一、基本信息

项目	内容
面试岗位	大模型应用工程师（校招/实习生）
面试时间	2026年7月15日 13:55-14:30
面试时长	约35分钟
面试形式	线上一对一视频面试

二、面试问题与回答记录

（一）Python 基础知识

问题1：请解释 Python 装饰器的概念及其应用场景。

候选人回答：

装饰器本质上是一个高阶函数，接收函数作为参数并返回新的函数，涉及闭包概念。在 FastAPI 项目中有过使用，但未说明具体应用场景。

评价：仅能复述装饰器的核心定义，未能结合实际项目说明具体用法（如认证装饰器、日志装饰器等），理解停留在概念层面。

问题2：请说明类方法与静态方法的区别。

候选人回答：

类方法能够自动传入类本身，静态方法不能传参，与普通函数类似。

评价：未能准确表述类方法的第一个参数为 cls，也未说明两者在继承多态性上的差异。回答不完整，概念模糊。

问题3：Python 中处理大量数据时，有哪些内存优化机制？

候选人回答：

未能作答。

评价：未提及生成器（Generator）、yield 关键字或惰性求值等核心概念，此项基础知识存在明显缺失。

（二）RAG 检索增强生成技术

问题4：请完整描述 RAG 系统的搭建流程，并重点说明向量检索与混合检索的区别。

候选人回答：

首先进行文档预处理和切块，转化为向量后供模型检索。关于混合检索与 BM25 的具体机制，候选人表示"不太清楚，是在别人指导下完成的"。

评价：简历中声称"基于 Milvus 搭建文档检索管道，采用向量检索+BM25混合检索策略，检索准确率提升至91%"，但无法解释 BM25 的基本原理，亦无法说明混合检索的技术优势。简历陈述与实际掌握程度存在显著差距。

问题5：给定一份200页的技术文档，你将如何设计文档切分（Chunking）策略？需考虑哪些因素？

候选人回答：

经面试官多次引导后，提出以下考虑因素：向量嵌入模型的选择、数据保密性（本地部署或云端 API 的决策）、检索策略的配置。

评价：回答偏离核心要点。文档切分的关键技术要素——Chunk Size（分块大小）、Overlap（重叠长度）、文档结构解析（标题层级、段落边界）等——均未涉及。反映出缺乏 RAG 离线索引阶段的实际操作经验。

（三）LangChain 框架

问题6：请列举 LangChain 框架中你常用的核心组件。

候选人回答：

提及了模型集成、提示词工程、链式编排、记忆管理、Agent 自主决策以及回调机制（日志记录、Token 统计、流式输出），但均为名词罗列，无法就任一组件深入展开。

评价：对于框架的使用停留在概念认知层面，缺乏实际项目中的深度应用经验。当追问会话内记忆策略的具体类型时，候选人表示"低代码平台开发用得比较多，框架用得较少"，进一步印证了上述判断。

（四）项目经验

问题7：请介绍你最熟悉的项目，包括项目名称、技术选型、解决的问题、实现的功能及个人思考。

候选人回答：

介绍了课程设计项目"电商评论情感分析系统"，涉及数据预处理（分词、停用词过滤）、特征工程（TF-IDF 特征融合）、模型训练与评估（朴素贝叶斯、逻辑回归、决策树）及交互界面开发。讲述较为详细，但该项目为传统机器学习分类任务，与岗位要求的 AI Agent / RAG 技术方向关联度较低。

评价：候选人主动选择介绍课程设计而非简历中的 Agent 项目，反映出其对简历项目的参与度可能有限。可能是网上下载相关经验，并不熟识。当追问 Coze 智能出题系统的工作流节点时，候选人仅能模糊回忆，无法清晰描述具体实现细节。

四、综合评价

优势方面：

• 沟通态度良好，对于不了解的技术问题未进行编造，具备基本的职业诚信意识
• 具备一定的自主学习意识，了解通过技术社区及 AI 工具获取知识的基本方法
• 能够按照模块化逻辑介绍课程项目，具备基础的表达能力

不足之处：

• Python 基础知识存在明显短板，三个基础问题均未能完整作答
• RAG 核心技术理解薄弱，简历中陈述的"混合检索"实践无法自证
• LangChain 框架使用经验有限，无法就核心组件进行深入阐述
• 简历中 Agent 相关项目的参与程度存疑，细节表述模糊

经综合评估，候选人的技术基础与岗位核心要求存在较大差距，若直接承担 AI Agent 开发任务，预计需要较长周期的培养投入，且存在胜任风险。