面试优先顺序（通用 AI 应用开发岗位）：Q1、Q2、Q3、Q4、Q7、Q9、Q10、Q13、Q14。其余题目用于进阶或特定岗位拓展；实际频率会随岗位和面试轮次变化，产品版本资讯不应当作通用必考题。
真实性优先： 文中的数字是格式示例，不是建议照抄的“漂亮结果”。简历只填写本人能说明数据来源、基线、样本量、评测方法和职责边界的成果；没有正式项目时可以写可复现的个人项目或设计练习，但必须如实标注。
难度： ⭐⭐⭐ 考点： 简历撰写、面试准备、谈薪技巧、职业规划
🧠 图解记忆： 简历不是技术栈清单，要用业务问题、关键行动和量化结果证明项目深度与工程能力。
💡 答案要点
核心原则：量化成果 + 技术深度
必备模块：
-
项目经验（最重要）
- RAG 系统：检索准确率、响应时间、用户满意度
- Agent 应用：任务完成率、工具调用准确率
- Prompt 工程：优化前后的效果对比
-
技术栈
- LLM：GPT-4、Claude、国产大模型经验
- 框架：LangChain、LlamaIndex、Dify
- 向量库：Milvus、Chroma、pgvector
- 编程语言：Python、Go、Java
-
量化指标
❌ 差：开发了一个 RAG 系统 ✅ 好：构建 RAG 系统，检索准确率 85%→92%，响应时间 2s→500ms ❌ 差：优化了 Prompt ✅ 好：设计 CoT Prompt，任务完成率从 60% 提升到 85% -
差异化优势
- 传统开发转 AI：强调工程能力、系统设计、性能优化
- 算法转 AI 应用：强调落地能力、产品思维、用户需求理解
- 应届生：强调学习能力、项目经验、技术热情
🧠 图解记忆： 用背景和任务定义问题，在行动中讲清选型、优化与兜底，再用质量、延迟、成本和业务指标闭环。
💡 答案要点
STAR 法则：Situation - Task - Action - Result
示例 1：RAG 系统
【背景】公司知识库有 10w+ 文档，员工查询效率低
【任务】构建 RAG 系统，提升知识检索效率
【行动】
- 使用 BGE-M3 模型生成向量，存储到 Milvus
- 实现混合检索：BM25 + 向量检索，rerank 优化
- 设计上下文压缩策略，减少 token 消耗 40%
【结果】检索准确率 92%，响应时间 500ms，用户满意度 4.5/5
示例 2：Agent 系统
【背景】客服团队每天处理 5000+ 重复性咨询
【任务】构建 AI 客服 Agent，减少人工成本
【行动】
- 设计 ReAct 框架，集成知识库、订单查询、退款等工具
- 实现多轮对话管理，上下文记忆机制
- 设计人工介入策略，复杂问题自动转人工
【结果】自动解决率 70%，客服成本降低 60%，用户满意度持平
关键点：
- 数据量级（10w 文档、5000 咨询）
- 技术选型（BGE-M3、ReAct、Milvus）
- 优化策略（混合检索、上下文压缩、人工介入）
- 量化结果（92% 准确率、70% 自动解决率）
🧠 图解记忆： 基础知识是入口，项目深挖和系统设计决定深度，可靠编码与综合能力完成闭环。
💡 答案要点
面试环节：
-
技术初筛（30 分钟）
- LLM 基础概念：Transformer、Attention、Token 化
- RAG 系统设计：向量检索、混合检索、rerank
- Prompt 工程：CoT、Few-shot、参数调优
-
项目深挖（45 分钟）
- 项目背景和目标
- 技术选型依据
- 遇到的坑和解决方案
- 量化成果和业务价值
-
系统设计（60 分钟）
- 设计一个智能客服系统
- 设计一个代码助手
- 设计一个文档问答系统
-
算法题（可选）
- 中等难度算法题
- 数据结构基础
- 代码质量和工程能力
-
综合面试（30 分钟）
- 职业规划
- 学习能力
- 团队协作
- 抗压能力
🧠 图解记忆： 先澄清规模、目标和边界，再画关键链路并权衡质量、延迟与成本，最后补验证和兜底。
💡 答案要点
通用设计模板：
-
需求澄清（5 分钟）
- 用户规模：日活、并发量 - 功能边界：核心功能 vs 扩展功能 - 性能要求：响应时间、准确率 - 成本约束：算力、存储、API 调用 -
架构设计（15 分钟）
用户请求 → API 网关 → 业务层 → AI 层 → 数据层 - 业务层：鉴权、限流、日志 - AI 层：LLM、向量检索、Agent 编排 - 数据层：向量库、关系型数据库、缓存 -
技术选型（10 分钟）
- LLM：GPT-4（高质量）vs DeepSeek（成本低） - 向量库：Milvus（大规模）vs Chroma（轻量级） - 框架：LangChain（生态）vs 自研（灵活） -
性能优化（10 分钟）
- 缓存：相似问题缓存，减少 LLM 调用 - 批处理：批量向量化，提升吞吐 - 流式输出：降低首字延迟 - 异步处理：长任务异步化 -
监控运维（5 分钟）
- 日志：请求日志、错误日志、慢查询 - 指标：QPS、延迟、准确率、成本 - 告警：错误率、延迟、API 配额
示例题：设计一个智能客服系统
1. 需求：
- 10w DAU，峰值 QPS 100
- 支持多轮对话、知识库检索、订单查询
- 响应时间 < 2s，准确率 > 85%
2. 架构：
用户 → API 网关 → 对话管理 → Agent 编排 → 工具调用
↓
[LLM] [知识库] [订单系统]
3. 技术栈：
- LLM：GPT-4o-mini（成本与质量平衡）
- 向量库：Milvus（知识库 50w 文档）
- 框架：LangChain（快速开发）
- 缓存：Redis（高频问题缓存）
4. 优化：
- 相似问题缓存（命中率 30%，节省 API 成本）
- 混合检索（BM25 + 向量，召回率 95%）
- 人工介入（置信度 < 0.7 转人工）
🧠 图解记忆： 薪资会随城市、级别和市场变化，先核对同类岗位口径，再用可验证项目价值讨论整体总包。
💡 答案要点
2026 年市场行情（北京/上海/深圳）：
| 经验 | 薪资范围（月薪 * 14-16） | 要求 |
|---|---|---|
| 应届生 | 15-25k | 有 AI 项目经验，熟悉 RAG/Agent |
| 1-3 年 | 25-40k | 独立完成 RAG 系统，有生产环境经验 |
| 3-5 年 | 40-60k | 主导 AI 项目，有架构设计能力 |
| 5+ 年 | 60-100k | AI 架构师，有团队管理经验 |
加分项：
- ✅ 有大厂 AI 项目经验（+20%）
- ✅ 有从 0 到 1 构建 AI 产品经验（+15%）
- ✅ 有开源项目或技术博客（+10%）
- ✅ 有算法背景或 NLP 经验（+10%）
谈薪话术：
❌ 差：我上一份工作是 30k，希望涨到 35k
✅ 好：我在上一家公司主导了 RAG 系统，检索准确率 92%，为公司节省客服成本 60%。
根据市场行情和我的能力，期望薪资是 35-40k，具体可以根据团队情况协商。
🧠 图解记忆： 职业成长不是会更多工具，而是持续扩大问题规模、系统责任和影响范围，并交付可验证结果。
💡 答案要点
技术路线：
初级 AI 工程师（0-1 年）
↓ 熟练使用 LangChain/LlamaIndex，独立完成 RAG 系统
中级 AI 工程师（1-3 年）
↓ 主导 AI 项目，设计 Agent 系统，优化性能
高级 AI 工程师（3-5 年）
↓ 架构设计，技术选型，团队管理
AI 架构师 / 技术专家（5+ 年）
管理路线：
AI 工程师 → AI Team Lead → AI 技术经理 → CTO
能力模型：
| 阶段 | 技术能力 | 业务能力 | 软技能 |
|---|---|---|---|
| 初级 | 熟悉 LLM API，能实现基础 RAG | 理解业务需求 | 沟通、协作 |
| 中级 | 系统设计，性能优化，Agent 编排 | 量化业务价值 | 项目管理 |
| 高级 | 架构设计，技术选型，成本优化 | 产品规划，ROI 分析 | 团队管理 |
学习路径：
-
基础阶段（3 个月）
- LLM 原理、Prompt 工程、RAG 基础
- 完成 2-3 个小项目
-
进阶阶段（6 个月）
- Agent 系统、向量检索优化、多模态
- 参与生产级项目
-
深化阶段（持续）
- 模型微调、强化学习、多 Agent 协作
- 技术博客、开源贡献
🧠 图解记忆： 先说明长期动机，再把旧经验映射到新问题，用项目和学习证据证明自己已经开始行动。
💡 答案要点
回答框架：兴趣 + 能力 + 机会
示例 1（传统开发转 AI）：
我在后端开发领域积累了 5 年经验，但我发现 AI 正在重塑整个软件行业。
我的优势是：
1. 有扎实的工程能力，理解生产环境的挑战
2. 有系统设计经验，能把 AI 技术落地到业务
3. 有快速学习能力，已完成 3 个 AI 项目
AI 应用开发不是纯算法，更多是工程落地。我的后端背景是优势，不是劣势。
示例 2（应届生）：
我在大学期间就对 AI 很感兴趣，完成了 NLP、CV 等课程。
但我发现算法研究门槛高，而 AI 应用开发是一个更容易切入的方向。
我的优势是：
1. 有扎实的编程基础（Python、数据结构、算法）
2. 有 AI 项目经验（RAG 系统、Agent 应用）
3. 有快速学习能力，能快速适应新技术
AI 应用开发是 AI 技术落地的关键，我希望在这个方向深耕。
🧠 图解记忆： 先讲可核验的现状和落地边界，再判断 Agent、多模态等趋势，最后落到自己的能力建设与行动。
💡 答案要点
回答框架：现状 + 趋势 + 个人定位
参考答案：
我认为 AI 正处于"iPhone 时刻"——技术已成熟，但应用才刚开始。
当前现状：
- LLM 能力已达到生产级（GPT-4、Claude、DeepSeek）
- AI 应用从 demo 到产品化的挑战依然很大
- 成本、准确率、可控性是三大核心问题
未来趋势：
- AI Native 应用会爆发（不是把 AI 加到现有产品，而是重新设计产品）
- Agent 会成为主流（从单次问答到自主任务执行）
- 多模态会普及（文本、图像、语音、视频融合）
我的定位：
- 不做算法研究（门槛太高），专注 AI 应用落地
- 深耕某个垂直领域（教育、医疗、客服）
- 积累工程能力 + 产品思维
🧠 图解记忆： 项目数字必须同时说明指标口径、基线、测试集和统计条件，才经得住面试官继续追问。
💡 答案要点
STAR 法则：Situation / Task / Action / Result
核心原则：量化！量化！量化！
【Situation】项目背景
我负责设计并落地公司知识库问答系统的 RAG 架构，支持 500 万注册用户，日均请求 80 万次。
【Task】核心技术挑战
当时面临三大挑战：① 历史文档超 10 万篇，跨部门检索准确率仅 45%；② 复杂问题（如"对比竞品A和竞品B的技术方案"）需要多跳推理；③ 用户期望秒级响应，但当时的 P99 超过 5 秒。
【Action】具体技术方案
我主导了以下技术优化：
- 引入混合检索（向量 + BM25），召回率从 45% → 78%
- 设计两阶段 Rerank（向量初筛 → Cross-Encoder 重排），准确率提升 35%
- 实现语义缓存层，相同问题命中缓存直接返回，延迟从 800ms → 120ms
- 部署 SGLang + TensorRT-LLM 推理优化，吞吐提升 4 倍
【Result】量化成果
最终系统：检索准确率 91%（+46%），P99 延迟 280ms（-64%），日均承载 80 万次请求，年度为公司节省 API 成本 120 万元。
| 维度 | 指标 | 差 → 好 |
|---|---|---|
| 检索 | Recall@5 / MRR | 45% → 78% |
| 准确率 | HitRate / NDCG@10 | 55% → 91% |
| 延迟 | P50 / P99 | 800ms → 120ms |
| 吞吐 | QPS / 并发用户数 | 200 → 2000 |
| 成本 | 单次请求成本 / 月度账单 | ↓60% |
| 业务 | 用户满意度 / 解决率 | 65% → 88% |
【Situation】
公司的客服场景需要 AI Agent 自动处理用户问题，高峰期排队 1000+ 人，人工成本高。
【Task】
设计一个多 Agent 协作系统，实现：问题分类 → 意图识别 → 工具调用 → 答案生成全流程自动化。
【Action】
- 设计 ReAct Agent 架构，每轮推理包含 Thought/Action/Observation
- 引入 Tool Agent 专门处理 API 调用（日历/订单/库存）
- 实现 Human-in-the-Loop：置信度 < 0.7 自动转人工
- 引入 Conversation Memory Agent，长期记忆用户偏好
【Result】
AI Agent 独立解决率 73%，人工介入率从 85% → 27%，客服团队人效提升 3 倍，用户满意度从 3.2 → 4.6（5分制）。
面试话术：
"我习惯用 STAR 法则描述项目，重点是量化成果。比如 RAG 项目，我会说'召回率从 45% 提升到 78%，延迟从 800ms 降到 120ms'，而不是'我优化了 RAG 系统'。数字最有说服力，面试官能立刻判断项目深度。"
🧠 图解记忆： 不包装 Demo 为生产经验，坦诚差距后用可迁移工程能力、行动证据和清晰上手计划证明交付潜力。
💡 答案要点
核心思路：承认差距 + 展示迁移能力 + 证明学习速度
错误回答：
❌ "确实没有 AI 项目经验，但我可以学"
（太弱，没有差异化）
正确回答（四步法）：
1. 承认现实，但不要自我贬低
"确实，我上一份工作主要是传统后端开发，没有生产级的 AI 项目经验。"
2. 找到你的独特优势
"但我认为 AI 应用开发的核心是工程落地，这正是我的强项。"
3. 展示已证明的学习能力
"我业余时间已经在做三件事：① 用 LangChain 跑了 RAG Demo；② 贡献了 Yapi MCP Pro 开源项目（Star 200+）；③ 每天学习 AI 面试题库，已经整理了 300+ 道题。"
4. 强调快速融入的能力
"我的工程背景反而是优势——我理解微服务、消息队列、缓存这些生产级组件，能让 AI 应用真正落地，而不是停留在 Demo 阶段。"
加分项：拿出证据
| 证据类型 | 示例 |
|---|---|
| 开源项目 | "我做了 Yapi MCP Pro，让 AI 直接读接口文档" |
| 个人项目 | "我做了语音转文字小程序，400+ 用户" |
| 技术博客 | "我在掘金发了 3 篇 RAG 实践文章，2000+ 阅读" |
| 学习笔记 | "我整理了 AI 面试题库，385+ 道题，GitHub 500+ Star" |
| 培训证书 | "我完成了 LangChain 官方课程，拿到了证书" |
面试话术：
"没有 AI 项目经验是事实，但我在转型的过程中已经完成了 3 个 AI 相关项目：Yapi MCP Pro 开源工具、语音转文字小程序、知识库 RAG 实践。我的策略是先动起来，在做的过程中学习，而不是等到'准备好'才开始。工程能力的迁移性很强，我的后端经验让我比纯 AI 研究者更适合做 AI 应用落地。"
🧠 图解记忆： AI 更可能替代部分重复任务并重构工作方式，能驾驭 AI、理解需求并承担复杂系统责任的人价值更高。
💡 答案要点
考察点： 技术视野 + 辩证思维 + 自我认知 + 价值观
四层回答法：
【第一层：直接回答】
短期（5年内）：不会取代，但会重构工作方式。
【第二层：辩证分析】
AI 会取代的是：重复性编码（CRUD、简单算法）、机械调试、死记硬背。
AI 无法取代的是：系统设计、需求理解、跨团队沟通、复杂问题拆解、创造新架构。
【第三层：历史类比】
"就像编译器和 IDE 取代了手写机器码，但没有消灭程序员，反而让程序员能做更高级的事。AI 会取代'写代码'这个动作，但程序员这个职业会升级为'AI 系统设计师+架构师+需求工程师'。"
【第四层：个人定位】
"我能做的是：① 学会用 AI 工具提升效率；② 深耕系统设计和架构能力；③ 积累业务理解，这是 AI 短期内无法替代的。"
禁用语：
❌ "AI 永远不可能取代程序员"（太绝对）
❌ "程序员都会被淘汰"（太悲观）
❌ "我不知道"（没有观点）
加分引用：
- "GitHub CEO 说：未来 80% 的代码将由 AI 生成，人类只需生成 20% 的关键代码" → 引用后反驳
- "但那 20% 恰恰是最难的部分：架构设计、业务理解、系统集成" → 体现深度思考
面试话术：
"我的判断是：AI 会取代'写代码'，但不会取代'程序员'这个职业。就像汽车取代马车，但需要的是司机而不是马夫。未来程序员的核心能力是：① 用 AI 工具放大自己的产出；② 做 AI 做不了的系统设计和需求分析；③ 理解业务，成为技术和业务的桥梁。我的策略是主动拥抱 AI，而不是抗拒它。"
🧠 图解记忆： 先确认输入输出和边界，再画接口与数据流、写最小主链路，最后用超时、重试、回退和测试体现工程深度。
💡 答案要点
AI 应用工程师白板题的特点：
| 传统 SDE 白板题 | AI 应用工程师白板题 |
|---|---|
| 链表/树/图 | LLM 调用 / Prompt 设计 |
| 算法复杂度 | RAG 流程设计 / Agent 架构 |
| 手工实现 | 用 API 或框架组合 |
| 一次性写对 | 边想边调 + 分析 tradeoff |
高频题型：
"请设计一个 LLM 调用类，支持：
- 自动重试（指数退避）
- 超时处理
- 流式输出
- 回退策略（GPT-4 失败 → DeepSeek V4-Flash）"
参考答案框架：
class LLMClient:
def __init__(self, providers: list, fallback_order: list):
self.providers = providers
self.fallback_order = fallback_order
async def generate(self, prompt, stream=False, timeout=30):
for provider in self.fallback_order:
try:
return await self._call_with_timeout(provider, prompt, stream, timeout)
except Exception as e:
continue
raise AllProvidersFailedError()
async def _call_with_timeout(self, provider, prompt, stream, timeout):
# 实现超时控制
pass"请设计一个 RAG 系统，包含：
- 文档切分
- 向量嵌入
- 检索
- 重排
- 生成"
参考答案框架：
def rag_pipeline(query: str, top_k: int = 5):
# 1. 查询改写
rewritten_query = query_rewrite(query)
# 2. 向量检索
query_emb = embedding_model.encode(rewritten_query)
initial_results = vector_db.search(query_emb, k=top_k*2)
# 3. 重排
reranked = cross_encoder.rerank(query, initial_results, top_k)
# 4. 生成
context = format_context(reranked)
answer = llm.generate(f"上下文：{context}\n问题：{query}")
return answer"请用 ReAct 模式实现一个 Agent，支持：
- Thought/Action/Observation 循环
- 最大循环次数限制
- 工具调用"
准备策略：
| 步骤 | 内容 |
|---|---|
| 1 | 刷完 LLM API 调用题（OpenAI SDK / LangChain） |
| 2 | 默写 RAG 流程（从 chunk 到 answer） |
| 3 | 实现一个最小化 Agent（ReAct Loop） |
| 4 | 练习 Tradeoff 分析（为什么选这个方案） |
面试话术：
"AI 应用的白板题和传统 SDE 不一样，重点不是算法复杂度，而是系统设计和 API 组合能力。我会先确认需求边界（要不要流式？要不要缓存？），然后画架构图，再写核心代码，最后分析 tradeoff。边想边说是关键，不要等想完美了才开始写。"
🧠 图解记忆： 好答案要承担自己的判断，说明影响和根因，并证明 POC、评审、灰度与回滚流程已经因此改变。
💡 答案要点
STAR 法则 + 复盘思维
禁忌：
❌ "我没有失败过"（太假）
❌ "我不记得了"（没有反思能力）
❌ "那不是我的错"（推卸责任）
❌ "失败的项目是别人的原因"（甩锅）
模板（直接可背）：
【项目背景】
在上一家公司，我负责设计一个实时推荐系统，需要在 100ms 内返回推荐结果。
【错误决策】
我选择了 Elasticsearch 做向量检索，原因是我之前用过 ES，比较熟悉。但 ES 的向量检索性能不如专门的向量数据库（如 Milvus），而且 ES 的扩展性有限。
【失败后果】
系统上线后，P99 延迟超过 800ms，用户投诉率上升，最终不得不重构。
【深度复盘】
"回头看，我犯了三个错误：
① 技术选型凭经验而不是数据：我没有做性能基准测试，完全基于熟悉度选型
② 没有请教专家：我应该先咨询向量数据库团队，而不是自己硬扛
③ 忽视业务增长：我只考虑了当前数据量，没考虑 3 个月后的增长"
【改进措施】
"这次失败之后，我建立了技术选型的 checklist：
① 性能基准测试（至少测 3 个候选方案）
② POC 验证（用真实数据跑一周）
③ 架构评审（请资深工程师 review）
④ 制定回滚方案"
【现在的方法】
"我现在做技术选型，会先问自己三个问题：
1. 这个选择的最坏情况是什么？能接受吗？
2. 我有没有遗漏什么更优方案？
3. 如果错了，我怎么知道，怎么回滚？"
AI 应用工程师专属版本：
【项目背景】
我曾经在一个 RAG 项目中选择了小模型（DeepSeek-V4-Flash）来节省成本，认为它足够处理简单问答。
【错误决策】
没有做 A/B 测试，直接全量上线。
【失败后果】
用户反馈"回答太水"，客服投诉率上升，最终不得不换成 GPT-4，成本反而更高（因为换了两次）。
【复盘】
"我错在：① 过度优化成本而忽视了质量；② 没有做灰度测试就全量上线；③ 没有建立评估指标就上线了。正确的做法是：先用 GPT-4 做 baseline → 和小模型做对比评估 → 确认质量差距可接受后再考虑降本。"
【改进】
"现在我的 AI 项目上线流程是：
① 用当前最优模型跑 baseline，记录指标
② 用候选模型跑对比测试
③ 质量差距 < 5% 才考虑换
④ 灰度 5% → 20% → 100%"
面试话术：
"我最失败的技术决策是在 RAG 项目中过早优化成本，用 DeepSeek V4-Flash 替代 GPT-4，结果用户反馈很差，最终成本反而更高（因为换了两次）。这次失败让我建立了'质量优先，分级验证'的上线流程：先用最优模型做 baseline，确认质量可接受后再优化成本。"
🧠 图解记忆： 后端基本功是入场券，RAG 与 Agent 工程化形成差异化，最终要用可量化的生产结果证明胜任。
💡 答案要点
背景： 面试官问"你凭什么胜任 AI Agent 后端岗"，或者你被问"你怎么规划转型"——用 JD 拆解思维回答，直接展示工程认知。
AI Agent 后端岗 JD 的 4 大能力模块（面试必答）：
| 模块 | JD 关键词 | 考察本质 |
|---|---|---|
| 1. 基础盘 | 企业级 Agent 架构、高可用微服务 | 不是单文件 Demo，是能支撑业务的微服务架构 |
| 2. 核心竞争力 | RAG/Function Call/多Agent 工程化落地 | 不是"会用 RAG"，是"把准确率做到 93% 同时控成本" |
| 3. 进阶项 | 亿级向量、多模态搜索架构 | 向量库选型、冷热分离、标量过滤+向量检索 |
| 4. 压舱石 | 后端性能调优、稳定性治理 | 排查瓶颈、熔断降级、高可用（AI 是加分项，后端是入场券） |
核心认知（加分）：
80% 的核心考察点是工程化能力+落地能力，纯算法占比极低。企业招的不是"会调 API 的人"，是"能把 AI 落地成稳定业务系统的工程师"。
转型学习路线（3 阶段，面试可讲规划）：
阶段一：筑牢后端基础盘（入场券）
Go/Java 一门吃透 + MySQL/Redis/Kafka + 微服务架构
→ 能独立设计高可用后端系统
阶段二：攻克 AI 应用工程化（差异化）
RAG：全流程 → 每环节优化（Chunk/混合检索/Rerank/幻觉治理）→ 工程化（版本/多租户/缓存）
Agent：ReAct/Plan-Execute → 工具封装/MCP → 多Agent分层架构
生产痛点：SSE流式/首字延迟/模型路由降本/异常兜底/效果漂移检测
阶段三：项目落地+面试备战（变现）
做对标企业级的完整项目（企业级RAG知识库/多Agent平台）
每个技术点准备"背景-方案-结果"三段式，成果量化
对着 JD 逐条过，经得住连续追问
时间分配 631 法则（2026 面试策略）：
60% 做项目（有差异化、能讲故事：基于 LLM 的智能客服/RAG 知识库）
30% 复盘八股（结合项目场景背，不背纯概念）
10% 练算法
八股优先级：
P0 必背：MySQL(索引/事务/锁) Redis(缓存三大问题) 并发(线程池/AQS)
P1 选背：MQ/分布式事务/Spring 源码
P2 别死磕：偏门源码细节
原则：八股是答辩用的弹药，不是炫技用的展品。
背 1000 道答不出场景，不如背 100 道每个都能讲清"我在项目里用过、踩过什么坑、怎么解决"
量化表达模板（面试关键）：
❌ 不说："我优化了 RAG 检索"
✅ 要说："我针对专业文档召回率低的问题，设计了语义边界感知的 Chunk 策略 + BM25/向量混合检索方案，
最终问答准确率从 53% 提升到 93%，同时通过模型路由把 Token 成本降了 40%"
面试话术：
"我看 AI Agent 后端岗 JD，核心是四块：企业级 Agent 架构（微服务拆分、工作流编排、高可用）、RAG+Agent 工程化落地（解决延迟/成本/长上下文/幻觉四大生产痛点）、复杂系统架构（向量库优化、多模态）、后端性能治理（熔断降级、高并发保护）。我的规划是：后端基本功打底，AI 工程化做差异化，项目对标企业级——不写 Demo，做一个能扛住追问、成果量化的完整系统。"
技术准备：
- LLM 基础概念（Transformer、Attention、Token 化）
- RAG 系统设计（向量检索、混合检索、rerank）
- Agent 设计（ReAct、工具调用、多 Agent）
- Prompt 工程（CoT、Few-shot、参数调优）
- 性能优化（缓存、批处理、流式输出）
项目准备：
- 准备 2-3 个项目，能深入讲解
- 量化项目成果（准确率、响应时间、成本）
- 准备遇到的坑和解决方案
- 准备技术选型依据
软技能准备：
- 自我介绍（1 分钟）
- 职业规划（3-5 年）
- 离职原因（正面表述）
- 期望薪资（有理有据）
其他准备：
- 了解公司业务和产品
- 准备 2-3 个问题问面试官
- 打印简历（2 份）
- 提前 10 分钟到达
以下是一份示例简历，供参考。请根据自己的实际情况修改。
姓名： 张 ×× 求职意向： AI 应用开发工程师 / Golang 后端开发工程师 工作年限： 5 年 意向城市： 北京
- 电话： 134****1193
- 邮箱： guocong199708@163.com
- GitHub： https://github.com/xxx-xxx
- 出生： 199× 年 × 月
5 年 Go 后端开发经验，2 年 AI 应用开发经验。擅长将 LLM 技术落地到实际业务场景，有从 0 到 1 构建 AI 应用的经验。
核心优势：
- 扎实的 Go 后端功底（高并发、微服务）
- 熟悉 AI 应用开发全流程（RAG、Agent、Prompt 工程）
- 有千万级用户项目经验
- 技术社区运营经验（Go 必知必会公众号）
职位： Golang 后端开发工程师 / AI 应用开发工程师
项目 1：××读书项目（海外）
- 2000w 用户，ROI 300%
- Go 后端开发、AI 应用开发
项目 2：××宗教项目（海外）
- 80w 日活，日营收 8w 人民币
- Go 后端开发、AI 应用开发
职位： Golang 后端开发工程师
项目：短剧平台
- 530w 用户，80w DAU
- 200 余部短剧，投出多部爆款
- 单日播放 170w 次，单日充值 350w
- 2023 年累计充值 230w 次，年营收 1200w
职位： Golang 后端开发工程师
项目 1：教师培训平台
- 服务用户 90w，涉及中小学 2.6w 所
- 基于 Gin 框架，RabbitMQ 解决高并发
项目 2：网络研修平台
- 微服务架构，k8s 容器编排
- 组织管理控制台，类似钉钉
项目 3：零信任安全项目
- 替代传统 VPN
- 高危账号阻截，保护网络安全
- GitHub： https://github.com/xxx-xxx
- AI 编程项目，使用 Cursor、Claude Code 等 AI 编程工具开发
- 探索 AI 辅助编程最佳实践
- MCP (Model Context Protocol) 服务器
- 连接 API 文档与 AI 编程工具
- 提升 AI 编程效率
- 微信小程序，语音转文字功能
- 注册用户 400+ 人
- 从 0 到 1 完整项目经验
- Golang - 精通，5 年生产经验
- AI 应用开发 - RAG、Agent、Prompt 工程
- 数据库 - 精通 MySQL、Redis
- 框架 - 熟悉 Gin、Gorm、LangChain
- 网络 - HTTP/HTTPS、gRPC、TCP/IP
- 消息队列 - RabbitMQ、Kafka、Canal
- LLM： GPT-4o、Claude 3.5、DeepSeek、Llama 3
- 框架： LangChain、LlamaIndex
- 向量库： Chroma、Milvus、pgvector
- Embedding： OpenAI text-embedding-3、BGE-M3
- 技术社区开创者 - 公众号 1000+ 粉丝
- 《开发规范手册》参与制定者 - 牵头整理项目架构
- 公司年度技术之星 - 年度奖项
- 技术社区、B 站、博客平台技术分享作者
2017.09 - 2021.06 ××大学 | 计算机科学与技术（统招本科）
主修课程：数据结构、算法分析、操作系统、计算机网络、Java 开发
"这是我探索 AI 辅助编程的标杆项目。我用 Cursor、Claude Code 等 AI 编程工具开发，探索如何将 AI 深度融入开发流程。
核心收获有三点：
- AI 不是替代程序员，而是放大程序员的能力
- Prompt 质量直接影响 AI 输出质量
- 工程化能力（测试、部署、监控）依然是核心竞争力
这个项目让我从'用 AI'到'懂 AI'，为转型 AI 应用开发打下了基础。"
"我从 2026 年初开始系统学习 AI 应用开发，重点补足了三个领域：
- LLM 原理 - Transformer 架构、Token 化、注意力机制
- RAG 系统 - 向量数据库、混合检索、rerank、上下文压缩
- Agent 设计 - ReAct、Plan-and-Execute、多 Agent 协作
我的优势是：有扎实的后端功底，理解工程落地的挑战。AI 应用开发不仅仅是 Prompt，更多是对确定性工程和非确定性模型输出之间的边界管理。"
| 文件 | 说明 |
|---|---|
| resume-go.md | Go 后端简历（Markdown） |
| resume-go.html | Go 后端简历（HTML） |
| resume-ai.md | AI 应用开发简历（Markdown） |
| resume-ai.html | AI 应用开发简历（HTML） |
- 合作、沟通、自学、坚韧、勤奋
- 兴趣爱好：阅读、骑行、游泳
最后更新： 2026-03-02
上一模块： 高级专题