纲自动生成题目，同时确保题目质量达到"老师审核后可直接使用"的水平。A：用 ReAct Agent 架构——Agent 自主决定先检索知识库获取考点范围、再调用出题工具生成题目、最后通过反思检查题目是否覆盖要求的知识点。Embedding 层面放弃多模型策略，统一用 BGE 中文模型保证跨用户检索一致性。R：V1 已跑通，Agent 单次出题响应 8-12 秒；语义缓存命中后降到 2 秒内。最大教训：Agent 循环必须设置步数上限（10 步）和追问深度上限（5 层），否则模型幻觉时可无限循环消耗 Token。
一、核心问答模板
Q1："介绍一下你的 AI 应用项目"（60 秒版本）
我做了一个基于 Agent 的考试指导 AI 平台，核心流程是用户上传考纲资料→RAG 构建知识库→Agent 自主决策调用检索/搜索/沙箱工具→完成智能问答和模拟考试。技术栈 SpringBoot + Spring AI 2.0，用 DeepSeek/GLM/通义千问多模型。几个亮点：一是 Agent 用 ReAct 循环，LLM 自主决定调哪个工具、调几次，不是固定流程；二是平台统一 Embedding 解决跨用户公共知识库检索一致性问题；三是完整工程化——流式 SSE、语义缓存、三层降级、AES-256 加密 Key、可观测性。V1 已跑通，当前实现了 3 个 Agent 工具，另 3 个在设计中。
Q2："遇到的最大技术挑战是什么？"（三个备选方向）
方向 A（检索质量）：
公共知识库的 Embedding 策略是个坑。一开始设想每个用户用自己配置的模型（GLM Embedding / 千问 Embedding）生成向量，但后来发现不同模型的向量在完全不同的语义空间中——A 用户用 GLM 写的向量，B 用户用千问的模型去检索，余弦相似度全是噪声。最后改成平台统一 BGE 中文模型，所有 Embedding 走同一套，才保证了跨用户检索的一致性。
方向 B（成本控制）：
BYOK 模式下用户的 Key 是自己的钱，每多一次无效 LLM 调用用户就多花一分钱。语义缓存是最大的节省手段——考试场景高频问题重复率很高，"synchronized 原理"和"Java 内置锁的工作机制"语义相同，缓存命中直接返回。另外 Agent 循环加了 10 步兜底、追问 5 层上限，防止无限循环消耗 Token。
方向 C（Agent 设计）：
怎么让 Agent 的思考过程对用户可见而不是黑箱？设计了 ThinkingEvent + SSE 机制：每次工具调用前后推送事件（"正在检索知识库..." → "命中 8 个相关片段" → "正在生成回答..."），用户能看到 Agent 在做什么。技术上是通过 ReActContext 的 thinkingCallback 回调实现的——Agent 层不直接依赖 SSE，通过 Consumer 接口解耦。
Q3："你们为什么不用成熟的 AI 平台（Dify/Coze），要自己开发？"
Dify/Coze 是通用 AI 应用搭建平台，适合企业内部知识库问答这种标准场景。我们的差异在于：一是考试场景的追问逻辑需要定制 Agent 循环（LLM 自主判断追问深度而非固定次数），平台低代码拖拽做不到；二是用户自带 Key 模式需要细粒度的成本控制和多 Key 管理；三是代码沙箱执行这个能力在通用平台也不提供。本质上我们不是在做另一个 Dify，而是在做一个考试领域的垂直 Agent。
二、核心金句速查
以下短句可在回答中自然穿插，起到"一句话点透本质"的效果：
| 主题 | 金句 |
|---|---|
| AI 发展本质 | "AI 的发展就是不断减少'人工'、增加'智能'的过程——从人写规则到人设计特征，再到人设计网络结构，现在是人描述需求。" |
| Agent vs Chat | "Chat 模式 = 驾校教练（嘴说，你开），Agent 模式 = 代驾（直接帮你开）。核心 = 规划 + 工具调用 + 反馈循环。" |
| RAG vs 微调 | "RAG = 开卷考试（每次翻书查），微调 = 背书考试（记住的知识直接用）。信息频繁变动的场景选 RAG。" |
| MCP vs FC | "Function Calling vs MCP = 各厂商的私有充电口 vs USB-C。前者够用但换手机得换线，后者一次适配到处能用。" |
| ReAct | "ReAct 就是 AI 的'边想边做'——做一步、看结果、想一步、再做下一步。这和人类解决复杂问题的方式一模一样。" |
| Prompt 工程化 | "Prompt 工程化 = 把 prompt 当代码管——模板化、版本化、可测试、可回滚。" |
| 内容安全 | "Prompt Injection 的本质是 AI 分不清'指令'和'数据'。金融系统防线 = 输入隔离 + 最小权限。" |
| AI 代码质量 | "AI 代码 = 实习生作业——看着像样但必须师傅过目。审核的重点永远是异常路径。" |
| 成本控制 | "省钱不靠抠 Token，靠选对模型——DeepSeek 做 70 件日常的事，Claude 做 1 件复杂的事。" |
| 金融 AI 底线 | "知道什么时候信任 AI、什么时候不信任，才是真正的 AI 工程素养。核心链路不用 AI 写。" |
三、追问速查表
面试官可能从任何一个技术点切入追问，以下为各方向的应对要点：
| 追问方向 | 面试官为什么问 | 核心要点 | 展开关键词 |
|---|---|---|---|
| Agent vs Chat 区别 | 你用 Agent——和 ChatGPT 有什么本质不同？ | Chat = 动嘴，Agent = 动手 | 规划+工具调用+反馈循环 |
| MCP 解决了什么 | 你们用 MCP 了吗？ | N×M → N+M，USB 协议类比 | V1 用 FC，V2 改造 MCP |
| RAG vs 微调怎么选 | 为什么不用微调？ | 考纲频繁变动 → RAG；资源有限 → RAG | 先 RAG 验证再决定是否微调 |
| RAG 怎么评估 | 你怎么知道检索质量好不好？ | 三层：检索(MRR) + 生成(RAGAS) + 端到端 | LLM-as-Judge 自动评估 |
| 高级 RAG 了解哪些 | 基础 RAG 有什么问题？ | 检索不准(CRAG) / 跨文档(GraphRAG) / 短问题(HyDE) | 按实际问题选技术 |
| Prompt 工程怎么做 | 你们 Prompt 怎么管理的？ | 模板化+版本化+变量占位符+可回滚 | Prompt 当代码管 |
| 内容安全怎么做 | AI 应用怎么防注入？ | 三层防御：输入过滤+Prompt 约束+输出校验 | Prompt Injection 四道防线 |
| 成本怎么控制 | Token 费用怎么优化？ | 选对模型(省 70 倍) + 语义缓存 + 上下文压缩 | DeepSeek 日常，Claude 复杂 |
| 模型怎么选 | 为什么用 DeepSeek 不用 GPT？ | 性价比 70 倍 + 中文编程最优 + 合规 | 组合策略：DeepSeek+Claude+Kimi |
| 金融行业 AI 特殊要求 | 银行用 AI 有什么不同？ | 数据不出域、代码脱敏、审计追溯、核心链路保守 | Ollama 本地部署、Co-Authored-By |
| AI 代码质量怎么保证 | AI 写的代码你敢直接用？ | 四层审查：限定→逐行→检查→追溯 | 核心链路手写，外围 AI 辅助 |
| 结构化输出和流式 | 你们的输出是什么格式？ | JSON Schema 控制格式 + SSE 控制呈现 | 先流式展示，收完整后解析 |
| ReAct 是什么 | Agent 的底层机制是怎样的？ | Thought→Action→Observation 循环 | Plan-and-Execute、Reflexion |
| 多 Agent 协作 | 多个 Agent 怎么配合？ | 四种模式：流水线/辩论/投票/分层委派 | 人永远是总指挥 |
| 模型效果怎么评测 | AI 应用没有标准答案，你怎么知道它变好了还是变坏了？ | 离线评估集（MRR/Faithfulness）+ 在线 LLM-as-Judge 抽样 + 用户点赞率 | 每次改 Prompt 必须跑离线评估，低于阈值不发布 |
| AI 能替代程序员吗 | 你对 AI 编程怎么看？ | 替代执行，不替代决策 | 写代码能力贬值，判断力升值 |
四、技能自查清单
| 技能点 | 优先级 | 证明方式 |
|---|---|---|
| RAG 全链路（解析/切分/向量化/检索/生成） | 必掌握 | 系列第 2 篇（RAG）第 4 章 — 完整代码走读 |
| RAG vs 微调选型决策 | 必掌握 | 系列第 2 篇（RAG）决策框架 |
| RAG 评估体系（RAGAS/LLM-as-Judge） | 必掌握 | 系列第 2 篇（RAG）三层评估 |
| 高级 RAG（Self-RAG/CRAG/HyDE/GraphRAG） | 必掌握 | 系列第 2 篇（RAG）升级路线 |
| Agent ReAct 模式 + Tool Calling | 必掌握 | 系列第 3 篇（Agent）代码走读 |
| MCP 协议原理与对比 | 必掌握 | 系列第 3 篇（Agent）V2 改造方向 |
| Prompt 工程化管理 | 必掌握 | 系列第 1 篇（AI 全景）Prompt 工程化管理 |
| 多模型集成 + BYOK | 必掌握 | 系列第 1 篇（AI 全景）多模型集成 |
| 流式（SSE）+ 结构化输出 | 必掌握 | 系列第 1 篇（AI 全景）流式与结构化输出 |
| 语义缓存 + 降级策略 | 必掌握 | 系列第 3 篇（Agent）语义缓存与降级 |
| AI 应用可观测性 | 必掌握 | 系列第 4 篇（工程化实践）可观测性 |
| 内容安全（纵深防御） | 必掌握 | 系列第 4 篇（工程化实践）内容安全 |
| 模型部署与量化 | 了解即可 | 系列第 7 篇（模型部署）Ollama/vLLM/量化 |
| 微调（LoRA/QLoRA/DPO） | 了解即可 | 系列第 4 篇（工程化实践）微调 |
| 向量数据库选型 | 必掌握 | 系列第 2 篇（RAG）向量数据库选型 |
五、场景题：展示"你怎么想的"
面试官可能给一个开放式场景，考察设计决策而非标准答案。
场景 1："给银行设计一个 AI 客服系统"
先拆需求层级：第一层——高频标准问题（账户查询/网点查询），走 RAG 检索知识库直出，不需要 Agent。第二层——复杂操作（挂失/改密码），需要多步验证，用 Agent 调用多个工具（身份认证→风控检查→执行操作→通知用户）。第三层——不要做——投资建议、产品推荐等受监管业务，AI 出问题银行担责。
安全三件事：① 本地部署（Ollama + 内网），数据不出域；② 敏感操作二次确认（Agent 提出操作→用户短信验证码确认→执行）；③ 全部对话落库审计。
场景 2："怎么判断一个场景适合用 Agent 还是 RAG？"
判断标准：是否需要多步工具调用。RAG = 单步检索——用户问"什么是 MVCC"，检索知识库返回相关片段→LLM 综合回答。Agent = 多步执行——用户说"找出交易量最大的客户并生成报表"，需要：检索客户表结构→生成 SQL→执行查询→整理结果→生成 Excel。如果任务能拆成"检索→回答"一步到位→RAG；如果必须"拆解→执行→观察→再执行"→Agent。
多数生产场景是 RAG + 简单 Agent 组合——80% 问题 RAG 直出，20% 复杂任务触发 Agent。不要为了 Agent 而 Agent——简单场景用 Agent 反而增加延迟和 Token 消耗。
场景 3："用户说 AI 回答质量不好，怎么排查？"
分层排查：① 检索层——知识库里有没有相关文档？切分是否破坏了语义完整性？Embedding 模型是否正确？用 RAGAS 做 Faithfulness 评估确定是检索问题还是生成问题。② 生成层——Prompt 指令是否明确？System Prompt 是否约束了回答边界？Temperature 是否过高导致随机性过大？③ 如果检索和生成都没问题→是否是知识库本身的内容质量不佳？回到源头——知识库的维护比 RAG 架构更重要。
六、面试前五步准备清单
- 第一步：用自己的话复述 60 秒项目介绍（§一 Q1），计时——不超过 90 秒
- 第二步：针对三个追问方向（检索/成本/Agent 设计）各准备一个面案例，能讲出具体决策和反例
- 第三步：在 IDE 中过一遍项目核心类——ReActLoop / RagSearchTool / EmbeddingService / VectorIndexService——能说出每个类的职责和关键方法
- 第四步：准备 2 个"反例/教训"（如"V1 我们没做缓存→Token 成本暴涨→V2 加语义缓存后降 40%"），面试官想看到你不仅会做，还能反思
- 第五步：打开追问速查表（§三），随机挑 3 个方向，口头模拟回答（注意控制每个回答 30-45 秒，不背诵全文）
使用建议：
- 面试前夜通读 §一的三个问答模板，用自己的话复述 2-3 遍
- 被问到手册中没有的细节时，坦诚说"这个方向我调研过，目前方案是..."，比硬编要好
- 面试前打开 IDE 过一遍项目核心类，能说出每个类的职责和关键方法
- 项目地址：gitee.com/Shore-w/pri…
核心要点回顾
- AI 面试考察的是"你怎么想的"，不是标准答案——准备好设计决策的推演过程，比背概念定义重要 10 倍
- STAR 模板是 60 秒项目介绍的最佳框架——S（情境）→ T（任务）→ A（行动+决策）→ R（结果+反思），确保面试官快速理解你的核心贡献
- 三个核心问答模板（项目介绍/最大挑战/为什么自研）必须用自己的话复述 2-3 遍——不是背诵，是内化
- 10 条金句是"一句话点透本质"的弹药——在回答中自然穿插 1-2 条即可，不要全部堆砌
- 追问速查表的 16 个方向 + 3 个场景题覆盖了 90% 的 AI 面试追问——面试前随机挑 3 个方向口头模拟回答，每个 30-45 秒
- 面试前五步准备清单的最后一步最关键：打开 IDE 过一遍项目核心类，能说出每个类的职责和关键方法
面试准备的核心不是背完 30 道题——是挑 3 个你最有把握的项目经历，用 STAR 格式写好，剩下的用金句速查表一小时过一遍。收藏这张速查表，面试季前翻出来。
上一篇：《AI图片视频处理工具手册》（附录） | 下一篇：《AI项目开发规范体系设计指南》（扩展） 系列合集：掘金AI合集
