zhuangang/plan/week16-interview.md

id, title, type, domain, stack, week, est_hours, order

id	title	type	domain	stack	week	est_hours	order
plan.week16	第 16 周：阶段 4（下）——面试准备、终点验收、投递	week	plan		16	12	16

第 16 周：阶段 4（下）——面试准备、终点验收、投递

整个计划的最后一周。上周 week15-package-resume.md。总纲见 README.md 第 14 节“终点验收清单”。

本周目标：整理一份自己的面试笔记（每题“一句话答案 + 我的项目里怎么用的”），做两次模拟面试，完成终点验收，开始投递并建立“面试 → 复盘 → 补笔记”的循环。

原则：面试笔记是自己的话，不是复制的八股文。每道题都要能落到自己的项目代码上，这是和只背题的候选人最大的区别。

本周最终目录

career/
├── interview-notes.md       # 面试笔记（按主题，每题一个 ### 标题）
├── drill.py                 # 随机抽题练习
├── tests/test_drill.py
├── mock-interviews.md       # 模拟面试记录
└── applications.md          # 投递记录

---

第 1 天：面试笔记（上）——Python 和 FastAPI

学习内容

• 说明：笔记的格式固定，方便抽题练习：

## Python

### asyncio 的事件循环是什么？什么时候用异步？
- 一句话：单线程里调度多个协程，遇到 I/O 等待就切换到别的协程；适合大量网络 I/O（调模型、查数据库），不适合 CPU 密集计算。
- 我的项目：rag-qa 用 httpx.AsyncClient 并发调嵌入接口；agent-mini 的后台执行器和 SSE 推送都跑在同一个事件循环里。
- 追问：在 async 函数里调用同步阻塞库会怎样？（卡住整个事件循环；换异步库或放进线程池）

• 本主题至少准备这些题（答案要点见括号，写笔记时换成自己的话并补上项目例子）：
  • GIL 是什么，对多线程有什么影响（同一时刻只有一个线程执行 Python 字节码；I/O 密集用线程 / 协程，CPU 密集用多进程）。
  • 列表、元组、字典、集合的区别和时间复杂度（字典和集合查找平均 O(1)）。
  • 装饰器和上下文管理器分别用来做什么（包装函数加功能 / 保证资源释放）。
  • 类型标注和 pydantic 的作用（静态检查 / 运行时校验外部输入）。
  • 生成器和 yield（惰性产生数据；SSE 流式输出就是异步生成器）。
  • FastAPI 的依赖注入、中间件、lifespan、后台任务分别用在哪（第 4 周第 7 天）。
  • 同步 def 和 async def 接口在 FastAPI 里的区别（前者放线程池执行）。
  • pytest 的 fixture、参数化、怎么测试异步代码和外部依赖（假实现 / MockTransport）。

要建的文件

• career/interview-notes.md 的“Python / FastAPI”部分（≥ 8 题）

完成标准

• 每题都有“一句话 + 我的项目 + 追问”三部分。

---

第 2 天：面试笔记（中）——RAG 和 Agent

学习内容

• 本主题是面试重点，至少准备：
  • RAG 全流程（加载 → 切分 → 嵌入 → 入库 → 检索 → 重排 → 拼上下文 → 生成 → 引用）和每一步的关键参数。
  • 切分怎么做、块大小怎么选（按标题 / 段落切 + 长度上限 + 重叠；用评测集调）。
  • 为什么要混合检索（向量擅长语义相近，BM25 擅长专有名词和精确匹配；RRF 按排名融合，不用对齐分数）。
  • 重排是什么（用交叉编码模型对“问题—片段”逐对打分，比向量相似度准但慢，所以只对候选做）。
  • 怎么减少幻觉（阈值 + 拒答、提示词约束、引用、评测）；怎么评测 RAG（Hit@K、MRR、拒答准确率、回答质量评分）。
  • Function Calling 流程；MCP 是什么、三类能力、两种传输方式；MCP 和 Function Calling 的关系（MCP 标准化“工具从哪来”，Function Calling 是“模型怎么调用”）。
  • LangGraph：State、节点、边、条件边、reducer；检查点和 thread_id；interrupt 和 Command(resume=...)；短期记忆和长期记忆（Store）。
  • 多 Agent 怎么设计（角色分工、谁决定下一步、结束条件、最大轮数、成本控制）。
  • Agent 常见失败和处理（死循环 → 最大轮数；工具参数错 → 校验并把错误返回给模型；模型输出格式错 → 解析兜底；外部服务失败 → 重试 + 降级；需要人决定 → interrupt）。
  • Agent 怎么评测、怎么观测（第 13 周）。
  • 上下文工程（Context Engineering）：上下文放什么、放多少、放哪里（系统提示词、检索结果、历史、工具结果的取舍和截断）。

要建的文件

• interview-notes.md 的“RAG”“Agent”两部分（合计 ≥ 15 题）

完成标准

• 每题都能指到自己项目里的具体文件，例如“retrieval/hybrid.py 的 rrf 函数”。

---

第 3 天：面试笔记（下）——后端、前端、Go

学习内容

• 后端（第 2、3、14 周的笔记汇总，挑高频题）：
  • MySQL：索引原理、最左前缀、索引失效、EXPLAIN、隔离级别和 MVCC、死锁；和 PostgreSQL 的差异。
  • Redis：数据结构和用途、缓存三大问题、缓存一致性、分布式锁、持久化。
  • 消息队列：不丢、不重（幂等）、顺序、积压；RabbitMQ 和 Kafka 怎么选。
  • Docker：镜像和容器、多阶段构建、Compose 网络；部署和回滚流程。
  • 接口设计：RESTful、状态码、幂等、鉴权（JWT 和 Session）、限流。
• 前端（你的强项，面试 AI 全栈岗位时一定会问）：
  • Vue 3 响应式原理（Proxy）、computed 和 watch、Pinia；React Hooks 规则、useEffect 依赖、渲染优化。
  • Vite 和 Webpack 的区别；性能优化手段；SSR / SSG / CSR。
  • 流式输出在前端怎么做（fetch + ReadableStream 解析 SSE，第 7 周的 parseSSE）。
• Go（加分项）：goroutine 和 channel、context 的作用、接口、错误处理、defer、切片扩容。

要建的文件

• interview-notes.md 的“后端”“前端”“Go”部分（合计 ≥ 20 题）

完成标准

• 总题数 ≥ 43；每个主题至少一题能结合项目讲 2 分钟。

---

第 4 天：项目深挖和系统设计

学习内容

• 说明：中高级岗位一定会对项目“往下挖”，一般连问 3~5 层。准备方法：从简历的每一行出发，自己写一条“追问链”。
• 案例：追问链

问：你的 Agent 任务怎么做到崩溃后续跑？
答：每个节点执行完，LangGraph 把状态写进检查点；任务表记录状态和租约，看门狗发现租约过期就重新领取，从最近的检查点继续。
  追问 1：崩溃时正在执行的节点怎么办？ → 会重新执行一次（至少一次语义），所以节点里的副作用要幂等。
  追问 2：怎么保证同一个任务不会被两个进程同时跑？ → 领取用带条件的 UPDATE（没人持有或租约过期），看影响行数；执行中定期续租，续租失败就停止。
  追问 3：如果要支持一万个并发任务呢？ → SQLite 换 PostgreSQL；执行器多实例水平扩展；任务分发改用消息队列；事件推送用 Redis Pub/Sub 或 Streams 让任意实例都能推。
  追问 4：模型调用很贵，怎么控制成本？ → 最大轮数、缓存、小模型做路由和总结、监控每个任务的 token。

• 系统设计题（准备 2 道，每道 15 分钟讲完）：
  1. 设计一个企业知识库问答系统：需求澄清（文档量、并发、权限）→ 入库流水线（异步、幂等、增量）→ 检索（混合 + 重排 + 权限过滤）→ 生成（流式、引用、拒答）→ 评测和反馈 → 部署和成本。
  2. 设计一个多 Agent 任务平台：任务模型和状态机 → 后台执行和租约 → 检查点和续跑 → 人机协作 → 事件流 → 可观测性和评测 → 扩展（多实例、队列）。
• 说明：系统设计的讲法：先问清需求和规模，再画整体架构，然后挑 1~2 个关键点深入，最后说取舍和扩展。不要一上来就讲技术细节。

要建的文件

• interview-notes.md 增加“项目追问链”（简历每个项目至少 2 条）和“系统设计”（2 道，各附一张架构图）

完成标准

• 每条追问链至少 3 层；两道系统设计题各对着图讲一遍并计时。

---

第 5 天：模拟面试和抽题练习

学习内容

• 说明：找朋友或用 AI 扮演面试官，按真实流程模拟两次：自我介绍 → 项目讲解 → 项目追问 → 技术题 → 系统设计（可选）→ 反问。录音，结束后对照录音记下答得不好的题。
• 说明：平时用抽题脚本练习：随机抽 5 题，每题限时 2 分钟口述。
• 案例：

# 文件：career/drill.py
"""随机抽题：python drill.py interview-notes.md 5"""
import random
import re
import sys
from pathlib import Path


def parse_questions(markdown: str) -> list[tuple[str, str]]:
    """返回 [(主题, 问题)]：## 是主题，### 是问题；忽略代码块里的内容。"""
    topic, out, in_code = "", [], False
    for line in markdown.splitlines():
        if line.startswith("```"):
            in_code = not in_code
            continue
        if in_code:
            continue
        if m := re.match(r"^##\s+(.+)", line):
            if not line.startswith("###"):
                topic = m.group(1).strip()
        if m := re.match(r"^###\s+(.+)", line):
            out.append((topic, m.group(1).strip()))
    return out


def pick(questions: list[tuple[str, str]], n: int, seed: int | None = None) -> list[tuple[str, str]]:
    return random.Random(seed).sample(questions, min(n, len(questions)))


def main() -> None:
    qs = parse_questions(Path(sys.argv[1]).read_text(encoding="utf-8"))
    n = int(sys.argv[2]) if len(sys.argv) > 2 else 5
    for i, (topic, q) in enumerate(pick(qs, n), 1):
        input(f"\n第 {i} 题【{topic}】{q}\n（口述 2 分钟后按回车）")


if __name__ == "__main__" and len(sys.argv) > 1:
    main()

# 文件：career/tests/test_drill.py
from drill import parse_questions, pick

FENCE = "`" * 3   # 代码块标记（这里不直接写三个反引号，免得和外层 Markdown 冲突）
NOTES = f"""# 面试笔记
## Python
### asyncio 是什么？
- 一句话……
## Agent
### MCP 是什么？
{FENCE}text
### 代码块里的不算
{FENCE}
### 多 Agent 怎么结束？
"""


def test_parse_and_pick():
    qs = parse_questions(NOTES)
    assert qs == [("Python", "asyncio 是什么？"), ("Agent", "MCP 是什么？"), ("Agent", "多 Agent 怎么结束？")]
    assert pick(qs, 2, seed=1) == pick(qs, 2, seed=1) and len(pick(qs, 10)) == 3

• 行为面试题也要准备（用 STAR 回答，素材来自上周的 star.md）：
  • 为什么从前端转 AI 应用 / Agent 开发？（AI 应用的难点在工程：编排、状态、长任务、评测；我在公司已经碰到这些问题，并且用项目验证了解决方案。）
  • 讲一个你解决过的最难的问题。
  • 和后端 / 产品意见不一致时怎么处理？
  • 你怎么用 AI 编程工具？（让 AI 生成，自己负责设计、审查、测试；举一个 AI 写错、你发现并修正的例子。）
  • 你最近在学什么？（这 16 周的计划本身就是答案。）
• 反问环节准备 2~3 个问题：团队的 AI 应用做到什么阶段、主要的技术挑战、怎么评估 Agent 的效果。

易错点 / 面试常问

• 易错点：答题先给结论（一句话），再展开；不会的题直接说“这个我没有实际用过，我理解的是……”，不要硬编。
• 易错点：模拟面试只“过一遍”没有用，一定要记下答得不好的题并当天补进笔记。

要建的文件

• career/drill.py、career/tests/test_drill.py、career/mock-interviews.md（两次模拟的问题、表现、改进点）

运行方式

cd career && uv run --with pytest python -m pytest -q tests
python drill.py interview-notes.md 5

完成标准

• 两次模拟面试完成并记录；抽题练习至少 3 轮。

---

第 6 天：终点验收

学习内容

• 说明：对照总纲第 1 节“终点”四条和第 14 节“终点验收清单”逐项打勾。缺哪条补哪条，不开新需求。补不完的写进下面的“延期项”，给出完成日期，但不要因此推迟投递。
• 案例：验收记录写进总纲进度区：

### 终点验收（YYYY-MM-DD）
- 能讲清：☑ 口述稿 3 分 40 秒（录音在 career/）
- 能做小：☑ agent-mini 崩溃续跑演示视频
- 能举证：☑ 案例卡 A、C 可对外讲
- 能对标岗位：☑ 简历 3 个版本，10 个岗位关键词对照完成
- 延期项：Go 网关接入部署（预计 MM-DD）

要建的文件

• 更新总纲 README.md 第 13、14 节

完成标准

• 终点四条全部满足；清单中未完成的项都有明确的延期日期。

---

第 7 天：开始投递，建立复盘循环

学习内容

• 说明：投递策略（总纲第 11 节）：主投 AI Agent 开发、大模型应用开发、AI 全栈；兼投全栈。每个岗位用对应版本的简历，投递前跑一次关键词对照。标注了“统招”的岗位也可以投递试试。
• 说明：用一张表记录每次投递和面试，每次面试后 24 小时内复盘：被问到的新题补进 interview-notes.md，答得不好的题加进抽题练习。
• 案例：career/applications.md

| 日期 | 公司 / 岗位 | 渠道 | 简历版本 | 状态 | 被问到的新题 / 复盘 |
| --- | --- | --- | --- | --- | --- |
| | | | 偏 Agent | 已投递 / 一面 / 二面 / offer / 未通过 | |

• 说明：每过一个月按总纲第 4 节的方法重新搜一次岗位，更新岗位对照表和简历关键词。

要建的文件

• career/applications.md

完成标准（本计划的最后一项）

• 第一批至少 10 个岗位已投递
• 面试复盘循环已经开始（至少有一条复盘记录）
• 总纲开头状态改为“已完成（YYYY-MM-DD）”，并写下“下一步如果继续学”选哪一个（总纲第 12 节），提交并推送