程序员面试专题库

Agent 接上工具后，风险从回答质量扩展到真实副作用。参数、权限、幂等、审计和人工确认必须进入后端设计。

AI 项目要从模型效果走向业务闭环，能说明指标、反馈、坏例、迭代和监控，才像真实上线系统。

RAG 不只难在首次搭建，知识库持续更新后更考验版本管理、缓存失效、索引一致性和坏例回归。

AI 后端不能只关注回答质量，模型调用的超时、失败、成本和降级策略同样决定项目是否能上线。

大模型应用质量差异往往不只来自模型，而来自上下文选择、证据组织、历史压缩和成本延迟取舍。

大模型应用真正难的是评估。面试里要讲清好答案如何定义、坏例如何积累、上线后如何持续发现问题。

AI 后端不是把模型接口接通就结束，面试官更关心上下文、工具调用、失败处理、成本延迟和可观测性。