淘宝闪购 AI 应用研发二面，我笑了！！！
面完试走出来，脑子还是嗡嗡的。说实话，面之前我觉得自己准备得还行，结果一个多小时聊下来，才发现好多东西只是知道个皮毛，稍微往深了问问，就开始冒冷汗。趁着记忆还热乎，赶紧把这场面试复盘一下，主要是淘宝闪购 AI 应用研发的实习岗，问题量不小，有些点我觉得挺值得聊聊的。
Agent 项目上线了吗？用的什么框架？
面试官上来就逮着我的项目问。问我那个 Agent 项目到底有没有上线。嗯，还没，只是一个比较完整的 Demo。他接着问有没有用 LangChain 之类的框架。这个我倒是用了，这种框架确实能省不少事，不用从零去拼积木。不过他也提醒我，用框架得清楚它里面到底干了什么，不然出了问题都不知道去哪查。
意图识别那块咋搞的？
这个问题问得很细。我的做法其实不复杂，说白了就是分层处理。先拿规则去拦截那些特别明确、特别简单的指令，比如“帮我查个订单”这种，直接命中关键字就转给对应的工具。复杂一点的、规则搞不定的，再扔给大模型去做语义理解，让它判断用户到底想干嘛。结构大概是这样：
项目里用了哪些工具？怎么提升调用准确率？
工具就是常见的那些，搜索、计算器、查询数据库的接口。准确率这个事，坑挺多的。我最深的体会是，你得把工具的描述写清楚，就跟给一个新人写操作手册一样。参数要干嘛用的、什么格式，最好再给几个例子。大模型它聪明，但也得你“喂”得明白。有时候它不按你的来，不是它笨，是你没说清楚。
知识库怎么搭的？RAG 有哪些分块策略？
知识库这块，我坦白说踩了不少坑。一开始就是无脑把文档按固定长度切，结果发现经常把一句话切得稀碎，检索出来的东西前言不搭后语。后来学乖了，开始用那种有重叠的切法，让上下 chunk 有点重复内容，保证语义是连贯的。面试官还追问了其他策略，我就提了句可以按段落、按标题这种有语义边界的方式去切，效果会好不少。当时没画图，现在想想，一个简单的语义分块对比图应该能说明白：
怎么提升检索的回答准确率？表格和图片怎么处理？
准确率这个问题，光靠切分还不够。我提到用 query 改写，就是用户问的话有时候很口语化，你得把它扩展或者提炼成更适合检索的关键词。检索回来一堆文档后，也别全扔给模型，做个重排序，把最相关的排在前面。至于表格和图片，表格还好，可以解析成 Markdown 或者 JSON 再存，大模型现在读结构化数据的能力不差。图片就头疼一点，一般是用多模态模型把图片内容转成文字描述，再把描述存进知识库。
系统用 ReAct 模式了吗？
用了。ReAct 就像一个总在思考和行动之间反复横跳的循环。模型拿到问题，先“想”一下下一步该干嘛，然后去“做”，观察做出来的结果，再接着“想”下一步。这个循环一直跑到它觉得任务完成了，或者撞到墙（达到最大步数）为止。这个模式处理复杂任务确实稳，比一次性输出靠谱多了。
怎么提升模型回答性能？Prompt 优化方法？
性能这块，能聊的挺多。像缓存，同样的问题就别让模型再算一遍了。Prompt 优化，我主要说了 few-shot，就是在 prompt 里给它塞几个例子，让它照着学。还有思维链，让它把思考过程一步步写出来，尤其是在做逻辑题的时候，准确率能提高不少。
Token 和字符的区别是啥？
这个属于基础题了。字符是我们人眼看到的一个字或字母，Token 是模型处理的最小单元。一个中文字大概就是 1 到 2 个 token，一个英文单词可能被拆成好几个。模型不认识字，只认 token ID。
LangChain 和 LangGraph 简述一下？
LangChain 更像一个链条，你把各种组件串起来，数据从头流到尾，适合那种一步步走的流程。LangGraph 就更灵活了，它是个图结构，你可以定义节点和边，让流程能分叉、能循环，更适合搞那种复杂的、状态很多的 Agent。一个线性思维，一个图思维。
Agent 的常见运行模式？
除了刚才说的 ReAct，还有那种把任务拆成计划再一步步执行的，也有多个 Agent 互相聊天辩论的。核心都是让模型能自主地去调用工具，完成一个目标。
怎么解决 Lost in the middle 问题？
这个问题挺经典。模型读长文本，往往对开头和结尾记得牢，中间的就容易忘。解法嘛，一个是把重要的信息尽量往前放，或者在检索的时候，把最相关的文档片段放在 prompt 的开头和结尾。也可以在做摘要的时候，强制它去关注中间部分。
Prompt 的基本组成结构？
一个完整的 prompt，一般就是给模型设定个角色，告诉它背景是啥，然后下达具体的指令，再给点例子，最后抛出用户的问题。就跟交代下属干活一样，背景、目标、参考、任务，齐活了。
线程池核心参数？进程、线程、协程的区别？HashMap 底层原理？
这几个开发基础题，问得我后背发凉。线程池那几个参数，核心线程数、最大线程数、存活时间、工作队列、拒绝策略，我磕磕巴巴算是说上来了。进程是资源分配的最小单位，线程是调度的最小单位，协程是用户态的轻量级线程，自己管自己切换。HashMap 的底层，数组加链表加红黑树，哈希冲突怎么办，什么时候扩容，这些概念都懂，但被问到一些细节的负载因子为什么是 0.75 时，我还是有点虚。基础不牢，地动山摇啊。
算法：除自身以外数组的乘积
最后来了道算法题。给你一个数组，返回一个新数组，新数组每个位置的值是原数组除了它自己以外所有元素的乘积。要求不能用除法，最好 O(n) 时间复杂度。我用了左右乘积列表的方法，从左到右乘一遍，再从右到左乘一遍，两边结果一乘就是答案。写是写出来了，但手有点抖，边界条件还愣了一下。
反问环节
最后我问了下面试官部门 C 端核心业务是啥，他说主要是围绕手淘的即时零售这块，很多高并发场景。我又问 AI 研发在业务里主要往哪个方向落，他提到智能导购、自动化营销素材生成，还有客服系统的优化。最后我厚着脸皮问对我面试表现有啥建议，面试官笑了笑，说项目深度可以再挖一挖，基础知识，尤其是并发编程那块，得再补补。
这场面试就像一次全方位体检，哪里强哪里弱，照得一清二楚。大模型应用开发，不是光会调个 API、搭个 LangChain 链就完了。底层的原理、工程落地的细节、传统计算机基础的扎实程度，少一样都会在某个瞬间露怯。
如果你也在准备类似的面试，希望这篇复盘能给你一点点帮助。觉得有用的话，点个赞或者转给需要的朋友吧，祝大家面试都少踩点坑。
写在最后
有读者问过我：“这些面经真的是学员复盘的吗？”
是的。每一篇都是真实面试后的复盘，信息源可追溯。
我能做的，就是把那些“面试官问了什么、学员怎么答的、为什么这么答能过”的逻辑拆解清楚，让更多人有章可循。
至于你能不能看懂、能不能内化成自己的东西，那就看你自己了。
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～
