--- title: AI 应用开发面试指南 description: 深入浅出掌握 AI 应用开发核心知识，涵盖大模型基础、Agent、RAG、MCP 协议、AI 编程实战等高频面试考点，适合校招/社招 AI 应用开发岗位面试复习。 icon: "ai" head: - - meta - name: keywords content: AI面试,AI面试指南,AI应用开发,LLM面试,Agent面试,RAG面试,MCP面试,AI编程面试,AI编程实战 --- ::: tip 写在前面 现在网上有很多所谓”AI 技术文章”，点进去一看，满篇空洞的套话，逻辑混乱，读起来千篇一律。 这类文章有几个共同特点： - **内容堆砌**：大量概念罗列，但没有真正讲清楚原理，读完云里雾里。 - **缺乏实战视角**：纸上谈兵，没有真实的项目踩坑经验。 - **没有配图**：全是文字，读者很难建立直观的认知。 - **正确性存疑**：很多技术细节经不起推敲，甚至存在明显错误。 我在写这一系列 AI 文章的时候，坚持一个原则：**要么不写，要写就写透**。每一篇文章我都投入了大量时间： - **深度调研**：查阅官方文档、技术博客、学术论文，确保内容准确。 - **精心配图**：绘制了几十张配图帮助理解。 - **实战导向**：内容都来自真实项目的踩坑经验，不是纸上谈兵。 - **反复打磨**：每篇文章都修改了十几遍，确保逻辑清晰、表达准确。 希望这些文章能真正帮到你。 ::: ::: warning 持续更新中 AI 面试系列目前正在**持续更新中**，后续会陆续补充更多高频面试考点。 当前内容可能还不够完善，如果你有想要了解的主题或任何建议，欢迎在项目 issue 区留言反馈。 ::: ## 这个专栏能帮你解决什么问题？ 如果你正在准备 AI 应用开发相关的面试，或者想要系统学习 AI 应用开发的核心知识，这个专栏就是为你准备的。 通过这个专栏，你将获得： ### 1. 扎实的大模型基础知识 很多开发者在构建 Agent 工作流或调优 RAG 检索时，往往会在最底层的 LLM 参数上踩坑。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，如果你不理解 LLM 的底层原理，就永远只能“知其然不知其所以然”。在[《万字拆解 LLM 运行机制》](./llm-basis/llm-operation-mechanism.md)中，我会带你扒开 LLM 的黑盒，把 Token、上下文窗口、Temperature 等概念还原为清晰、可控的工程概念。 ### 2. 系统的 AI Agent 知识体系 AI Agent 是当下 AI 应用开发最热门的方向。但网上的资料要么太浅，要么太散，很难形成系统的认知。 在[《一文搞懂 AI Agent 核心概念》](./agent/agent-basis.md)中，我会带你： - 梳理 AI Agent 从 2022 年到 2025 年的六代进化史 - 理解 Agent、传统编程、Workflow 三者的本质区别 - 掌握 Agent Loop、Context Engineering、Tools 注册等核心概念 在[《大模型提示词工程实践指南》](./agent/prompt-engineering.md)中，我会带你： - 掌握 Prompt 四要素框架（Role + Task + Context + Format） - 学会六大核心技巧：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 - 了解 Prompt 注入攻击原理与三层防护体系 在[《上下文工程实战指南》](./agent/context-engineering.md)中，我会带你： - 理解 Context Engineering 和 Prompt Engineering 的本质区别 - 掌握静态规则编排、动态信息挂载、Token 预算降级三大核心技术 - 学会 Compaction、结构化笔记、Sub-agent 三种长任务上下文持久化方案 ### 3. 深入理解 RAG 检索增强生成 RAG 是企业级 AI 应用的核心技术。但很多开发者只知道“把文档切成块，转成向量，然后检索”这个流程，却不理解背后的原理。 在 RAG 系列文章中，我会带你深入理解： - [《万字详解 RAG 基础概念》](./rag/rag-basis.md)：RAG 是什么？为什么需要 RAG？RAG 的核心优势和局限性是什么？ - [《万字详解 RAG 向量索引算法和向量数据库》](./rag/rag-vector-store.md)：HNSW、IVFFLAT 等索引算法的原理是什么？如何选择合适的向量数据库？ ### 4. 掌握工具与协议 在 AI 应用开发中，工具接入的碎片化是一个大问题。MCP 协议的出现，就是要解决这个问题。 在[《万字拆解 MCP 协议》](./agent/mcp.md)中，我会带你理解： - MCP 是什么？为什么被称为“AI 领域的 USB-C 接口”？ - MCP 的四大核心能力和四层分层架构 - 生产环境下开发 MCP Server 的最佳实践 在[《万字详解 Agent Skills》](./agent/skills.md)中，我会带你理解： - Skills 是什么？为什么说它是“延迟加载”的 sub-agent？ - Skills 和 Prompt、MCP、Function Calling 的本质区别 - 如何在实战中设计优秀的 Skill 在[《一文搞懂 Harness Engineering》](./agent/harness-engineering.md)（六层架构、上下文管理与一线团队实战）中，我会带你理解： - Agent = Model + Harness，为什么说决定 Agent 天花板的是 Harness 而不是模型？ - Harness 六层架构、上下文管理的 40% 阈值现象 - OpenAI、Anthropic、Stripe 等一线团队的 Harness 工程化实战经验 ### 5. AI 编程面试准备 AI 编程工具正在深刻改变开发者的工作方式。在面试中，你可能会被问到： - 用过什么 AI 编程 IDE？有什么使用技巧？ - 如何看待 AI 对后端开发的影响？AI 会淘汰程序员吗？ - 未来程序员的核心竞争力是什么？ 在[《AI 编程开放性面试题》](./llm-basis/ai-ide.md)中，我会分享 7 道高频开放性面试问题的回答思路。 ### 6. AI 编程实战 纸上得来终觉浅。只有亲手用过 AI 编程工具，才能真正理解它的工作边界和使用技巧。在 AI 编程实战系列中，我会通过真实场景的实战案例，分享 AI 辅助编程的使用经验： - [《IDEA 搭配 Qoder 插件实战》](./ai-coding/idea-qoder-plugin.md)：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 - [《Trae + MiniMax 多场景实战》](./ai-coding/trae-m2.7.md)：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 - [《Claude Code 接入第三方模型实战》](./ai-coding/cc-glm5.1.md)：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 - [《Claude Code 使用指南》](./ai-coding/claudecode-tips.md)：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 - [《OpenAI Codex 最佳实践指南》](./ai-coding/codex-best-practices.md)：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 - [万字拆解 LLM 运行机制：Token、上下文与采样参数](./llm-basis/llm-operation-mechanism.md) - 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 - [AI 编程开放性面试题](./llm-basis/ai-ide.md) - 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 - [一文搞懂 AI Agent 核心概念](./agent/agent-basis.md) - 梳理 AI Agent 六代进化史，掌握 Agent Loop、Context Engineering、Tools 注册等核心概念 - [大模型提示词工程实践指南](./agent/prompt-engineering.md) - 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](./agent/context-engineering.md) - 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](./agent/skills.md) - 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](./agent/mcp.md) - 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](./agent/harness-engineering.md) - 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](./rag/rag-basis.md) - 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](./rag/rag-vector-store.md) - 掌握 HNSW、IVFFLAT 等索引算法原理，学会选择合适的向量数据库 ### AI 编程实战 - [IDEA + Qoder 插件多场景实战：接口优化与代码重构](./ai-coding/idea-qoder-plugin.md) - 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 - [Trae + MiniMax 多场景实战：Redis 故障排查与跨语言重构](./ai-coding/trae-m2.7.md) - 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 - [Claude Code 接入第三方模型实战：JVM 智能诊断与慢查询治理](./ai-coding/cc-glm5.1.md) - 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 - [Claude Code 使用指南：配置、工作流与进阶技巧](./ai-coding/claudecode-tips.md) - 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 - [OpenAI Codex 最佳实践指南：提示工程、工具配置与安全策略](./ai-coding/codex-best-practices.md) - 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 为了帮助读者更好地理解抽象的技术概念，我在每篇文章中都绘制了大量配图。这里展示几张： ![上下文窗口示意图](https://oss.javaguide.cn/github/javaguide/ai/llm/llm-context-window.png) _上下文窗口是 LLM 的“工作记忆”，决定了模型能处理的最大文本量_ ![RAG 架构示意图](https://oss.javaguide.cn/github/javaguide/ai/rag/rag-simplified-architecture-diagram.jpeg) _RAG 的核心思想：先检索相关上下文，再让 LLM 基于上下文生成回答_ ![MCP 图解](https://oss.javaguide.cn/github/javaguide/ai/skills/mcp-simple-diagram.png) _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 这个专栏我会持续更新。如果觉得有帮助，欢迎分享给身边的朋友。有问题或建议，直接在项目 issue 区留言就行。 --- ![JavaGuide 官方公众号](https://oss.javaguide.cn/github/javaguide/gongzhonghaoxuanchuan.png)