AI 应用开发面试指南

持续更新中

这个专栏还在持续更新，后面会补更多高频面试考点。

想了解什么主题，或者发现内容有误，直接在项目 issue 区留言就行。

这个专栏能帮你解决什么问题？

很多开发者碰到的困境是：Agent、RAG、MCP 这些概念看了不少，但面试一问就卡壳，要么只知道概念说不清原理，要么知道原理但搭不出东西。

这个专栏就是冲着解决这个问题来的：把 AI 应用开发的核心知识拆透，让你面试能讲清楚，上手能做出来。

1. 扎实的大模型基础知识

做 Agent 工作流、调 RAG 检索，最容易踩坑的地方反而是最底层的 LLM 参数。比如：

• 为什么明明设置了温度为 0，结构化输出还是偶尔崩溃？
• 为什么往模型里塞了长文档后，它好像失忆了，忽略了 System Prompt 里的关键指令？
• Token 到底怎么算的？为什么中文和英文的消耗不一样？

这些问题，不搞懂 LLM 的底层原理就永远只能靠玄学调参。在中，我把 Token、上下文窗口、Temperature 这些概念还原成了清晰、可控的工程参数。

2. AI Agent 知识体系

AI Agent 是当下最热的方向，但网上的资料要么太浅要么太散，很难串起来。把 Agent 从 2022 到 2025 年的六代进化史梳理了一遍，讲清楚 Agent 和传统编程、Workflow 的本质区别，以及 Agent Loop、Context Engineering、Tools 注册这些核心概念。

深入讲解短期记忆与长期记忆的设计原理，涵盖记忆存储形式与功能分类、生命周期操作、主流技术架构对比及生产级工程优化策略。

覆盖了 Prompt 四要素框架（Role + Task + Context + Format）和六大核心技巧：角色扮演、思维链、少样本学习、任务分解、结构化输出、XML 标签与预填充。另外还讲了 Prompt 注入攻击原理和三层防护。

讲的是 Context Engineering 和 Prompt Engineering 到底差在哪，以及静态规则编排、动态信息挂载、Token 预算降级三个核心技术。长任务的上下文持久化也覆盖了：Compaction、结构化笔记、Sub-agent 三种方案。

3. RAG 检索增强生成

RAG 是企业级 AI 应用的核心技术，但很多开发者只停留在”把文档切块、转向量、检索”这个层面，背后的原理没搞懂。

• ：RAG 是什么、为什么需要它、核心优势和局限性在哪
• ：HNSW、IVFFLAT 等索引算法的原理，以及怎么选向量数据库
• ：知识图谱驱动的 RAG，深入解析实体、关系、社区发现、全局检索与局部检索
• ：Chunk 策略、Hybrid Search、Query Rewrite、Rerank、上下文压缩等实战优化

4. 工具与协议

AI 应用开发里，工具接入的碎片化一直是个老大难问题。MCP 协议就是来解决这个的。

讲了 MCP 为什么被称为”AI 领域的 USB-C 接口”，四大核心能力和四层分层架构，以及生产环境开发 MCP Server 的最佳实践。

讲清楚 Skills 为什么是”延迟加载”的 sub-agent，它和 Prompt、MCP、Function Calling 的本质区别，以及实战中怎么设计一个优秀的 Skill。

拆解了 Agent = Model + Harness 这个等式——决定 Agent 天花板的是 Harness 而不是模型。文章覆盖了六层架构、上下文管理的 40% 阈值现象，以及 OpenAI、Anthropic、Stripe 等一线团队的工程化实战经验。

5. AI 编程面试准备

AI 编程工具正在改变开发者的工作方式，面试也开始问了：用过什么 AI 编程 IDE？怎么看 AI 对后端开发的影响？程序员的核心竞争力会变成什么？

整理了 7 道高频开放性面试题的回答思路。

6. AI 编程实战

光看概念不够，得亲手用过才知道边界在哪。这个系列都是真实场景的实战案例：

• ：从接口优化到代码重构，展示如何在 JetBrains IDE 中利用 AI 完成从分析到落地的完整闭环
• ：使用 Trae IDE 接入 MiniMax 大模型，通过 Redis 故障排查和跨语言重构场景，分享 AI 辅助编程的实战经验与踩坑心得
• ：通过 Claude Code 接入 GLM-5.1，完成 JVM 智能诊断助手搭建和百万级数据量慢查询治理，分享 AI 辅助编程的工作方法与踩坑经验
• ：整理自 Anthropic 官方技术文档并融合实战经验，系统梳理 Claude Code 的配置、能力扩展、高效工作流与进阶技巧
• ：综合官方文档与实战经验，系统梳理 Codex 云端智能体和 CLI 的提示工程、工具配置与安全策略

文章列表

大模型基础

• - 深入剖析大模型底层原理，把 Token、上下文窗口、Temperature 等概念还原为清晰、可控的工程概念
• - 7 道高频开放性面试问题，涵盖 AI 编程 IDE 使用技巧、AI 对后端开发的影响等

AI Agent

• - 梳理 AI Agent 六代进化史，掌握 Agent Loop、Context Engineering、Tools 注册等核心概念
• - 深入理解短期记忆与长期记忆设计，掌握记忆存储形式、生命周期操作与生产级工程优化策略
• - 掌握 Prompt 四要素框架、六大核心技巧及企业级安全实践
• - 深入理解 Context Engineering 核心概念，掌握静态规则编排、动态信息挂载、Token 预算降级等关键技术
• - 深入理解 Skills 的设计理念，掌握 Skills 与 Prompt、MCP、Function Calling 的本质区别
• - 理解 MCP 协议的核心概念、架构设计和生产级最佳实践
• - 深度解析 Harness Engineering，拆解 OpenAI、Anthropic、Stripe 等一线团队的 Agent 工程化实战经验

RAG（检索增强生成）

• - 深入理解 RAG 的工作原理、核心优势和局限性
• - 掌握 HNSW、IVFFLAT 等索引算法原理，学会选择合适的向量数据库
• - 深入理解知识图谱驱动的 RAG，掌握实体、关系、社区发现、全局检索与局部检索
• - 掌握 Chunk 策略、Hybrid Search、Query Rewrite、Rerank、上下文压缩等实战优化

AI 编程实战

• - 通过深分页优化、祖传代码重构两个真实案例，展示 AI 辅助编程的实战效果
• - 使用 Trae IDE 接入 MiniMax 大模型，通过 Redis 故障排查和跨语言重构场景，分享 AI 辅助编程的实战经验
• - 通过 Claude Code 接入 GLM-5.1，完成 JVM 智能诊断助手搭建和百万级数据量慢查询治理
• - 整理自 Anthropic 官方技术文档并融合实战经验，系统梳理 Claude Code 的使用技巧
• - 综合官方文档与实战经验，系统梳理 Codex 的最佳实践

配图预览

每篇文章都画了大量配图，挑几张看看：

Prompt 六大核心技巧

上下文窗口组成

Harness 和 Prompt/Context Engineering 三者不是并列关系，而是嵌套关系。更重要的是，每一层解决的是完全不同的问题：

MCP 被称为“AI 领域的 USB-C 接口”，统一了 LLM 与外部工具的通信规范

写在最后

专栏持续更新中。觉得有帮助就分享给朋友，有问题直接 issue 留言。

---