ai-agent-bagu-pointer

27届秋招真开了，每天改30多份简历的日子又来了，痛苦也快乐着。😄

有球友问AI时代，Agent八股和Java后端传统八股应该怎么准备？

我特意花了一个小时，给大家整理了一下清单，来吧，兄弟姐妹们，划重点来喽。

对于Java八股，就是我以前提到的Java后端四大件，也就是面渣逆袭上给出的高频题目。

传统后端篇

Java基础

HashMap的底层实现（数组加链表加红黑树，什么时候从链表转红黑树，为什么是8）。
ConcurrentHashMap怎么保证线程安全（JDK7分段锁和JDK8的CAS加synchronized的区别）。
线程池的核心参数（核心线程数、最大线程数、队列类型、拒绝策略），你要能讲清楚一个任务提交之后线程池是怎么处理的。
synchronized和ReentrantLock的区别以及各自的使用场景。
volatile解决了什么问题（可见性和有序性但不保证原子性）。

MySQL。

B+树索引的原理（为什么用B+树不用B树不用Hash——B+树叶子节点有序适合范围查询、所有数据在叶子节点查询稳定）。
事务的四个隔离级别以及每个级别能解决什么问题（读未提交、读已提交、可重复读、串行化），MySQL默认用可重复读通过MVCC实现。
怎么优化慢查询——explain看执行计划，重点关注type是不是全表扫描、key有没有命中索引、rows扫描了多少行。

Redis。

五大数据结构及使用场景——String做缓存和计数器、Hash做对象存储、List做消息队列、Set做去重和交集运算、ZSet做排行榜。
缓存穿透（查不存在的数据打到数据库——布隆过滤器或缓存空值）、缓存击穿（热点key过期瞬间大量请求打到数据库——互斥锁或永不过期）、缓存雪崩（大量key同时过期——过期时间加随机值打散）。
分布式锁怎么实现（SET key value NX EX加lua脚本保证释放锁的原子性，或者Redisson的看门狗机制）。

Spring全家桶。

IOC的核心思想（控制反转，对象的创建和管理交给Spring容器而不是你自己new，好处是解耦）。
AOP的核心思想（面向切面，把日志、事务、权限校验这些横切关注点从业务代码中抽出来统一管理）。
自动配置的基本原理（@SpringBootApplication里的@EnableAutoConfiguration加载META-INF/spring.factories里配置的自动配置类，根据条件注解决定要不要生效）。

然后是JVM、微服务、并发编程。

JVM。

JVM内存模型——堆（对象实例）、栈（局部变量和方法调用）、方法区（类信息和常量池）、程序计数器。
垃圾回收的基本原理——可达性分析判断对象是否存活、分代收集（年轻代用复制算法、老年代用标记整理）。
常见的垃圾收集器——G1的基本思想（把堆分成多个Region，优先回收垃圾最多的Region）。
什么时候会发生Full GC（老年代空间不足、方法区空间不足、System.gc()）。

微服务。

注册中心的作用（服务注册和发现，Nacos的推拉模式）。
网关的作用（路由转发、限流、鉴权，Gateway的过滤器链）。
熔断限流的策略（Sentinel的滑动窗口限流、令牌桶限流、熔断降级的三个状态）。
分布式事务怎么保证数据一致性（Seata的AT模式，两阶段提交）。

并发编程。

AQS的基本原理（抽象队列同步器，ReentrantLock底层用的就是AQS）。
ThreadLocal的原理和内存泄漏问题（每个线程维护一个ThreadLocalMap，key是弱引用，用完要手动remove否则value泄漏）。
CompletableFuture的使用（异步编排多个任务，thenApply、thenCompose、allOf）。

剩下的就是消息队列、Linux、设计模式这些。

Kafka的基本原理——分区和副本机制、消费者组的负载均衡、消息的顺序性保证。
Elasticsearch的倒排索引原理。
设计模式——工厂模式、策略模式、观察者模式各自解决什么问题，能举出在你项目中的应用场景。

再说AI Agent

其实就是我在PaiCLI、派聪明RAG、PaiAgent、PaiFlow、JobClaw中给出的面试题。

第一梯队：投AI方向必须能流利讲清楚的。

RAG的完整流程。

文档解析——Apache Tika怎么处理不同格式的文档。
文本切片——固定长度切片、按段落切片、按语义切片各自的优缺点，Overlap为什么要设置成20%到30%（保证上下文连贯性防止语义被截断）。
Embedding向量化——文本怎么变成固定维度的向量、为什么语义相似的文本向量距离近。
混合检索——为什么不用纯向量检索（会漏掉精确匹配的结果比如产品编号、专有名词），BM25关键词检索加KNN向量检索互补，RRF融合排序把两路结果合并（RRF对不同量纲的分数有归一化效果更公平）。
大模型生成——检索到的文档片段怎么组装成Prompt喂给大模型、流式输出SSE怎么实现。

Agent核心推理模式。

ReAct是什么——Agent交替进行推理（Thought）和行动（Action），每一步基于上一步的观察（Observation）决定下一步。
举个例子——用户输入联网搜一下沉默王二是谁，Agent先推理判断应该调用web-search工具去搜索，拿到搜索结果之后分析是否满足用户需求，如果搜不到再降级调起Chrome Devtools MCP去浏览器里直接查。这个例子既展示了工具选择又展示了降级策略和MCP的实际用途。
Plan-and-Execute模式——先规划所有步骤再逐步执行，适合目标明确步骤可预判的任务。两种模式的适用场景对比你要能讲清楚。

Tool Calling机制。

大模型怎么知道有哪些工具可用——Tool的Schema定义（名称、描述、参数类型和约束）。
大模型怎么决定调哪个工具——基于用户意图和Tool描述的语义匹配。
工具调用的参数怎么校验——类型检查、必填字段、取值范围。
工具返回结果怎么传回大模型继续推理——把工具的输出作为Observation注入到上下文中。

MCP协议。

MCP是什么——标准化AI工具接入的协议，定义了Tool Server和Tool Client之间的通信规范。
MCP跟直接的Function Calling有什么区别——Function Calling是把工具定义写死在Prompt里，MCP支持工具的动态发现和跨平台复用。
MCP Server和MCP Client的角色——Server提供工具能力，Client（Agent）发现和调用Server提供的工具。

Memory管理。

短期记忆——当前对话的上下文怎么管理。
上下文窗口满了怎么办——滑动窗口（保留最近N轮丢弃更早的）、摘要压缩（用大模型把早期对话压缩成摘要）、关键信息提取（只保留实体和关键决策）。
长期记忆——跨会话的用户画像和历史信息怎么存储（向量数据库）、怎么检索（语义检索相关的历史记忆注入上下文）、怎么更新（新旧记忆冲突时时间优先原则）。

第二梯队：需要了解能讲出思路的。

Embedding和向量检索原理。

Embedding模型的作用——把文本映射到高维向量空间让语义相似的文本距离近。
ANN近似最近邻的基本思想——精确的最近邻检索太慢，ANN用牺牲少量精度换取大幅提速。
HNSW索引的基本原理——分层的图结构，先在高层快速定位大致区域再在底层精确搜索。

Prompt工程。

System Prompt和User Prompt的区别和设计技巧。
Few-shot——在Prompt中给示例让模型理解期望的输出格式。
Chain of Thought——引导模型分步推理提高复杂问题的准确率。
Prompt注入的防范——用户可能在输入中嵌入恶意指令怎么防。

大模型基础原理。

Transformer的自注意力机制——不需要推公式但要能讲清楚它在做什么（每个词跟所有其他词算相关性然后加权求和让模型理解上下文关系）。
Token和Tokenizer——文本怎么变成模型能处理的数字。
预训练加SFT加RLHF三个阶段各自做什么。
Temperature和Top-P参数怎么影响输出的确定性和创造性。

幻觉。

大模型为什么会编造信息——模型的本质是概率预测不是事实检索。
缓解方式——RAG提供事实依据、Prompt约束只基于给定信息回答、后处理校验输出中的实体是否有来源、Temperature调低减少随机性。

第三梯队：加分项。

多Agent协作。

多个Agent之间怎么分工（Orchestrator模式——一个主Agent协调多个子Agent）、怎么通信（共享上下文或消息传递）、什么场景需要多Agent什么场景单Agent就够（任务可分解且子任务之间相对独立时用多Agent）。

工作流编排。

DSL怎么定义工作流、节点执行器怎么解耦、变量怎么在节点间传递。
Agent和Workflow的区别——Workflow的路由是开发者预定义的，Agent的路由是大模型动态决策的。

Skill的渐进式披露。

为什么不一次加载所有Skill——Token消耗大、模型选择准确率下降、Prompt Cache命中率低。
三层加载——内置Skill（基础能力）、用户级Skill（全局自定义）、项目级Skill（项目特定）。

Agent评测。

五个评测维度——任务完成率、工具调用准确率、推理质量、鲁棒性、效率和成本。
打分方法——确定性指标程序化校验、主观指标LLM-as-Judge、抽样人工复核。

Spring AI。

Java生态的AI集成框架，核心价值是让Java开发者能无缝地在Spring Boot项目中集成大模型调用、Prompt管理和工具调用。

还有LangGraph4J。

如果你投的是AI应用开发方向，AI八股和Java八股的时间分配大概是六比四；如果你投的是传统Java后端方向，Java八股和AI八股的时间分配大概是七比三。

当然了，最终还是要看面试官。

加入星球，就可以获取9大实战项目+4个付费专栏+简历修改+1V1指导，感兴趣的小伙伴可以扫下面这张 30元优惠券（仅需139元，秋招前最后一波优惠，JobClaw上架后会涨价到179元，毕竟我们星球也 13000+人了）。

星球项目和专栏介绍：https://paicoding.com/ai-agent-projects-guide

求职派（SpringAI+LangGraph4J+MCP，OpenClaw 架构，多Agent 协作）
类似Claude Code的PaiCLI Agent（教程已完结，分Java/Python/TypeScript/Go四个版本）
企业级工作流编排项目PaiFlow（类似扣子和dify）
PaiAgent（Vibe Coding 项目，PaiFlow的前身）
派聪明RAG AI知识库Java版本+Go版本（这个项目在2025年7月底上架，26届秋招可以说是赢麻了，帮助大量的球友拿到满意的offer，27届日常实习+暑期实习+秋招同样抗打，因为沉淀了更多球友分享的面经+踩过的坑）
派简历（计划2026年更新完毕，方便大家撰写简历，比市面上的都会更好用）
Spring Boot+React 前后端分离 web 项目技术派
微服务pmhub
轮子mydb 教程
入门编程喵等

需要半价续费的球友可以扫下面这张额外的10元补贴优惠券，相当于 169/2-10=74.5元。

冲。