多家公司

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。

结构化输出不是让模型“按 JSON 返回”这么简单，后端必须承担解析、校验、重试、降级和审计。

Agent 记忆的核心不是保存更多聊天记录，而是管理当前任务状态、长期偏好、权限边界和可删除能力。

数据库题要把读路径和写路径分开讲：索引解决查询效率，事务和状态机解决写入一致性。

MQ 不是把请求丢出去就结束，真正难点在消息可靠、消费幂等、状态补偿和堆积恢复。

JVM 题的高分点不在背参数，而在能把内存、GC、线程和线上证据串成排查链路。

项目面不是复述做过什么，而是证明每个技术选择、数据规模、异常处理和上线结果都经得起追问。

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。

epoll、线程池、连接池这些概念最终都要落到线上排查：请求为什么卡住，资源在哪里耗尽。

金融科技后端题常把 Java 基础和业务一致性结合起来，候选人要能说明数据正确性、审计和失败补偿。

RAG 的评估不能只看召回率，要看证据是否可答、答案是否基于证据、坏例能否持续减少。

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。

Agent 项目真正难的是让模型动作可控、可审计、可恢复，而不是把几个函数接给模型。

Go 面试中的接口和值传递不是孤立语法，真正要回答的是抽象边界、对象生命周期和并发退出条件。

LRU 代码题背后考的是数据结构选择，也考缓存系统的容量、并发、命中率和一致性边界。

集合并发题不能只背结构，要能说清共享状态为什么危险、并发容器解决了什么、仍然解决不了什么。

网络题不是背协议名，而是把可靠性、加密、传输控制和线上超时联系起来，回答出工程边界。

前端异步问题不只是输出顺序。搜索框、列表筛选和分页切换里，旧请求覆盖新结果是很常见的项目坑。

线上事故排查不只是会命令。面试里要讲清现场证据、影响范围、恢复动作和事后复盘。

RAG 回答错了，不一定是模型问题。面试里要按资料、切分、召回、重排和生成分层归因。

热点缓存失效时，真正危险的是大量请求同时回源。面试回答要讲清发现、保护和验证。

普通查询可以读快照，但更新必须面对最新数据。理解当前读和锁，才能讲清库存、订单和状态流转。

异步不是把任务丢进线程池就结束。面试里要讲清任务拆分、超时控制、异常兜底、队列堆积和下游保护。