大模型基础篇高频问答加厚版
这页是 基础篇岗位要求总纲 的面试问答版。它不追求长篇解释，而是把面试官最容易连续追问的问题，整理成可直接复述的答法。临场时先用这里组织答案，再点到专题页补细节。框架选型、智能工作流和 Function Calling 追问，继续看 框架与智能工作流高频问答；RAG、Memory、Agent 评测和安全合规追问，继续看 RAG、Memory 与评测安全高频问答；推理部署、压测、量化和成本治理追问，继续看 推理部署与成本治理高频问答；微调、DPO、MaaS 和模型平台相关追问，继续看 微调与模型平台高频问答。
怎么用这页
- 面试前 30 分钟：只看每节第一题和最后的速背。
- 面试前 3 天：按目标岗位重点刷 2 到 3 节。
- 项目复盘时：把每个问题改写成“我项目里怎么做”。
- 答题结构固定为：定义 -> 生产问题 -> 取舍 -> 指标/风险。
Function Calling / MCP
Q：Function Calling 是模型自己执行函数吗？
不是。模型只输出结构化调用意图，例如函数名和 JSON 参数；真正执行函数的是业务代码、工具层或 MCP Server。这个区分很重要，因为鉴权、校验、审计、重试、幂等都必须在服务端做，不能信任模型。
Q：工具 schema 怎么设计才稳定？
描述里要写清“何时用、何时不用、参数边界、默认值、返回语义、失败处理”。参数尽量少而扁平，能用枚举就用枚举，读写工具分开，高危写操作必须加确认。详见 Function Calling 与 MCP。
Q：工具调用失败怎么恢复？
先区分失败类型：参数缺失让模型追问或修正；权限失败不要重试，提示无权限或转人工；网络超时可有限重试；业务失败要把错误码结构化回传给模型；高危动作失败要保证幂等，不能重复扣款或重复发邮件。
Q：MCP 比普通 HTTP 工具接口多解决什么？
HTTP 只是传输方式；MCP 解决的是工具如何被标准化发现、描述、调用和复用。一个 MCP Server 可以被多个 Host 使用，暴露 tools/resources/prompts，并通过 Client 管理连接和会话。详见 MCP 协议深入。
Q：工具很多时模型总选错怎么办？
不要把所有工具都塞进上下文。常见做法是 Tool RAG：先按用户意图检索相关工具子集，再注入模型；或者按领域拆订单 Agent、知识库 Agent、工单 Agent。评估时看触发准确率、工具选择准确率、参数准确率和恢复率。
RAG 生产排障
Q：RAG 回答错了，怎么定位？
按链路切：query 改写是否错，召回是否命中正确文档，权限/元数据过滤是否误伤，rerank 是否把正确文档排下去，上下文是否拼错，模型是否忠于材料，缓存或索引是否过期。不要一上来调 prompt，先看检索证据。
Q：检索没召回怎么办？
看问题类型。如果是术语、编号、人名、条款号，补 BM25/混合检索；如果是问法和文档表述差异大，做 query rewrite、Multi-Query 或 HyDE；如果是切分丢上下文，做标题层级切分和父子分块。详见 RAG 进阶与优化。
Q：召回到了但答案还是错，问题在哪？
可能是上下文太长、噪声太多、关键信息在中间、引用编号不清、prompt 没约束“只依据材料回答”，也可能是模型能力不足。此时优化上下文组装、压缩、排序、引用和生成约束，而不是继续盲目加 Top-K。
Q：企业 RAG 怎么防越权？
文档入库时带 tenant、role、department、owner、有效期等元数据。查询时在向量召回和 BM25 召回两路都做权限过滤，rerank 和生成前再二次校验。绝不能先全局召回，再靠 prompt 让模型保密。
Q：RAG 评估为什么要拆检索和生成？
因为答案错可能是检索没找对，也可能是找对了但模型没用好。检索看 Recall@K、MRR、NDCG、Context Precision；生成看 Faithfulness、Answer Relevancy、引用准确性和拒答质量。详见 RAG 评估。
Agent / Workflow / LangGraph
Q：Workflow 和 Agent 的本质区别？
Workflow 的路径由开发者预先编排，Agent 的路径由模型根据反馈动态决定。能确定流程就用 Workflow，只有路径依赖运行时反馈、无法事先写死时才用 Agent。详见 AI 工作流 vs Agent。
Q：Agent 失败怎么排查？
先看计划是否错，再看工具是否选错、参数是否错、工具结果是否被正确利用、记忆是否污染、上下文是否超窗、是否死循环、是否触发安全拦截。Agent 排障必须看 trace，不看轨迹只看最终答案很难定位。
Q：LangGraph 相比 ReAct 的价值是什么？
ReAct 是自由循环，灵活但难控。LangGraph 把状态、节点、条件边、checkpoint、人审和回放显式化，用确定性的图结构约束模型的不确定性。复杂生产 Agent 更适合状态图。详见 LangGraph 与状态图 Agent。
Q：Agent 怎么评估？
看四类：结果是否完成任务，轨迹是否合理，成本和延迟是否可接受，安全是否越权。工具调用还要拆成该不该调、调哪个、参数对不对、失败后是否恢复。详见 Agent 评估与可靠性工程。
框架选型：Spring AI / LangChain / Dify
Q：Spring AI、LangChain、LangGraph、Dify 怎么选？
Java/Spring 存量系统选 Spring AI；Python 快速编排和生态集成选 LangChain；复杂有状态 Agent 选 LangGraph；业务 PoC 和低代码流程选 Dify；简单稳定链路可直接 SDK + 薄封装。
Q：Dify 能不能直接上生产？
可以上轻量生产，但要补版本、权限、评估、灰度、日志、成本和审计。复杂状态机、高并发强 SLA、核心写操作和强合规链路，建议迁到 LangGraph、Spring AI 或自研服务。详见 Dify 与低代码智能工作流。
Q：Spring AI 项目怎么讲亮点？
不要只说“我用了 ChatClient”。要讲它如何接入 Spring Security、租户权限、RAG ACL、SSE、审计日志、限流降级、模型网关和成本统计。详见 Spring AI 基础与面试题。
微调与偏好优化速答
Q：SFT、LoRA、QLoRA 解决什么？
SFT 让模型学习领域任务和回答格式；LoRA 冻结基座，只训练低秩旁路，成本低；QLoRA 把基座 4-bit 量化再训练 LoRA，进一步省显存。它们主要改变行为和格式，不适合注入频繁更新的事实知识。
Q：RAG 和微调怎么选？
实时私有知识、权限、引用溯源选 RAG；风格、格式、领域术语、固定任务模式选微调；两者可以组合：RAG 提供事实，微调提升领域表达和结构化遵循。
Q：DPO 和 RLHF 怎么对比？
RLHF 通常 SFT -> Reward Model -> PPO，链路复杂但能在线优化；DPO 直接用偏好对优化策略，不显式训练奖励模型，工程更简单稳定。资源有限、偏好数据现成时 DPO 更友好。
更多关于 LoRA/QLoRA 参数、DPO 选型、模型网关和评测门禁的面试答法，见 微调与模型平台高频问答。
推理部署与成本治理
Q：推理服务慢，先看什么指标？ 先拆 TTFT 和 TPOT。TTFT 高多半和排队、长 prompt、Prefill、prefix cache 命中率有关；TPOT 高多半和 Decode、batch、显存带宽、KV Cache、量化 kernel 有关。线上还要看 P95/P99、goodput、GPU 利用率、KV 占用和错误率。
Q：为什么只报 tokens/s 不够？ tokens/s 可能是牺牲延迟堆出来的裸吞吐。在线服务更看 goodput：满足 TTFT/TPOT SLA 的有效吞吐。面试里可以说，压测报告必须写清输入输出长度、并发、到达模式、分位数延迟、GPU/KV 占用和成本。
Q：怎么估算要多少 GPU？ 从业务峰值 QPS、平均输入/输出 token、SLA 反推峰值 token/s，再除以单 GPU 在该 SLA 下的 goodput，最后乘冗余系数。长上下文场景还要额外估 KV Cache 显存，因为它随并发和上下文长度线性增长。
更多框架选型、容量规划、量化上线和 $/百万 token 成本口径，见 推理部署与成本治理高频问答。
安全合规与评估
Q：Prompt Injection 和越狱区别？
越狱针对模型安全对齐，让模型输出不该输出的内容；Prompt Injection 针对应用指令体系，把外部数据伪装成指令，劫持 RAG/Agent 行为。Agent 读取网页、邮件、文档时尤其危险。
Q：Agent 高危动作怎么控？
写库、付款、删除、发邮件、对外发布必须走人工确认或审批队列。执行前展示动作、参数、依据和影响范围；执行时用幂等键；执行后记录审计日志和 trace。
Q：如何证明上线后没有变差？
建立 Golden Set、对抗集和线上 bad case 回归集。每次改模型、prompt、工具 schema、RAG 参数都跑回归，看任务成功率、忠实度、工具准确率、P95 延迟、单次成本和安全门禁。
面试前 30 分钟速背
- Function Calling：模型只提调用意图，执行、权限和审计在服务端。
- MCP：标准化工具接入，把 M×N 集成变成 M+N。
- RAG 排障：先检索，后生成；检索没召回，prompt 救不了。
- Workflow vs Agent：流程能写死就 Workflow，不确定路径才 Agent。
- LangGraph：用状态图、checkpoint、人审和回放控制 Agent。
- Spring AI：Java 企业系统接 LLM，要讲权限、SSE、审计、降级。
- Dify：PoC 很快，生产要补版本、权限、评估、成本和迁移路径。
- 微调 vs RAG：微调改行为和格式，RAG 管知识和权限。
- 推理压测：看 goodput，不只看裸吞吐。
- 成本治理：少 token、提吞吐、模型路由、缓存和量化一起做。
- Agent 评估：结果、轨迹、成本、安全四类一起看。
- 安全合规：注入、越权、数据泄露、高危副作用都要有门禁。