一份面试前十分钟能扫完的速查。每题只给骨架和加分点——面试官想听的从来不是流程名，而是你在哪一环踩过坑。
日常怎么用 AI 写业务代码，另见《AI 出码工程手记》。
RAG
Q：完整讲一下 RAG 链路
骨架：解析 → 切分 → Embedding → 入库 ｜ 查询改写 → 混合召回 → 重排 → 组装 → 生成 → 引用溯源。
每步带一句实践细节（「PDF 表格解析我们换过三次方案」），比背完整流程加分得多。
Q：向量召回不准怎么办
① 混合检索：向量管语义，BM25 管精确匹配——型号、错误码、人名这类恰恰是向量最弱的地方； ② Query 改写 / HyDE； ③ Rerank：粗召回 top50 → cross-encoder 精排 top5，投入产出比最高的一环； ④ 元数据过滤：能用结构化条件先砍掉的，不要交给向量。
Q：Chunk 怎么切
重点是按语义边界切优于按字数切：Markdown 按标题层级，代码按函数，合同按条款。字数只是兜底起点（300–800 token + 10~20% overlap），不是标准答案——长上下文成为常态后，偏大的 chunk 也完全可用。
加分：chunk 前缀带上父级标题，否则切出来的片段脱离上下文后语义漂移。
Q：怎么评估 RAG 效果
拆成检索指标（Recall@K、MRR）和生成指标（忠实度、答案相关性）分别评——混在一起你永远不知道是没召回还是没答好。
必须有评测集：真实问题抽 100~200 条，标注标准答案和应召回文档。线上看重问率、点踩率、人工接管率。
Agent 与工具
Q：Function Calling 的原理
模型不执行任何函数。你把工具 JSON Schema 放进请求，模型输出结构化的调用意图，由你的代码执行，结果回填后它继续推理。
Q：Agent 怎么防止死循环失控
最大迭代轮数 + 超时 + token 预算上限；工具白名单，写操作强制人工确认；检测重复动作（同工具同参数连续调用就中断）；每步结果校验，失败重试限次数。
Q：怎么保证输出的 JSON 一定能解析
分层兜底：① structured output / tool calling 做模型侧约束 → ② prompt 给完整示例 → ③ 代码侧剥 markdown 围栏、正则提最外层大括号 → ④ 解析失败把错误回喂重试，限次数。
Q：Prompt 注入怎么防
核心心智：把模型输出当作不可信输入处理，和用户提交的表单同级。
可信边界（系统指令与数据分离）+ 最小权限（危险操作人工确认）+ 输出侧过滤（防止生成内容直接进 SQL / shell / 前端渲染）。
模型选择
Q：什么时候该微调
排除法：先 prompt，再 RAG，最后才微调。
缺知识用 RAG——微调塞知识性价比极低且难更新；缺格式 / 风格 / 领域语气才微调。没有持续标注能力就别开这个头。
开放题
Q：设计一个企业内部知识库问答
先反问澄清（不问直接扣分）：文档规模和格式？更新频率？用户是谁？准确率要求？权限隔离？延迟预算？
再按 数据链路 → 检索链路 → 生成链路 → 评估迭代 → 非功能 展开。
关键加分点：权限过滤必须在检索层做，不能靠 prompt。靠 prompt 说「不要回答用户无权查看的内容」，等于没做。