2026-08-30 秋招XX AI全栈开发一面复盘

XX AI 全栈工程师（上海）的一面，形式是牛客 AI 面试。8月30日面完后记下了这些，结果没有留下记录。

整体流程是自我介绍、八股、Agent、项目追问，少了一个手撕环节。我当时觉得它挺公式化，但转念一想，真人面试官的追问就不公式了吗？

题目与我的作答

1. 前端与 Redis 八股

八股选了 TypeScript 方向，记得四道：

1. JavaScript 在浏览器里的事件是怎么执行的？
2. TypeScript 泛型有什么作用？
3. 缓存穿透、缓存击穿、缓存雪崩有什么区别？
4. Redis 的两种持久化机制有什么区别？当时记成一个 A 开头、一个 R 开头。

这部分留下了题目，没有留下我逐题回答的原话。下面把它们按复习时能讲清楚的程度补上。

2. Function Calling → 私有 API → Agent 设计模式

后面这组是递进追问，不是几个互不相关的八股。

先问 Function Calling。我当时说，本地内置了 Python 解释器，把 Tools 写好、规约好，模型自己调用工具去跑。但我又提到，本地环境不能覆盖所有场景，还会涉及一些 API。

于是它继续问：私有 API、网络服务这种工具，具体怎么实现？我回答了 MCP。

再往后问 Agent 有哪些设计模式。我当时只知道 ReAct，不清楚还有哪些更通用的模式。这两块是我自己觉得答得不好的地方。

3. 最自豪的 AI 项目，以及和 AI 迭代中发现的问题

Agent 部分结束后，开始问项目：

• 讲一个自己最自豪、最想讲的 AI / Vibe Coding 项目，解决了什么问题，怎么做的。
• 有没有一开始没发现，后来和 AI 反复迭代才发现的问题？最后怎么定位、怎么解决？
• 再围绕这个问题继续追问一些细节。

我记住了这条追问线，但没有留下具体讲的是哪个项目、举了哪个问题，后面几次追问也记不清了。这一段先保留到这里。

复盘与重做

以下是事后整理的知识解释和重答思路，不是把它们补写成我当时已经答出来的内容。

1. 浏览器事件执行：同步代码、微任务、任务

可以先从一段最短的代码说起：

console.log(1);

setTimeout(() => console.log(2), 0);

Promise.resolve().then(() => console.log(3));

console.log(4);

输出是 1、4、3、2。

1 和 4 是同步代码，先执行。Promise.then 的回调进入微任务队列，setTimeout 的回调是后续任务。当前这段代码执行完、调用栈清空后，先清空微任务，再有机会处理下一个任务，所以 3 在 2 前面。计时器写0也不表示回调会立刻打断当前代码。

讲事件循环时，把这条顺序说清楚，再按追问补浏览器提供的计时器、网络等异步能力，以及渲染时机，就比较容易展开。这里讲的是同一个页面 JavaScript 执行环境里的顺序，不是说整个浏览器只有一个线程。

2. TypeScript 泛型：保留输入和输出的类型关系

泛型可以把类型当成参数。同一份函数能处理不同类型，同时保留类型检查。

function identity<T>(x: T): T {
  return x;
}

const a = identity(123);      // number
const b = identity("hello");  // string

如果写成 any，函数确实也能接收这些值，但返回值和输入之间的类型关系就丢了。这里的 T 表示：传进来是什么类型，返回的仍然是那个类型。

需要限制参数能力时，就加约束：

function printLength<T extends { length: number }>(x: T) {
  console.log(x.length);
}

这时 T 可以变化，但必须有 length。接口也一样，例如 ApiResponse<T> 可以复用响应结构，让 data 分别是 User、Product，不用每次重写一遍。Python 的 TypeVar、list[int] 也是类型参数化的例子，只是 Python 的类型提示本身不会把运行时变成静态类型语言。

3. 缓存三件套：先分清故障发生在哪里

先用“不存在、一个热点、大面积失效”把三种情况分开，再针对场景展开。TTL 加随机值能缓解同时过期，解决不了 Redis 整体宕机，不能把所有方案混在一起背。

4. RDB 和 AOF：快照与写操作日志

RDB 保存某个时间点的数据快照，文件通常比较紧凑，适合备份和恢复。代价是宕机时可能丢掉最近一次快照之后的修改。

AOF 记录写操作，通过重放恢复数据。具体能丢多少数据取决于刷盘策略：always 尽量及时刷盘；everysec 每秒刷盘，通常可能丢最近约一秒的写入；no 交给操作系统决定。它也会做重写，不能理解成日志永远只增不减。

两种可以结合使用，重点是根据可接受的数据丢失窗口、性能和恢复需求选择，不能简单说一种在所有场景都更好。

5. Function Calling：把模型和执行程序分开

我当时说“模型自己调用 Python 解释器去跑”，容易把两层混在一起。

模型看到工具说明和参数格式后，生成的是“调用哪个工具、传什么参数”的结构化请求。真正执行函数、操作解释器、访问网络或数据库的是外面的程序。执行完，再把结果交回模型，让它继续判断。

用户问题
  → 模型返回工具名、参数
  → 程序检查参数与权限，执行工具
  → 工具结果放回上下文
  → 模型继续回答，或再调用工具

所以“内置 Python 解释器”可以是工具的一种实现，但不是 Function Calling 本身的定义。先讲清楚这两层，后面的远程工具问题也就容易接了。

6. 私有 API：先解释调用怎么发生，再说 MCP

模型不需要自己持有私有服务的密钥，也不直接替我完成网络请求。可以在后端封装一个工具函数，由它带着服务需要的身份和权限，通过 HTTP、SDK 或 RPC 调用接口，把结果整理好再返回。

我当时直接回答 MCP，跳到了工具接入方式这一层。MCP 可以用来标准化工具发现和调用，但不用 MCP，也能把一个私有 API 包装成工具。

把这条路径说完整会更清楚：

模型提出工具调用
  → 后端工具函数
  → 带认证访问私有服务
  → 得到业务结果
  → 返回模型

如果工具通过 MCP 接入，宿主里的 Client 先向 Server 查询可用工具及参数说明，再把这些能力提供给模型；执行时由 Client 把调用交给 Server。常见的方法名是 tools/list 和 tools/call。

MCP Server 可以在本机，也可以在远端。本机常见 STDIO，远端可以使用 HTTP；它不等于“远程 API”，也不是所有工具调用的必经步骤。除 Tools 外，它还可以提供 Resources 和 Prompts。

7. Agent 设计模式：从 ReAct 往外展开

我当时只知道 ReAct。复习时可以按任务怎么组织来记几种思路：

• ReAct：推理、行动、观察结果，再继续推理，边做边决定下一步。
• Plan-and-Execute：先列计划，再逐步执行，必要时调整计划。
• Reflection：先得到一版结果，再检查、修正。
• Router / Supervisor：按任务类型分发，或由一个协调者安排其他 Agent。

这不是一个互斥、穷尽的分类表。实际系统往往会混合使用，再配合重试、超时、最大步数、检查点、人工确认等控制。

8. 项目追问：需要补一个具体故事

这一部分还缺当时的具体回答，不能拿现在的项目经历直接回填。后续回忆时，只需要把一件事说清楚：

做的是哪个项目 → 最初漏掉了什么问题 → 怎么发现 → 和 AI 怎么迭代 → 最后怎么确认解决了。

如果某次追问已经记不起来，就留在这里，不把通用答题建议写成当时的对话。

顺带整理几个容易混的概念

这些来自后续复习，不另外算成面试官问过的题：

• Multi-Agent 是多个 Agent 分工协作；职责、工具和上下文可以不同，但会增加通信、成本和调试难度。
• Trace 记录一次任务里的模型调用、工具调用、耗时和错误，是排查执行过程的线索，不是一种 Agent 架构。
• Swarm 在不同系统里的具体含义不同，常用来描述多个 Agent 之间动态协作或交接，不能把某个框架的做法当成唯一标准。
• Memory 可以存放在外部；只有被取出并放进当前请求的部分，才是模型这一次真正看到的上下文。
• RAG 主要解决取什么资料来辅助生成；Agent 主要讨论怎样决定和执行后续行动，两者可以结合。
• Redis 的过期删除处理到期的 Key，内存淘汰处理内存不足时留谁；LRU 看最近使用，LFU 看频率。主从复制复制数据，Sentinel负责监控与故障切换，Cluster通过16384个槽分片并提供相应故障转移能力。

当时想写的帖子叫“秋招第一面和第一挂”，但“第一挂”说的是另一家公司的结果，不能因此把这场也记成挂了。