数字化全栈工程师一面面经

9.20 汇川一面 需要双机位，飞书会议两个设备进会，时长半小时左右，没有手撕，主要是拷打项目，最后问了个简单的小八股

一、 个人背景与自我介绍

1. 请先做一下简单的自我介绍（学历背景、竞赛经历、实习经历与求职意向）。
   二、 项目深挖：大模型电视客诉分析 Agent（基于 LangChain & LangGraph）
2. 端到端流程：请完整走一遍系统链路。如果一条客诉工单进来（例如“开机黑屏但有声音”），从多源输入到最终产出归因报告，中间会经历哪些步骤与节点？
3. 评测基准设计：指标中提到综合准确率从 20%+ 提升到了 80%+，该指标是如何定义的？评测集（Benchmark）包含哪些维度，又是如何打分的？
4. 架构演进（分类器重构）：为什么在架构演进中选择去掉了最初的分类器（Classifier）？在没有分类器的情况下，模型如何感知排查方向？如果最初的检索方向走偏了，系统有哪些机制能把它拉回来？
5. 多 Agent 协作：为什么要把分析拆分为 4 个角色（双分析 Agent + 裁决 Agent + Reviewer Agent）？

• 两个并行的分析 Agent 具体有什么区别？
• 为什么要设计双分析 Agent？解决了单 Agent 运行时的什么痛点？
• 如果两个分析 Agent 得出的结论和证据链各有道理且相互冲突，裁决 Agent 该如何判定？

1. 成本与极限架构场景：如果项目预算被严格卡死，只允许使用单 Agent 且不能调用两个模型，如何避免准确率大幅下滑？有哪些优化手段？
2. 数据与泛化能力：

• Benchmark 中 20 多个评测 Case 是如何筛选出来的？评测时每条 Case 跑多次的原因是什么？
• 评测维度中的“归因深度”较为抽象，具体是如何划分和打分的？
• 日志文件规模通常达到数百万行，模型上下文装不下时，工程上如何做高效检索过滤？
• 如果将这套评测和诊断方法迁移到工业场景（设备故障诊断），面对“故障种类极多但单类样本较少”的特点，这套 Benchmark 还能否有效建立？
  三、 项目深挖：低代码数据中台（基于 n8n 二次开发）

1. 交互与执行底层原理：用户在画布上将一个节点拖拽出来，到最终连接底层图数据库（Neo4j）执行查询，中间代码底层经历了哪些过程？
2. 复杂数据源集成：在集成 Neo4j 和 Hive 节点时，哪一个难度更大？具体的工程痛点是什么（如跨平台环境配置、TS 生态驱动库及连接池封装）？
3. 工作流引擎底层原理：一个前端可视化的工作流是如何被持久化存储并转化为可复用应用的？从 JSON 结构到工作流组件是如何做反序列化还原的？
4. 业务赋能：该平台将开发效率提升 40%，主要是提升了团队自身产研效率，还是赋能了非研发/业务人员？
   四、 研发范式思考：AI 辅助编程深度使用
5. 简历中提到累计使用了超过 200 亿 Token，这属于重度依赖 AI 辅助编程：

• 你认为这种方式对程序员自身的基础功底是提升了还是有所削弱？
• 在赶项目进度的日常开发中，AI 写代码带来了哪些不可替代的价值（如单测覆盖率）？
• 如果让 AI 一次性生成成千上万行代码，代码审查（Code Review）应该交由 AI 自动审，还是由人工审核？人机审查的边界在哪里？
  五、 计算机基础与工程能力（八股 / 调优）

1. MySQL 性能调优：在排查和调优慢查询 SQL 时，你的常规思路与步骤是什么？
2. 索引与回表：如何利用 EXPLAIN 分析执行计划？联合索引在减少回表方面是如何发挥作用的？

#秋招# #秋招面试记录#