AI 应用开发工程师 · 技术问答（部署 / 提效 / ChatBI）
用法：每题先口述 60–90 秒，再对照要点。加分句选 1 句即可。
面试官听的是：你会选平台、会拆工作流、会把 AI 编程和 Text-to-SQL 当工程问题，而不是只会说「我们用了 Dify / Cursor」。
边界：切片、混合检索、权限、评测细节看
02-RAG知识库；Prompt / 窗口看01-Prompt与上下文工程。判断框架看 平台与业务知识点。本文件偏口述。
平台与业务场景 · 技术问答
必会
重点 Coze 是什么？核心组件有哪些？
答题要点
- 字节的低代码 Agent 平台：国内扣子（豆包 / 千问 / DeepSeek 等），海外 Coze（可接 GPT / Claude 等）。
- Bot：完整 Agent（人设、模型、插件、知识库、工作流）。
- 插件：官方或自定义 HTTP；知识库：切分 + 向量 + 检索；工作流：可视化编排（LLM / 代码 / 检索 / 条件 / 循环）。
- 还有卡片、Bot 数据库、触发器；可发到飞书、公众号、抖音、网页、API。
加分句：面试说清「Bot 是产品，工作流是编排，插件是工具」，不要把三个词混成一个。
A3. 用 Coze 做「抖音爆款文案」这类工作流，你会怎么拆节点？为什么不让一个 LLM 一步出？
答题要点
- 输入：商品 + 卖点。
- 搜同类爆款 → 知识库捞模板 → LLM 出 3 种风格 → 代码节点做硬规则（字数、emoji、是否有 CTA）→ 再一个 LLM 打分排序。
- 知识库放开头 / 转折 / 结尾 CTA，别让模型凭空编格式。
- 一步到位容易漏 CTA、超字数；拆开后每节点可换模型、可调试：创意用强模型，规则用代码或便宜模型。
加分句：CTA = Call to Action，结尾让用户点赞、评论、下单。硬约束放代码节点，LLM 只做创意。
重点 Coze vs Dify 怎么选？
答题要点
| 维度 | Coze | Dify |
|---|---|---|
| 开源 | 闭源 SaaS | 开源，可私有化 |
| 数据 | 上云 | 数据自有 |
| 模型 | 偏国内云端模型 | 可接 OpenAI / Ollama / vLLM 等 |
| 适合 | 快速 demo、内容 | 合规、内网、要改工作流版本 |
- 数据敏感 / 要私有化 → Dify；个人小工具快速上线 → Coze。
加分句：先问数据出不出域，再问要不要自己接模型，最后才比 UI。
A6. 怎么用 Docker Compose 起 Dify？默认向量库是什么？生产怎么换？
答题要点
- clone 官方仓库 →
dify/docker复制.env→docker compose up -d（api / worker / web / postgres / redis / 向量库 / nginx）。 - 浏览器开控制台设管理员；再配模型供应商、知识库 Embedding、建 Chatbot / Workflow / Agent / Chatflow。
- Dify 的默认服务组合与可选向量库会随版本和部署模板变化；按当前官方
.env.example与部署文档确认VECTOR_STORE，再根据数据规模、过滤能力、运维约束选择 Weaviate、Milvus、Qdrant 或 PGVector。
加分句：能说明“换向量库不仅改环境变量，还要规划数据迁移、索引重建、回滚和压测”，比背 compose 服务名更接近生产实践。
参考：https://docs.dify.ai/en/getting-started/install-self-hosted/docker-compose（核验于 2026-09-12）。
A7. Dify 里 Workflow 和 Chatflow 有什么区别？什么场景用哪个？
答题要点
- Workflow：手动或 API 一次跑完，无对话状态，适合批处理、定时、抽数生成早报。
- Chatflow：多轮、有对话历史和引用展示，适合客服、问答、Agent 对话。
- Chatflow 节点 = Workflow 全套 + 对话专用节点。
加分句：同一套能力，差在「有没有会话状态」。不要说成两个产品。
A8. 什么是 Batch Agent？和传统 ETL 有何不同？
答题要点
- 一批数据逐条走 LLM Agent：简历打分、邮件分类、发票审核、非结构化清洗。
- ETL：规则清晰，SQL / 脚本写死；Agent ETL：非结构化 + 模糊规则。
- 成本是 token，要卡单条预算，避免一条任务把窗口打满。
加分句：能规则化的别上 Agent；上了就要有超时、重试和单价上限。
进阶
AI 提效（编程工具 / SDD / TDD）
B1. 常见 AI 编程工具怎么定位？
答题要点
- Cursor：VS Code Fork，模型多、多文件编辑，生态熟。
- Claude Code：官方 CLI，偏复杂仓库、长任务。
- Codex / Copilot：OpenAI / GitHub 路线，企业合规、用户面广。
- Trae：字节，国内向、中文场景。
- 通义灵码：阿里插件，个人免费、企业可私有化。
加分句：按「编辑器一体 / CLI 自治 / 插件补全」三类讲，不要背参数表。
B2. Cursor 有哪几种工作模式？分别何时用？
答题要点
- Agent：多文件、跑命令、测完再改，适合端到端任务。
- Plan：先出改哪些文件，人确认再动，适合大重构、高风险。
- Debug：贴报错，追堆栈和补丁。
- Ask：只问不改，学代码、聊架构、审质量。
加分句：不确定就 Ask / Plan，确认了再 Agent，避免一上来改崩。
B3. Cursor Rules 是什么？怎么写才不会把窗口挤爆？
答题要点
- Rules = 固定进 system 的项目规约。全局在设置里；项目在
.cursor/rules/*.mdc。 globs控制哪些文件带上；alwaysApply: true每轮都带，费 token。- 每条宜短；alwaysApply 只留 1–2 条核心；其余靠 globs。
加分句：Rules 不是越多越好，和代码抢的是同一块上下文。
B4. Cursor 的 Memory 和 Rules 有何不同？Notepad 呢？
答题要点
- Memory：从对话里抽个人偏好，跨会话。
- Rules：项目共识（架构、API、命令），可进 Git、团队共享。
- Notepad 已弃用（硬塞进每次请求）。替代：
.cursor/rules+ 自定义斜杠命令。
加分句：团队规范进 Rules；个人口味进 Memory。
B5. 给 AI 写编程 Prompt，有哪些经过验证的做法？
答题要点
- 一句话说清：做什么、输入、输出格式。
- 用
@file/@folder把相关代码丢进去，别让模型猜。 - 写死约束：语言版本、必用/禁用库、异常处理。
- 验收可测：测试、格式、超时重试。
- 避免「帮我写个爬虫」这种空指令。
加分句：Prompt 差 = 返工；好 Prompt 像迷你 Spec。
B6. AI 编程里模型怎么选？（不要背具体型号码）
答题要点
- 日常补全 / 小改：快、便宜的代码模型或 Auto。
- 复杂算法、架构、难修 bug：旗舰推理模型。
- 超长仓库、多步 Agent：长上下文或 Agent 向模型。
- 工具里切模型：Cursor 一套、Trae 国内模型一套，口诀相同——按任务难度和上下文长度选，不按品牌选。
加分句：先说任务类型，再报你常用的两档（日常 / 难活），型号会过时。
B7. 什么是 SDD？AI 时代为什么特别重要？
答题要点
- Specification-Driven Development：先写规范再让 AI 实现。
- Spec 含接口、业务规则、错误处理、输入输出样例。
- AI 写得快但容易偏题；Spec 是靶子，也是测试依据和跨角色同一份真相。
加分句：没有 Spec 的 AI 编程 = 没有验收的外包。
B8. 什么是 TDD？Red-Green-Refactor 在 AI 里怎么用？
答题要点
- 先测后码。红：新测试失败；绿：最少代码让它过；重构：测试保持绿。
- AI 版：按 Spec 让模型写测试 → 写实现 → 人 review 再重构。
- 短期多花写测试的时间；长期少调试、敢重构、测试即文档。
加分句：TDD 慢在开头，省在回归。AI 不能替代人看测试是否测对了行为。
B9. AI 在 CI/CD 里能做什么？最大风险是什么？
答题要点
- PR 自动审查、失败日志定位、不稳定测试隔离、Release Notes、依赖漏洞修补建议。
- 风险：看起来权威但可能错，要人审；每 PR 都跑有 token 成本；敏感代码不宜无脑上云。
- CI = 提交后编译测试；CD = 通过后发布；PR = 合入主分支的审查入口。
加分句：AI 是流水线里的助手，不是自动合码的闸门。
B10. 用 AI 重构遗留代码，比较稳的顺序是什么？
答题要点
- 先理解：让 AI 把长文件译成流程和规则。
- 再锁定：黑盒 / 快照测试，记下当前输入输出。
- 后替换：新模块 + 契约测试，新旧并行，再逐函数迁。
- 不要一次推倒重写。
加分句：考察的是渐进替换和风险控制，不是「会不会让 AI 重写整个仓库」。
B11. 怎么评估 AI 编程工具给团队的真实收益？
答题要点
- 效率：人均 PR、交付周期。
- 质量：首次 Review 通过率、缺陷密度、热修次数（写得快不等于 bug 少）。
- 胆量：敢不敢动以前不敢碰的模块。
- 成长：新人到独立提 PR 的天数。
- 前端 / 脚本往往比复杂后端收益更明显；必须配测试和 Review。
加分句：价值从「写得快」变成「看得准、Spec 清、能 review AI」。
重点 什么是 Text-to-SQL？LLM 之前为什么做不好？现在还有哪些坑？
答题要点
- 自然语言 → 可执行 SQL。
- 以前：Schema 理解差、复杂 JOIN 不稳、训练集换库就挂、没有执行报错回流。
- LLM 之后：语义更好、Schema+示例可进 prompt、可 CoT、可拿报错重写。
- 仍在的坑：表太多塞不下 → Schema Linking（RAG 只召回相关表）；业务词 ≠ 字段名 → 指标词典；「最近一周」有歧义 → 先澄清；多表嵌套易错 → few-shot + CTE + 执行重试；跑通 ≠ 语义对 → 合理性检查 / 抽检。
加分句：CTE（WITH 临时结果）把复杂 SQL 拆成可读步骤，方便模型和人检查。
C2. 用 LangChain 做 SQL Copilot 的标准流程是什么？直接用现成 Agent 够生产吗？
答题要点
- 典型工具链：连库 → toolkit →
create_sql_agent：list_tables → 查 schema → 自检 SQL → 执行 → 报错丢回模型改 → 把结果总结成人话。 - 不够生产：中文口径弱、整库 schema 塞窗口、没有指标语义层、缺少图表、可能生成写操作。
加分句：生产 ChatBI 要在这之上做召回、词典、只读权限和可视化，或自研。
C3. 如何用 RAG 做 Schema Linking，避免 Schema 太大？
答题要点
- 离线：每张表写成一段描述（表名、字段、注释、示例、业务含义）→ Embedding → 向量库。
- 在线：问题向量召回 Top-K 表（可 Rerank）→ 只把这些 schema 进 prompt。
- 指标定义（GMV、DAU）同样进知识库，和表一起召回。
- 预期方向：token 下降、噪声少，准确率往往比「全库硬塞」更好（具体数字以自己评测为准）。
加分句：这和文档 RAG 同一套「先检索再生成」，对象从段落变成表/字段。
C4. Few-shot 对 Text-to-SQL 影响大吗？动态示例怎么做？
答题要点
- 经验方向：0-shot 弱于固定 5-shot，弱于按相似度检索的动态 few-shot（数字当量级，不当亲测KPI）。
- 做法：沉淀「问题 + SQL」→ embedding → 新问题召回最像的几条当 example。
- 示例要覆盖 JOIN / 分组 / 窗口 / CTE，以及不同业务域和难度。
加分句：动态 few-shot 本身也是一层 RAG，对象是「历史问句-SQL 对」。
C5. 什么是 ChatBI？和传统 BI 差在哪？容易踩哪些坑？
答题要点
- 用自然语言问业务，返回数据 + 图 + 解读；服务对象是不懂 SQL 的业务人员。
- 传统 BI：拖拽 / 看板 / 分析师；ChatBI：对话、更即时、看板团队转向指标治理。
- 坑：不要让 LLM 自己算涨幅；用户输入参数化、SQL 白名单且只 SELECT；展示数据时间戳；「茅台」可能是股票也可能是基金，要澄清；中文图记得设字体。
加分句：数用 Polars / SQL 算完，LLM 只负责解释，这是金融/ChatBI 面试高频句。
了解
追问速答
| 问 | 用一句话说 |
|---|---|
| Agent 是不是就是 Function Calling？ | FC 是能力；Agent 是规划–调用–观察的循环。 |
| 为什么不上一个超大 LLM 节点？ | 规则用代码，创意用模型，才好测、好换、好控成本。 |
| 知识库仍幻觉？ | 先查是否召回；再强制引用和拒答。 |
| 为什么不用 Coze 做客服？ | 数据要出域就不合适，私有化走 Dify。 |
| SQL 跑通了就对吗？ | 不一定，JOIN 错会重复计数，要验语义。 |
| 为啥不让模型算收益率？ | 算术用库，模型只写结论。 |
| 为啥生产不用 Ollama？ | 它适合本机；线上看吞吐和批调度，多用 vLLM 一类。 |
G. 反问面试官（挑 1–2 个）
- Agent 平台更看重私有化合规，还是上线速度？
- Text-to-SQL 现在最大的坏 case 是 Schema 召不回，还是口径不统一？
- 推理侧瓶颈是吞吐、首字延迟，还是多轮缓存打不满？
H. 速记口条（最后一天过）
- Agent = 循环决策，不是单次补全。
- 工作流拆节点：硬规则代码化，LLM 只做不确定的部分。
- 数据出域选 Coze；不出域、要接自有模型选 Dify。
- Chatflow 有会话；Workflow 一次性 / 批处理。
- 给 AI 写代码先 Spec 再测，Rules 少而准。
- Text-to-SQL：相关表检索 + 指标词典 + 只读 + 动态 few-shot。
- ChatBI：数用引擎算，模型只解释。
- GPU 算矩阵，CPU 调度和分词；框架按吞吐 / 前缀复用 / 本机三档选。