Dai Wei

围绕“Java/Go 开发者 AI 应用开发与 Agent 学习路线（2026 最新版）”，本文不按原目录复述，而是把内容整理为问题、机制、实践和取舍四层。阅读时可从“阶段零：认知校准（1~2 天）、思维校准：从“确定性”到“概率性”、结构化输出：工程桥梁、RAG 概念引入”几个切面建立自己的判断框架。 核心认识学习路线是能力之间的依赖图，不是必须逐项打卡的目录。应先从目标岗位和现有基础确定主线，再把每一阶段转换成可运行、可讲解、可复盘的成果。 AI 应用开发应依次打通模型 API、结构化输出、Prompt、检索、工具调用、Agent 与评测。先理解原生调用，再按复杂度引入框架，并共同衡量效果、延迟和费用。 学习这类主题时，应先写清对象、边界和衡量指标，再讨论具体组件或技巧。同一方案放在不同流量、数据规模与团队能力下，结论可能相反；设计说明必须保留前提。 工程实践学习过程需要输入、实践和反馈闭环：阅读建立地图，小项目验证理解，测试与观测暴露问题，复盘决定下一阶段。作品应覆盖设计、实现、交付和故障处理。 实施建议采用小步验证：记录变更前基线，一次只调整少量关键变量，通...

AI 编程的效果往往取决于任务拆分、上下文供给与验收方式，而非单一模型分数。 适用场景团队已引入 Cursor、Claude Code 或 Codex，但产出不稳定；需要在面试或复盘里讲清「AI 如何进入研发流程」而非空泛效率口号。 方法与要点把工具能力拆成三层：补全与局部改写（IDE 强项）、跨文件自动化（CLI Agent 强项）、规范与记忆（CLAUDE.md、Skills、Spec）。模型是底座，Harness（权限、测试、Git 粒度）决定能否进生产。 工作流先定任务类型再选入口：小改动走 IDE diff；批量重构、脚本化流水线走 CLI。长任务配合 Spec 写验收标准，提交保持小步可回滚。规则文件只放「删掉就会犯错」的约束，详细设计放链接按需加载。 风险一次性大 diff 难审查；上下文塞满导致关键约束被稀释；把 Demo 速度误当成交付质量；多 Agent 并行未隔离目录时互相覆盖。 检查清单 任务是否有明确验收（测试、接口契约、性能指标） 规则文件是否精简且可版本化 提交粒度是否支持 bisect 与回滚 是否区分「生成」与「合并」责任人 面试&...

RAG 面试重点在召回链路而非「向量库名词」。 基础RAG 阶段：离线索引与在线检索生成；Embedding 与相似度；混合检索；幻觉与引用。 进阶Chunk 策略、Parent-Child、重排、Query 改写；权限过滤在召回前；增量更新与 embedding 版本一致。 GraphRAG何时补图结构；多跳 vs 向量 Top-K；成本权衡。 排查题「答非所问」从解析、Chunk、召回、重排、Prompt 五层查。误区：只会说 Milvus 不会说评测闭环。 延伸思考Chunk 题比较固定长、递归、语义、Parent-Child 适用场景。优化题说闭环：Badcase 标注→定位层→改策略→回归。更新题强调 embedding 版本一致与 delete-then-insert。GraphRAG 题说何时值得：多跳、全局摘要、关系密集域。排查「胡编」先查检索是否空、引用是否匹配、模型是否忽略 context。准备混合检索公式：BM25 召回 + 向量召回 + RRF 合并 + cross-encoder 重排。 实践小结练习：对一条「答非所问」样本做五层排查笔记。口述混合检...

LLM 面试要同时答清原理与调用链路上的工程细节。 运行机制Token 化、上下文窗口、注意力与成本；temperature/top_p 影响；输入输出 Token 计费；Prompt Cache 适用场景。 API 工程流式 SSE、重试幂等、超时、限流、结构化返回校验。JSON 漂移处理三层约束。 评测Golden Set、自动指标 + 人工、线上采样与灰度。公开 benchmark 与业务集差异。 误区只背 Transformer；不讲失败重试；忽视结构化输出生产实践。 延伸思考API 题准备：SSE 事件格式、客户端断连、服务端 cancel、幂等键设计。结构化输出题画三层约束并说明 parse 失败重试策略。评测题区分 offline/online metric，提及 human eval 采样率。综合场景如「账单摘要」：强调 PII 脱敏、JSON schema、audit log。运行机理题别忽略：长上下文推理未必更准，中间 lost-in-the-middle 现象可主动提及，体现深度。 实践小结练习：手写 SSE 事件流示例与 JSON ...

AI 系统设计题考察把 LLM 放进现有后端体系的能力。 常见题型设计企业知识库问答、Agent 平台、模型网关、多租户 LLM 服务、实时语音助手。评分点：分层、异步、缓存、权限、降级、成本。 要点清单入口鉴权与限流；编排与状态存储；RAG 索引流水线；网关路由/fallback；Trace + 评测；密钥与 PII 治理；流式与 WebSocket。 权衡表达强模型 vs 小模型路由；同步 vs 队列异步；集中网关 vs 侧车。准备容量估算：Token/日、峰值 QPS。 误区架构图画成「一个框叫 LLM」；无失败路径；忽视合规与审计。 延伸思考画图题建议分层：客户端、API、编排、知识索引、向量库、模型网关、观测、配置中心。强调异步：长 Agent 任务入队，Webhook 回调。多租户：配额、模型路由、数据隔离。语音题补充 ASR/TTS 流式与打断。安全题画信任边界：用户输入、检索内容、工具执行环境。容量估算示例：日 100 万问、均 2k input token、30% 走 RAG，可粗算 embedding 与 LLM 月成本，展示...

面试指南帮助按经验分层复习，避免一刀切刷题。 四模块串联LLM 基础支撑 API 与结构化题；Agent 模块接 MCP/Skills；RAG 模块接向量与优化；系统设计接网关/安全/可观测。题目间可互证，如「设计 RAG」会追问评测与安全。 深度选择初级：概念 + 单链路；中级：Badcase + 权衡；高级：成本、SLO、灰度与多租户。按目标岗位调整——应用开发偏工程，算法岗偏模型细节。 与专题配合面试题指向专题文章深挖；每题尝试白板画数据流。项目追问准备：你负责哪层、如何度量改进。 误区只背答案不练画图；忽略 2024–2026 的 MCP/Skills/Harness 新考点。 延伸思考按经验分层：Junior 掌握 Token、RAG 流程、简单 FC；Mid 掌握 Context 预算、网关、评测集；Senior 掌握多租户、成本模型、安全威胁建模与 SLO。四模块串讲练习：从「用户问政策」场景，串 LLM 采样→RAG 召回→引用生成→日志 Trace→权限过滤。项目追问常问「如果检索为空怎么办」——准备拒答&#...

项目面试考的是决策过程与指标，不是堆名词。 复盘结构背景与指标 → 架构图（入口、编排、模型、检索、工具）→ 选型理由 → 关键 Badcase → 迭代与评测。30 秒版讲价值；3 分钟版讲链路与一次优化。 技术选型为何 Agent 而非纯 Workflow；模型选择；RAG 还是微调；网关与缓存。准备 QPS、P95 延迟、单次成本、准确率/人工接管率。 Badcase 示范检索漏召、工具参数错、循环死锁、注入越权——每类说检测与修复。展示 Golden Set 与回归流程加分。 误区只讲 Demo 不讲生产；无数据指标；把 Copilot 当 Agent 却无工具闭环。 延伸思考复盘表字段建议：场景、DAU/QPS、模型与版本、检索库规模、工具列表、核心指标（准确率/延迟/成本/接管率）、三次迭代改动、仍未解决问题。讲 Badcase 用 STAR：现象→根因（哪一层）→改动→指标变化。技术选型题准备对比表：Workflow vs Agent、单模型 vs 路由、RAG vs 微调。30 秒版突出业务价值；3 分钟版突出...

Agent 面试重在能否讲清闭环、工具治理与失败处理。 基础题Agent 与 Workflow 区别；ReAct 流程；停止条件设计；工具 Schema 要点。Memory 短长期划分；与 RAG 边界。 进阶题Prompt Injection 对 Agent 影响；多 Agent 编排；Harness 组件；Context 压缩策略。Trace 如何拆 Span。 设计题设计客服 Agent：检索、工具、人工升级、评测。说明权限模型与 audit log。 答题技巧用「请求进入 → Loop 第 N 步失败 → 如何降级」讲故事。误区：只谈模型不谈工程。 延伸思考回答 Memory 题时可对比：短期在 window、长期在外部 store、写入策略与 TTL。MCP 题强调 Host/Server 分离与 JSON-RPC，不是替代 FC。Harness 题列举 sandbox、hook、audit。Workflow/Graph/Loop 题用「审批流 + 一次 Agent 子任务」举例。综合设计题建议模板：需求→架构→数据流→失败降级→指标→...

围绕“2026最新版Java学习路线(4w+字)”，本文不按原目录复述，而是把内容整理为问题、机制、实践和取舍四层。阅读时可从“基础原理、典型场景、工程验证、故障复盘”几个切面建立自己的判断框架。 核心认识面试准备要把知识原理、项目证据和现场表达结合起来。掌握一个问题的标准不是看过答案，而是能脱稿说明前提、机制、失效边界，并承受进一步追问。 Java 路线可从语言、集合、JVM 与并发，逐步走向数据库、缓存、框架、分布式和交付。每阶段用小项目验证，不必在开始时把全部目录学完。 学习这类主题时，应先写清对象、边界和衡量指标，再讨论具体组件或技巧。同一方案放在不同流量、数据规模与团队能力下，结论可能相反；设计说明必须保留前提。 工程实践先依据岗位描述排序，再建立问题树和项目底稿。每天安排口述、手写或模拟，把卡壳原因记录为可执行改进；面后按事实复盘而不是只评价结果。 实施建议采用小步验证：记录变更前基线，一次只调整少量关键变量，通过日志、指标和测试判断收益。上线后继续观察长尾与异常路径，并把操作步骤沉淀成可执行预案。 权衡与边界资料覆盖面与理解深度存在冲突。时间有限时优先高频基础、...

面试复习应覆盖 LLM、Agent、RAG、系统设计四条线的高频追问。 模块划分大模型基础（Token、API、结构化输出、评测）；Agent（Loop、Memory、MCP、Harness）；RAG（索引、Chunk、优化、GraphRAG）；系统设计（架构、网关、安全、可观测、语音）。 复习方法每模块准备 3 分钟口述 + 1 个画图题（RAG 链路、Agent Trace、网关拓扑）。结合自己项目讲 Badcase 与指标，比背定义更有说服力。 高频交叉题RAG 与 Memory 区别；MCP 与 FC；Prompt vs Context；何时不用 Agent。准备「为什么不用微调/长上下文 alone」的权衡回答。 误区只刷题不做项目复盘；忽视系统设计与安全面。 延伸思考复习节奏建议：第一周扫 LLM+API，第二周 Agent+MCP，第三周 RAG 全链路，第四周系统设计+安全。每周末用 45 分钟模拟面试：15 分钟概念、15 分钟白板、15 分钟项目深挖。把专题文章当字典，把面试题当 checklist。对后端候选人，面试官常追问「你怎么保证线上质量...