恒生电子高频面试题
先请你简单做个自我介绍，包括个人基本信息教育背景，重点聊一下你是怎么理解这个岗位的。
原题听你提到ai工具能大幅提升开发迭代效率。你平时最常用的ai编码工具是什么？
原题谈谈你对python装饰器的理解，它的核心作用是什么？举一个你在实际项目中使用装饰器的场景，说明它解决了什么问题？
原题你提到装饰器可以在不修改业务代码的前提下增强功能。那如果要给一个带位置参数、关键字参数，还有返回值的业务函数加统计执行耗时的装饰器，你会怎么处理被装饰函数的参数传递和返回值透传问题。
原题你刚才提到会用判断做参数校验，那你知道python中用来实现装饰器时，能自动保留被装饰函数源信息，比如函数名文档字符串的标准库装饰器是什么吗？
原题创建联合索引时字段的放置顺序，会不会影响查询效率？为什么？
原题如果我有一个联合索引abc，查询条件是b等于1 and c等于2，这个查询能用到这个联合索引吗？
原题你刚才提到联合索引，遵循最左匹配原则，那联合索引在B+树中存储时，是按照什么规则来组织键值顺序，从而支撑最左匹配特性的。
原题让大模型稳定输出结构化数据，如JSON是ai应用开发常见需求，但模型有时会输出多余的解释文字或格式不合法，你会用哪些手段提升结构化输出的稳定性和可解析性。
原题如果你在提示词里已经明确要求，只输出JSON不要额外解释，但模型依然在JSON前后附带自然语言说明，你会用什么方式处理这类输出。
原题模型输出的JSON本身存在转义错误、括号不匹配，这类语法问题，导致正则也无法准确截取合法片段，你会怎么处理？
原题RAG、传统检索+生成、微调三种方案的本质区别是什么？分别在什么场景下选用。
原题你刚才提到传统检索是基于词的相似度匹配，不涉及语义。那如果企业内部有大量存在表述差异，但高度相关的文档，比如不同部门对同一业务流程的不同口径记录这种场景下，传统检索加生成会出现什么核心问题。
原题你刚才提到，当提示词工程、RAG优化到位仍达不到效果时，才考虑模型微调。那你认为微调会从根本上改变大模型的哪些固有能力边界？
原题你在开发AI Agent的过程中，总结过哪些常用的设计模式，这些设计模式分别适合解决什么类型的问题。
原题你刚才提到Plan‑and‑Execute适合大型工程拆解执行，部署时会结合ReAct。那如果遇到需要动态调整全局目标，初始计划很快失效的开放场景，你会选择哪种模式组合来处理？
原题你提到执行每一步之后，通过反思判断是否需要重规划。那你在实践中是怎么设计反思环节的判定标准，避免大模型频繁无意义的推翻原有计划，导致执行效率极低的。
原题请分享一个你做过的最具技术挑战，最值得深入探讨的大模型应用项目，它要解决什么问题，核心难点在哪？你又是如何攻克的？
原题你刚才提到最初只有50条产品给的黄金数据来构建知识库。你们当时是怎么测量并确认这个知识库支撑下的回答准确性不达标的。
原题你刚才提到最初测召回的时候，20条召回结果里会漏掉正确的文档片段，当时你们是怎么一步步排查定位出漏召的根本原因的。
原题你最初判断是切分太碎，导致漏召。在优化切分策略的过程中，有没有出现过你原本判断有效的调整方案，实际测试后发现效果不达预期被推翻的情况。
原题优化切分后，召回率得到了提升。那你们最终是怎么判断整个客服系统的回答效果是真的变好了，而不只是召回指标好看。
原题你刚才提到为了降低TTFT替换了豆包1.8 flash模型，还做了kv缓存优化。在平衡响应速度、回答准确性、调用成本这三者的时候，你们最终做了哪些关键取舍？
原题请聊一个你熟悉或自研的ai应用框架。它的核心是为了解决什么问题，在实现上有哪些技术设计上的巧思，你又在什么场景里真正用它落地过？
原题你提到他用点和边的图结构替代LangChain原有的链式调用。那这个框架里最核心的节点抽象具体是怎么设计的？
原题你刚才提到所有节点都围绕共享state做读写。那这种全局共享状态的设计，相比每个节点独立传参的朴素实现实际带来了哪些额外的代价？
原题你实际在项目里用这个框架落地工作流编排的时候，遇到过最棘手的一个和它设计特性相关的坑是什么？
原题
暂无题目