滴滴 AI 应用 / Java 后端三面:项目质量怎么评、AI Coding 追到具体用法
- 轮次
- 三面
- 时间
- 2026-11
- 来源
- 牛客网
《面试题目》
项目职责与设计
- 京东主要做了什么?解决什么问题?
- 数据来源固定吗?大概多少接口,各返回什么?
- 谁触发工作流?自动还是人工?
- 哪些用规则,哪些用模型?为什么这样区分?
- 使用什么模型?现在还在用吗?
- 输出是什么?不同的总结有区别吗?
- 有人指导,还是主要自己完成?
评测与成长
- 除了错误率、幻觉率,还怎么判断总结好不好?
- 有收集用户评价吗?大致反馈是什么?
- 通过这个项目学到了什么?
Java 工程与个人博客
- 实习里有较深入的 Java 工程实践吗?
- 介绍博客的功能和工程设计。
- 为什么用 Redis?
- 为什么用 RabbitMQ?
- 前后端分别多少由自己完成,多少由 AI 完成?
AI Coding、Skill 与 Harness
- 用过哪些 AI 编程工具?怎样选择?
- 主要靠 Prompt,还是构建了 Skill 等基础能力?
- Harness 工程具体做了什么?
- 用过哪些开源 Skill?为什么选择?
- Redis、MQ 是自己加的,还是 AI 帮忙做的?
岗位认知与反问
- AI 已经能生成完整应用,还需要扎实后端基础吗?
- 你怎样理解 AI 应用开发工程师?
- 入职后应重点提高什么?
《参考解析》
项目怎么讲清:先用一句话说清「为谁解决了什么问题」,再给数据链路(数据从哪些接口来、各返回什么、如何清洗与结构化)、触发方式(自动定时还是人工点击)、规则与模型的分工(确定性字段用规则,语义归纳用模型)、输出形态(结构化摘要、面试报告)与落地位置(数据库、前端展示)。面试官反复追问「你本人做了什么」,答案要能划出边界:哪些模块由你设计、哪些代码由你写、哪些是与他人协作。
规则与模型的分工:规则负责可枚举、可校验、必须稳定的部分(字段映射、评分区间、必填项、权限过滤、合规文案),模型负责开放语义(简历理解、问答归纳、追问建议)。区分依据是「错了能不能被发现、错了代价多大」:能被程序校验的交给规则,无法穷举的交给模型并要求给出来源。这样的划分也让评测更清晰——规则部分用单测覆盖,模型部分用评测集。
效果怎么评:除了错误率与幻觉率,还要看任务层面的指标:关键信息抽取的召回(该提到的公司、岗位、时间有没有漏)、结构完整率、人工可用率(用户是否需要大量修改)、用户满意度与采纳率。没有标注数据时,用人工抽检 + 模型互评(用另一个模型按 rubric 打分)做初筛,再由人复核争议样本。错误率的分母要说明是「每条总结」还是「每个字段」。
个人博客的工程设计:讲清数据模型(文章、标签、评论、用户)、接口设计、缓存策略(热点文章与列表页用 Redis,缓存键含版本、失效策略是删除而非更新)、异步(评论通知、邮件、统计用 RabbitMQ 解耦,消费者幂等)。选型理由要落到具体问题:Redis 解决读多写少与页面响应,MQ 解决请求链路过长与削峰。被问「多少由 AI 完成」时如实拆分,并说明自己负责的部分(架构、数据模型、关键逻辑、调试)。
AI 编程工具怎么选:按任务类型选:补全类适合边写边改,对话类适合设计讨论与排查,Agent 类适合跨文件改动与批量重构。选择依据是上下文能力、对仓库的理解方式、是否可审计(能否看到改了哪些文件)、以及团队规范(代码是否能出内网)。不要只报工具名,要说明在什么场景下用它、怎么验证结果。
Skill、MCP 与 Harness:Skill 是把某类任务的做法固化成可复用的指令与脚本(如「如何写一篇面经」「如何做代码审查」),减少每次重新描述;MCP 是把外部能力(数据库、浏览器、内部系统)以标准协议暴露给模型;Harness 是运行模型的工程外壳——上下文组装、工具调用、权限、重试、日志、评测。三者解决的是不同层次的问题,回答时要分清,不要混为一谈。
AI 时代还需不需要后端基础:需要,而且要求变了。AI 能生成代码,但判断生成得对不对、能不能上线、出了问题怎么定位,仍然依赖对数据库、并发、网络、一致性的理解;AI 生成的系统更容易出现「看起来能跑但边界没处理」的问题,把关的人必须懂。基础的价值从「会写」转向「会判断与验证」。
AI 应用开发工程师的职责:把模型能力变成可交付的产品:定义任务与评测、设计上下文与工具、处理失败与降级、控制成本与延迟、建立反馈闭环。它同时需要产品理解与工程能力,不是单纯调 API。
入职后提高什么:给出与岗位相关的具体项,例如补齐分布式系统与高并发经验、深入理解业务数据链路、学会做评测与线上归因。回答要结合面试中暴露的不足,显得有自省而不是套话。