AI 应用开发面试指南

Guide约 2816 字大约 9 分钟

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《万字拆解 LLM 运行机制》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。

搞懂原理后，还需要知道怎么把这些模型调用落地到生产。《大模型 API 调用工程实践》系统拆解了一条完整的调用链路：业务入口 → Prompt 组装 → 模型网关 → 流式响应 → 重试限流 → 结构化返回，从 Demo 到生产级应用的核心知识点全覆盖。

《大模型结构化输出详解》深入拆解 JSON Schema、Function Calling、Tool Calling 与 MCP 的底层链路，结合 Java 后端示例讲清楚 Schema 设计、服务端校验、工具分发和安全治理。

有了调用链路和结构化输出基础，还有一个问题没有解决：怎么知道你的 AI 应用到底好不好？《AI 应用评测体系：从 Golden Set 构建到线上灰度闭环》系统拆解了评测的完整闭环：Golden Set 怎么构建、LLM-as-Judge 的三类偏差怎么管控、RAG 的检索指标和生成指标如何分段评测、Agent 轨迹准确率如何衡量、离线评测到线上灰度怎么串成一条发布流水线。

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。《一文搞懂 AI Agent 核心概念》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。

《AI Agent 记忆系统》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。

《大模型提示词工程实践指南》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。

《上下文工程实战指南》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。

《万字详解 RAG 基础概念》：RAG 是什么、为什么需要它、核心优势和局限性在哪
《万字详解 RAG 向量索引算法和向量数据库》：HNSW、IVFFLAT 等索引算法的原理，以及怎么选向量数据库
《万字详解 GraphRAG》：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
《万字详解 RAG 检索优化》：Chunk 策略、Hybrid Search、Query Rewrite、Rerank、上下文压缩等实战优化
《RAG 文档处理与切分策略》：从文档解析、清洗、Chunking 到多模态内容处理的完整链路拆解
《RAG 知识库文档更新策略》：增量更新、版本控制、去重与全量重建的工程实践

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。

《万字拆解 MCP 协议》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。

《万字详解 Agent Skills》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。

《一文搞懂 Harness Engineering》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。

万字拆解 LLM 运行机制：Token、上下文与采样参数 - 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
大模型 API 调用工程实践：流式输出、重试、限流与结构化返回 - 系统拆解 AI 应用调用大模型 API 的生产链路，覆盖流式输出、重试、限流、结构化返回与 Java 后端落地
大模型结构化输出详解：JSON Schema、Function Calling 与工具调用 - 深入拆解 JSON Schema、Function Calling、Tool Calling 与 MCP 的底层链路，结合 Java 后端示例讲清楚 Schema 设计、服务端校验、工具分发和安全治理
AI 应用评测体系：从 Golden Set 构建到线上灰度闭环 - 系统拆解 AI 应用评测完整闭环，覆盖 Golden Set 构建、LLM-as-Judge 偏差控制、RAG/Agent/结构化输出分领域指标体系、Trace 回放与 CI 自动回归落地

AI Agent

一文搞懂 AI Agent 核心概念 - 梳理 AI Agent 六代进化史，掌握 Agent Loop、Context Engineering、Tools 注册等核心概念
AI Agent 记忆系统 - 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
大模型提示词工程实践指南 - 掌握 Prompt 四要素框架、六大核心技巧及企业级安全实践
上下文工程实战指南 - 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
万字详解 Agent Skills - 深入理解 Skills 的设计理念，掌握 Skills 与 Prompt、MCP、Function Calling 的本质区别
万字拆解 MCP 协议，附带工程实践 - 理解 MCP 协议的核心概念、架构设计和生产级最佳实践
一文搞懂 Harness Engineering：六层架构、上下文管理与一线团队实战 - 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）

万字详解 RAG 基础概念 - 深入理解 RAG 的工作原理、核心优势和局限性
万字详解 RAG 向量索引算法和向量数据库 - 掌握 HNSW、IVFFLAT 等索引算法原理，学会选择合适的向量数据库
万字详解 GraphRAG - 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
万字详解 RAG 检索优化 - 掌握 Chunk 策略、Hybrid Search、Query Rewrite、Rerank、上下文压缩等实战优化
RAG 文档处理与切分策略：从解析、清洗、Chunking 到多模态内容处理 - 深入解析 RAG 文档进入索引前的完整链路，涵盖文件解析、清洗、结构化、Chunking 策略与多模态内容处理
RAG 知识库文档更新策略：增量更新、版本控制、去重与全量重建 - 深入解析 RAG 知识库更新的工程实践，涵盖增量更新、版本回滚、去重与灰度发布