AI Knowledge

外观

王佳鹏简历高频面试题口述速答版 ​

定位｜ 本页是题库 10-王佳鹏简历高频面试题一问一答.md 的分册：每题只保留关键词锚点和 30 秒可直接背诵的口述，用于面试前一天快速过题。每问先用关键词唤起记忆，再按"结论 → 机制 → 证据与边界"三句话口述，说完即停，等面试官追问。

目录 ​

1. 使用说明与口述公式 ​

每道题按固定节奏口述：

第一句给结论和定义 → 第二句讲核心机制和关键决策 → 第三句给证据、适用边界或验证方式 → 停住等追问

关键词用" · "分隔，是记忆锚点，也是回答中必须出现的词；漏掉任意一个，说明该题的某层能力没有覆盖。完整答案、考察点、加分项和高频误区见主题库对应题号。

证据边界： 口述中出现的 [待补] 必须替换为本人可证明的材料（Trace、Schema、指标、代码或提交记录）；没有实测的部分使用"我设计了、计划通过……验证"，不说成已提升。

2. 口述地图 ​

图：从关键词锚点到 30 秒口述的三层结构

替代文本： 每个问题先提取关键词锚点，再按"结论 → 机制 → 证据与边界"组织 30 秒口述，说完后停住等待面试官追问；追问继续使用关键词回到对应层。

图表加载中…

读图结论： 关键词不是装饰，而是把回答压缩成三层记忆：背不出关键词就背不出机制；口述只负责开门，深度留给追问。

3. 定位与求职动机 ​

Q01｜请用 90 秒做自我介绍，为什么你适合 AI Agent 应用工程师？ ​

关键词｜ 九年后端 · CSGO 饰品智能平台 · RAG/实时工具分流 · 受控 Agent

30 秒口述： 面试官您好，我叫王佳鹏，有九年后端开发经验，最近重点转向 RAG 和 Agent 应用工程。我主要负责 CSGO 饰品智能平台中的多平台数据接入、知识检索和实时工具调用：稳定知识走文档解析、混合检索与 Rerank，实时价格和库存走受控接口。我的优势是把后端的权限、状态、超时、降级和可观测能力应用到 Agent 系统中，提升 AI 链路的稳定性和可维护性。

Q02｜为什么求职意向同时写“AI 应用工程师/后端开发”？ ​

关键词｜ 主方向 · 能力底座 · 工程层 · 不主攻算法

30 秒口述： 我的主方向是 AI 应用工程，后端开发是实现生产落地的能力底座，两者是同一个方向的两层，不是两个岗位。我适合负责模型与业务系统之间的工程层，包括 RAG、Agent Runtime、模型网关、异步任务、权限和可观测性。我不主攻模型预训练或纯算法研究，这是我能明确的边界。

Q03｜九年后端经验中，哪三项最能迁移到 Agent 系统？ ​

关键词｜ 状态与一致性 · 异步可靠性 · 可观测性 · 确定性约束

30 秒口述： 最直接的三项是状态与一致性、异步任务可靠性、生产可观测性。Agent 的模型输出不确定，但副作用、权限、超时、幂等和审计必须由确定性工程约束，这正好是后端经验的强项。例如 [待补：队列补偿或状态机] 直接复用到工具调用结果未知时的对账设计。

4. AI-Native 开发与 Coding Agent ​

Q04｜Codex、Claude Code、Cursor 在你的研发流程中如何分工？ ​

关键词｜ 风险分层 · 任务契约 · 人工审查 · 发布门禁

30 秒口述： 我不按产品分工，而按任务风险分层：检索和解释可以更自主，跨模块修改需要任务契约和局部验证，高风险发布必须走项目门禁。真实案例要说明我给了什么上下文、Agent 产生了什么 diff、我如何审查、执行了哪些测试。结论是工具决定产出速度，人决定产出边界。

Q05｜Rules、Skills 和普通 Prompt 的区别是什么？ ​

关键词｜ 一次任务 · 跨任务约束 · 可复用工作流 · 分层

30 秒口述： Prompt 是一次任务的具体指令，Rules 是跨任务持续生效的约束和验收标准，Skill 是可复用的领域工作流，包含触发条件、步骤、工具边界和验证方法。三者必须分层，否则上下文重复、规则冲突且难以审计。我可以给出 [待补：一条真实 Rule 或 Skill] 证明设计过。

Q06｜请讲一个你用 Coding Agent 完成的完整工程任务。 ​

关键词｜ 任务契约 · 改动范围 · 测试 · 否决了什么 · 交付证据

30 秒口述： 我选 [待补真实任务]，按任务契约、代码检索、改动范围、测试、失败修正和交付证据展开。重点是分清哪些判断由我完成、Agent 生成了什么、我否决了什么，以及最终验证为什么足以支持结论。只说"效率提升很多"不算证据。

5. Agent 原理、工具、状态与安全 ​

Q07｜你做的是 Workflow 还是 Agent？两者边界是什么？ ​

关键词｜ 程序预定义 · 模型受控决策 · 混合架构 · 控制权

30 秒口述： Workflow 的步骤和分支主要由程序预先定义，Agent 允许模型在受控范围内根据状态选择下一步、工具或终止条件。生产系统常是二者混合：确定性流程承载权限和副作用，Agent 处理解释、检索和有限决策。我的项目里 [待补：哪一步由模型决定、哪一步由代码决定] 是判断真实深度的关键。

Q08｜工具调用超时后为什么不能直接重试？ ​

关键词｜ 结果未知 · 重复副作用 · 幂等键 · 对账

30 秒口述： 超时只说明调用方没收到确定结果，不代表外部动作没执行，所以直接重试可能重复扣款、发消息或创建任务。带副作用的工具要先用幂等键、业务唯一键或供应商任务 ID 查询真实状态，确认未执行后再在次数和总时长预算内重试。我设计了 SUBMISSION_UNKNOWN 状态和对账流程来兜底。

Q09｜Agent 的状态、短期记忆和长期记忆有什么区别？ ​

关键词｜ 权威数据 · 会话上下文 · 跨会话治理 · 生命周期

30 秒口述： 状态是当前任务推进所需的权威数据，如步骤、工具结果和审批状态；短期记忆是本次会话内压缩后的上下文；长期记忆是跨会话复用、经过写入策略治理的信息。三者要分别定义来源、生命周期、访问权限和删除机制，不能把聊天记录全部向量化后统称 Memory。

Q10｜Agent 如何防止 Prompt Injection 和越权工具调用？ ​

关键词｜ 输入只是数据 · 模型外控制 · 最小权限 · Fail Closed

30 秒口述： 不可信文档和用户输入只能作为数据，不能覆盖系统策略，所以安全不能靠 Prompt 里加一句"忽略恶意指令"。工具执行必须在模型外做身份鉴别、最小权限、参数策略、资源归属校验和高风险审批，并记录审计日志，高风险失败默认 Fail Closed。模型生成合法 JSON 不等于允许执行。

Q11｜怎样评测一个 Agent，而不是只评测最终答案？ ​

关键词｜ 分层评测 · 固定任务集 · Trace · 首次偏离

30 秒口述： 我会分层评测任务完成率、工具选择、参数正确性、步骤效率、权限合规、恢复能力、延迟和成本。固定任务集要保留初始状态、允许工具、期望状态和判定器，并用 Trace 找出首次偏离的步骤。LLM-as-a-Judge 只作辅助，不能替代确定性判定和人工评审。

6. RAG 智能客服与实时行情 ​

Q12｜为什么这个场景需要 RAG，而不是直接微调或长 Prompt？ ​

关键词｜ 知识变化 · 来源引用 · 权限过滤 · 微调管行为

30 秒口述： 饰品知识和业务规则持续变化，还需要来源引用和权限过滤，RAG 更适合外置、更新和追踪知识。微调适合稳定的行为或风格，不适合作为频繁变化事实的唯一载体；长 Prompt 在规模、成本和精确定位上也受限。我会说明哪些意图更适合规则、SQL 或 API，不把所有问题都丢给 RAG。

Q13｜请讲清从用户 Query 到最终回答的完整链路。 ​

关键词｜ 改写 · ACL · 混合召回 · Rerank · k 分层 · 引用校验

30 秒口述： 链路是 Query 与改写、租户和 ACL、元数据过滤、关键词与向量候选、融合、Rerank、最终 Context、Token 预算、模型生成和引用校验。我分别记录 k_recall、k_rerank、k_context，因为 Reranker 不能找回召回阶段漏掉的证据。简历里"保留饰品元信息"就体现在元数据过滤和引用定位上。

Q14｜为什么实时行情不能直接从向量库回答？ ​

关键词｜ 知识 vs 真值 · 意图路由 · 带时间戳的 API · 新鲜度

30 秒口述： 向量库适合召回历史知识和语义说明，不适合作为价格、库存和订单状态的权威来源。系统要先做意图路由，知识解释走 RAG，实时行情和用户库存走受控 API 或 SQL，并返回时间戳、来源和新鲜度。把最新行情定期 Embedding 后直接回答是常见错误。

Q15｜检索到了正确文档但回答仍然跑偏，怎样排查？ ​

关键词｜ 追到 Context · 分数分布 · Token 截断 · 模型版本

30 秒口述： 继续检查 Chunk 粒度、父子关系、重复候选、Rerank 分数、最终选中的 Context、Token 数、截断位置、Prompt 和模型版本。必须确认正确证据是否真正进入模型窗口，不能因为候选列表里出现过就判定检索没问题。直接增大 Top-k 或换大模型不是定位手段。

Q16｜RAG 如何做租户和文档权限隔离，并怎样评测客服效果？ ​

关键词｜ 检索前下推 · 返回前复核 · 缓存指纹 · 四层指标

30 秒口述： 权限在候选生成前尽量下推，最终返回前再次校验，缓存键包含租户和权限指纹，索引、元数据、删除传播和审计都按租户追踪，安全关键链路 Fail Closed。评测分四层：离线检索 Recall@K、MRR 或 NDCG，答案正确性与引用支持率，线上采纳率和首次解决率，再叠加延迟与成本，按问题类型、租户和版本分桶。

7. AI 视频剪辑与多模态工作流 ​

Q17｜“CSGO 高光识别”的问题定义和标签是什么？ ​

关键词｜ 事件类型 · 时间边界 · 验收口径 · 标注一致性

30 秒口述： 高光不能只定义为音量大或发生击杀，要先明确事件类型、时间边界、上下文完整度和人工验收标准，真实口径是 [待补：击杀、爆头、连杀、残局等标签及窗口]。还要说明标注一致性与负样本，区分候选召回和最终素材通过，不能拿"AI 自动识别精彩片段"当问题定义。

Q18｜FFmpeg、OpenCV 和多模态模型各自负责什么？ ​

关键词｜ 媒体工程 · 帧级处理 · 语义判断 · 确定性优先

30 秒口述： FFmpeg 负责探测、裁剪、转码、拼接和媒体规范化，OpenCV 适合帧级检测与传统视觉处理，多模态模型用于难以用确定规则表达的语义或质量判断。能用确定性媒体工具完成的步骤不应全部交给生成模型；简历里"结合 FFmpeg、OpenCV 完成切片、转码和智能成片"就是这个分工。

Q19｜视频工作流如何局部重试而不是整条重跑？ ​

关键词｜ 稳定 ID · 输入指纹 · 版本冻结 · 受影响节点恢复

30 秒口述： 每个镜头和产物要有稳定 ID、输入指纹、版本和状态，节点输出持久化并可校验，失败后从受影响节点恢复，复用已通过的脚本、音频和镜头。外部生成任务还要记录供应商任务 ID，避免结果未知时重复提交，不能失败就整单重跑。

Q20｜“成本可控”具体怎样定义和证明？ ​

关键词｜ 合格成片 · 总成本 · 分桶 · 公式与分母

30 秒口述： 核心指标不是单次 API 价格，而是单个合格镜头或合格成片的总成本，包含生成、重试、存储、转码和人工审核。我按镜头类型、模型、失败原因和统计窗口分桶，用 [待补真实数据] 比较路由或重试策略，同时报告首轮通过率和平均生成次数。简历里"验证渲染成功率、单次任务成本"必须给出公式、分母和统计窗口。

8. AI 模型统一网关 ​

Q21｜为什么要建设模型统一网关，而不是业务直接调用供应商？ ​

关键词｜ 协议统一 · 治理 · 多供应商 · 代价与阈值

30 秒口述： 网关统一模型协议、鉴权、配额、路由、超时、审计、成本和供应商差异，让业务不直接绑定某个 SDK。但它会增加一跳和平台复杂度，只有多业务、多供应商或治理需求达到阈值时才值得建设。所以答案要同时说收益和代价，只说"统一接口方便切换模型"不够。

Q22｜动态路由依据是什么，怎样避免不可解释？ ​

关键词｜ 路由特征 · 版本化 · 命中原因 · 灰度回滚

30 秒口述： 路由可以使用任务类型、质量等级、上下文长度、区域、配额、延迟、成本和健康状态，策略要版本化并记录命中原因。先用明确规则建立基线，再在有标注与回滚条件时引入学习式路由，配灰度、影子流量和切换阈值。说"自动选择最优模型"但给不出目标函数是失分点。

Q23｜网关怎样设计 Deadline、超时、重试和熔断？ ​

关键词｜ 端到端 Deadline · 重试预算 · 隔离熔断 · 防重试放大

30 秒口述： 请求携带端到端 Deadline，各阶段只能消费剩余预算；只有明确可重试且未产生不可控副作用的错误才重试，并限制次数和总时长。供应商异常时按模型与区域隔离熔断，降级到候选模型、缓存结果或明确失败，同时防止重试放大和重复计费，用供应商请求 ID 对账。

Q24｜网关如何做多租户鉴权、限流与成本归因？ ​

关键词｜ 租户配额 · 隔离键 · 用量记录 · 预算告警

30 秒口述： 身份解析后按租户、应用、模型和时间窗口执行配额与并发控制，限流键和缓存键必须包含隔离维度。每次调用记录业务标签、模型版本、输入输出 Token、重试、延迟、供应商请求 ID 和估算费用，用于预算告警与账单对账。监控至少分供应商、模型、租户和错误类型看成功率、首 Token 延迟、端到端延迟和成本。

9. 饰品交易、数据平台与后端工程 ​

Q25｜饰品知识、实时行情和用户库存怎样建立统一身份？ ​

关键词｜ 模板 ID · 快照 ID · 用户资产 ID · 命名映射

30 秒口述： 稳定知识和市场模板用 [待补真实字段，如 market_hash_name] 标识，行情带来源与快照 ID，用户具体资产再关联平台账号和资产 ID。展示名、市场模板、行情快照和用户实例不能混为一个 ID；跨平台命名不一致需要映射表与清洗规则。

Q26｜多源行情聚合怎样处理延迟、冲突和异常值？ ​

关键词｜ 来源可追溯 · 规范化 · 异常分级 · 不直接取平均

30 秒口述： 每条报价保留来源、采集时间、币种、手续费和可交易性，先规范化再聚合，对过期、异常跳变、样本不足和来源故障分别处理，最终价格可追溯到原始快照。聚合规则由业务目标和实测决定，不能直接对各平台价格取平均。

Q27｜RabbitMQ 与 Kafka 在你的项目中怎样选？ ​

关键词｜ 路由与延迟消息 · 高吞吐与回放 · 至少一次 · 幂等

30 秒口述： RabbitMQ 更适合复杂路由、任务队列和延迟消息，Kafka 更适合高吞吐事件流、可回放日志和多消费者订阅，选择看顺序、重放、堆积、延迟、消费模型和运维。消息默认按至少一次投递设计，消费者用业务幂等键去重，生产者用 Outbox 或事务消息避免提交后丢事件。

Q28｜MySQL、Redis、MongoDB、ClickHouse 分别适合你简历中的哪些数据？ ​

关键词｜ 交易状态 · 热点缓存 · 行为记录 · 分析聚合

30 秒口述： MySQL 存交易与权威业务状态，Redis 存热点和短期协调数据，MongoDB 适合模式灵活的行为记录，ClickHouse 适合分析型明细与聚合查询。选择还要看一致性、更新模式、查询模式和运维边界；简历里的用户行为日志、行情快照和数仓大宽表正好对应不同存储。

Q29｜稳销云系统的多租户授权和线索同步怎么设计？ ​

关键词｜ 租户隔离 · Pull/Push 幂等 · 事件解耦 · 状态机监控

30 秒口述： 百度、腾讯、字节媒体线索对接要解决多租户快捷授权、Pull/Push 同步和幂等：授权令牌按租户隔离存储与刷新，同步任务用事件和延迟队列解耦，公海自动回流与 SOP 全流程监控通过状态机和审计日志保证可追踪。结合 OpenAI 的客户画像分析要说明埋点数据如何动态调整 Prompt，以及画像准确性用什么指标评测。

10. 项目真实性、协作与复盘 ​

Q30｜最近几个项目中，你亲自负责的边界分别是什么？ ​

关键词｜ 职责分项 · 个人证据 · 明确归属 · 可维护性

30 秒口述： 我会按需求决策、架构、核心代码、联调、上线和运营分别说明由我负责的部分，并给出 [代码路径/提交/设计文档/Trace/评审记录]。团队完成的模型、平台或业务结果明确归属，不用"我们做了"替代个人贡献；哪个模块离开我仍能正常维护，也如实说明。

Q31｜讲一个 AI 项目中真实失败或返工的案例。 ​

关键词｜ 现象 · 证据 · 根因 · 止损 · 防复发

30 秒口述： 我按现象、影响、request_id 或版本证据、假设排除、止损、根因、长期修复、回归和防复发回答。若没有真实事故，我明确说是故障演练，不把设计题包装成线上事故；例如 [待补：网关超时重试或视频任务重复提交] 可以从演练证据讲起。

Q32｜这份简历中你认为最容易被质疑的三处是什么？ ​

关键词｜ 动态决策 · RAG 证据 · 成本数据 · 收缩表述

30 秒口述： 最容易被追问的是 Agent 是否真正具有动态决策、RAG 是否有评测与权限证据、AI 视频和模型网关的成本与稳定性是否有数据。我的准备方式不是再加名词，而是为每处补一张调用链、一条 Trace、一组指标和明确个人贡献；暂时补不出的就收缩表述，把"实现了"改成"设计了"。

Q33｜如果入职后 30 天让你接手一个现有 Agent 系统，你会怎么做？ ​

关键词｜ SLO · 任务回放 · 风险排序 · 先观测后扩张

30 秒口述： 先梳理业务目标、权限和 SLO，再选一批真实任务回放，建立从输入到工具结果的 Trace。随后按高风险副作用、不可恢复状态、无评测集、无版本和成本失控排序整改，先补最小安全与观测闭环，再谈功能扩张，给出 7、14、30 天阶段交付，不第一周就换框架或模型。

11. 数据指标与量化追问 ​

Q34｜你们的召回准确率是多少，怎样提高，为什么没有达到 100%？ ​

关键词｜ Recall@20 覆盖 · MRR@10 首条命中 · NDCG@5 整体排序 · Context Precision@5 上下文纯度

30 秒口述： 在 CSGO 饰品知识问答中，我用 Recall@20 看必要证据有没有进入候选，用 MRR@10 看第一条正确证据是否靠前，用 NDCG@5 看前五名整体顺序，用 Context Precision@5 看最终交给模型的五块内容有多少真正有用。1,000 条模拟标注问题上，这四项分别是 92.7%、0.811、0.842 和 78.9%；它们共同定位召回、排序和 Context 拼装问题，最终还要结合引用支持率、答案正确性、TTFT 和成本判断，不能把模拟值说成线上实测。

Q35｜首 Token 响应时长是多少，为什么慢，卡点在哪里，怎样优化？ ​

关键词｜ TTFT P50/P95 · 阶段 Trace · 关键路径 · Deadline 降级 · 质量护栏

30 秒口述： TTFT 是网关收请求到客户端收到首个流式 Token 的时间，在 10 万个模拟成功 Query 中，P50 从 2.05 秒 降到 1.42 秒，P95 从 4.10 秒 降到 2.86 秒。Trace 显示主要卡点是模型排队与 Prefill 的 720ms，其次是 RRF/Rerank 的 245ms，我通过并行召回、缓存、父块去重、Rerank Deadline、连接复用和预热优化。优化后 Recall@20 仍为 92.7%、引用支持率为 93.4%；这些是模拟基准，不是线上 Trace。

Q36｜平均一次 Query 消耗多少 Token、花费多少，为什么高，怎样节省？ ​

关键词｜ 单位成功成本 · Token 分解 · 意图路由 · 缓存与预算 · 联合验收

30 秒口述： 我按成功 Query 核算模型、检索、工具和重试的完全成本。模拟系统平均输入 4,600 Token、输出 420 Token，使用 GPT-5.6 Terra 后模型成本 $0.01136，完全成本 $0.0138/成功 Query，约 0.10 元；优化前是 $0.0226。通过意图路由、候选去重、Context/输出预算、Prompt 与结果缓存、增量 Embedding、模型分层和 Retry Budget，成本下降 38.9%，并用 Recall、引用和 TTFT 做质量护栏；这些是按官方单价计算的面试模拟。

12. 自测与评分 ​

  • [ ] 只看关键词，能否在 30 秒内把三句话口述完整；
  • [ ] 每个关键词都能对应到一条机制或证据，而不是只背词；
  • [ ] 用录音检查是否在第三句后停住，而不是把答案背完；
  • [ ] 对"下一问"能继续回答，并回到关键词对应层；
  • [ ] 每个 [待补] 已有一份真实材料可替换；
  • [ ] 按准确性、原理深度、工程意识、项目表达、沟通结构各 0～5 分自评。
  • [ ] Recall、TTFT、Token 和单次成本中的所有数字都能说明是线上实测还是模拟基准。

13. 事实边界与参考资料 ​

  • 完整答案与考察点见主题库 王佳鹏简历高频面试题一问一答；
  • 简历事实见 curriculum_vitae/王佳鹏简历20260724.docx；
  • 涉及动态 API、模型版本、价格与能力时，按目标供应商、模型、区域和版本核对官方文档并记录访问日期。

当前无法确认｜ 模型 ID、框架版本、向量库、数据规模、QPS、延迟、准确率、成本变化、线上故障记录和个人代码占比；无证据时统一以 [待补] 或"设计/演练"表达。

14. 总结 ​

一句话记忆： 口述版把 36 道高频题压缩成"关键词锚点 + 结论 → 机制 → 证据三句话"，先开门、再留追问空间。

  • 关键词是记忆锚点，三句话固定为先结论、再机制、后证据与边界；
  • 说完必须停住等追问，追问回到关键词对应层；
  • 指标题先定义口径，再给样本、窗口、基线、当前值、归因和剩余边界；
  • 无证据的指标用"设计了、计划验证"，不说成已提升；
  • 本页只作速记，深度答案、加分项与误区以主题库为单一事实源。