实习生面试记录

一、基本信息

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。

候选人回答：

装饰器类似于“挂”在函数上面的东西，预先写好内容后通过@语法直接使用。其在 Next.js 框架中亦有类似概念，理解与 Python 基本一致。

评价：仅能用比喻说明装饰器的使用方式，未能阐述其本质为高阶函数、涉及闭包等核心原理。理解停留在“如何使用”层面，缺乏对底层机制的认知。

（二）AI 应用开发

问题3：请说明 Function Calling 的调用链路，并举例说明你注册了哪些工具函数。

候选人回答：

通过基础提示词让大模型知晓可用工具，模型输出结构化文本，分为两个通道——一个供用户阅读，一个供后端解析执行，从而实现看板操作。工具函数约二十余个，均通过 AI 辅助编写。

评价：能描述 Function Calling 的基本流程（提示词告知工具 → 模型决策 → 结构化输出 → 后端执行），但对调用链路的细节描述不够深入，未能说明参数 Schema 定义、工具决策依据等关键技术点。

问题4：请说明 SSE 流式输出的技术选型理由，以及与 WebSocket 的区别。

候选人回答：

WebSocket 为双向通信，SSE 为单向通信（服务端至客户端），可实现 AI 对话中逐字输出的“打字机效果”。

评价：能准确区分 SSE 与 WebSocket 的核心差异，并说明 SSE 在 AI 对话场景中的适用性。回答基本正确。

问题5：SSE 如何区分多个并发用户的会话？

候选人回答：通过 IP 地址进行区分。

评价：回答不正确。SSE 区分会话的标准方式为通过 URL 参数传递sessionId或userId，并在连接建立后维护会话标识与连接的映射关系。基于 IP 地址的方案在多用户共享同一公网出口的场景下将产生混淆，不具备工程可行性。

（三）Docker 容器化

问题6：Docker Compose 的 YAML 文件是否由你独立编写？

候选人回答：并非独立编写，主要通过 AI 辅助生成，但能保证其成功运行。对关键参数（端口、镜像、环境变量、账号密码等）有一定了解。

评价：熟悉 Docker Compose 的基本配置项，但独立编写能力存疑，对配置细节的掌握不够扎实。

问题7：是否独立编写过 Dockerfile？

候选人回答：未独立编写过。对 Docker 仅有基础了解，具体编写依赖 AI 工具完成。

评价：Dockerfile 编写能力存在明显短板，基本依赖 AI 工具完成。

（四）Next.js 框架

问题8：你在 Next.js 中使用过哪些渲染模式？

候选人回答：对 SSR、ISR 等渲染模式不了解，仅熟悉 Vue 框架的 MVVM/MVC 模式。

评价：候选人对 Next.js 的理解停留在表层，未能掌握其核心特性（SSR、SSG、ISR），框架深度不足。

（五）向量检索与 RAG

问题9：请说明向量检索的完整工作流程。

候选人回答：

使用 PostgreSQL 的 pgvector 插件，通过调用千问 3.0 Embedding 模型的 API，将文章和搜索词分别转化为向量，实现向量相似度搜索。

评价：能说明向量检索的基本流程（文本 → Embedding API → 向量 → 相似度搜索），对 pgvector 插件有实际使用经验。但对 RAG 的完整流程（文档加载 → 分块 → 向量化 → 存储 → 检索 → 重排序 → 生成）缺乏系统性了解。

（六）项目经验

问题10：请介绍你最熟悉的项目，包括技术选型、个人角色及遇到的最难问题。

候选人回答：

介绍了“Web 多人实时绘画协作平台”。技术选型方面，沿用熟悉的 Vue 3 + Next.js 技术栈，引入 Yjs 解决多人协作数据冲突，选用 Konva.js 作为画布引擎。在项目启动前通过多轮 AI 咨询完成需求分析与技术调研。遇到的主要问题包括画布渲染异常及图片插入失败，通过浏览器控制台日志排查后由 AI 辅助解决。

评价：能清晰说明技术选型的理由和决策过程，体现了一定的工程思维能力。但问题排查过程主要依赖 AI，独立解决问题的能力尚需加强。

问题11：AI 辅助编程是否影响了你的技术深度？如何平衡？

候选人回答：承认在技术深度上确实存在不足，但认为 AI 工具的价值在于拓展技术广度，使开发者能够涉猎更广泛的技术领域。

评价：对 AI 辅助编程的优势与局限性有客观认知，体现了较好的自我反思能力和清晰的自我定位。

问题12：是否有主动学习与课设无关的技术？

候选人回答：当前所学的前后端框架均为自学，非学校课程内容。但博客已有一段时间未持续更新。

评价：具备一定的自学意识和能力，但知识沉淀和持续输出的习惯有待加强。

（七）数据库与缓存

问题13：请列举 Redis 的基本数据类型。

候选人回答：字符串（String）、哈希（Hash）、列表（List）、集合（Set）、有序集合（Sorted Set）。

评价：回答正确，基本数据类型掌握良好。

问题14：请说明缓存穿透、缓存击穿、缓存雪崩的概念。

候选人回答：

• 穿透：查询的数据不存在于缓存中，每次请求均直达数据库。
• 雪崩：理解存在偏差，误认为是瞬时大量请求绕过缓存直接访问数据库。

评价：对缓存穿透的理解基本正确，对击穿和雪崩的概念较为模糊，未能准确区分三者的差异。经提示后能理解雪崩的核心问题为大量 Key 同时过期。

问题15：请说明数据库查询中笛卡尔积的产生原因。

候选人回答：将笛卡尔积描述为“向量互乘”，但能指出其会导致数据量成倍增长。

评价：表述不够准确，但能理解其核心问题。准确的定义应为：多表查询时未指定有效的连接条件，导致左表每一行与右表每一行逐一组合，结果集规模为两表行数之积。

三、综合评价

优势方面：

• 具备python项目的实践经验丰富，项目覆盖面广且具有一定的技术深度
• 对 Function Calling、SSE 流式输出等 AI 应用技术有实际操作经验
• 具备一定的工程思维，项目启动前能进行需求分析和技术调研
• 学习意愿较强，当前技术栈主要依靠自学完成
• 对 AI 辅助编程的优势与局限有客观认知，自我定位清晰

不足之处：

• Docker 容器化技术依赖 AI 工具完成，独立编写 Dockerfile 和 Compose 文件的能力较弱
• Next.js 框架的核心渲染模式（SSR、SSG、ISR）理解缺失
• RAG 技术停留在概念了解层面，缺乏完整落地的实操经验

四、面试结论

综合评定：推荐通过本轮面试，进入下一轮。

补充说明：

经面试官现场综合评估，候选人虽在基础知识方面存在若干短板，但具备以下核心竞争力：

1. 项目实践经验丰富：三个项目均由个人独立完成，涵盖 AI 应用、实时协作、博客系统等多个领域
2. AI 应用开发有落地：Function Calling、SSE 流式输出、向量检索等关键技术有实际操作经验
3. 技术视野较好：技术栈覆盖前后端、数据库、DevOps 等多个领域
4. 学习意愿强烈：当前技术栈以自学为主，具备独立解决问题的能力

基础知识短板可通过入职后系统学习快速补齐，建议安排后续面试或 HR 环节进一步沟通入职意向。

六、面试官建议

建议候选人在入职前优先补充以下内容：

1. Python 基础：装饰器、生成器的原理与应用场景
2. Docker 容器化：Dockerfile 和 Docker Compose 的独立编写能力
3. 数据库基础：索引数据结构、缓存三大问题（穿透/击穿/雪崩）的准确定义与解决方案
4. 向量数据库：ChromaDB 或 Milvus 的实际使用，以及 RAG 完整流程的落地实践