文章大厂面试

m佬淘天AI应用开发二面

岗位：AI 应用开发

面试流程简述#

二面整体仍然偏项目深聊和 AI 工程认知探讨，面试官会沿着一面的项目和观点继续往下追问。问题更关注候选人对 RAG、代码智能体、上下文压缩、工程安全和未来工具形态的判断。

问题记录#

聊到 RAG 时，怎么看待现在的 RAG？
Karpathy 之前提到过用 Obsidian 做知识库，用 Markdown 和代码片段存储，检索已经能覆盖很多场景；包括 page index 这类方案也很实用。向量数据库在 RAG 中后续还有哪些需求？
聊到 Claude Code 的代码泄露和 harness engineer，怎么看待代码智能体的安全边界？
怎么看待 Claude Code 的上下文压缩方式？

参考答案（AI 生成）#

以下答案由 AI 生成，仅供面试复盘参考。

1. 怎么看待现在的 RAG？#

答：RAG 的核心价值是把外部知识以可检索、可引用、可更新的方式接入模型。现在的 RAG 已经从“向量召回 + 拼 prompt”演进成一套工程系统，包括文档治理、分块、索引、混合检索、rerank、权限过滤、上下文压缩、引用溯源和效果评测。真正影响效果的往往是数据质量、召回可控性、上下文组织和评测闭环。

2. 向量数据库在 RAG 中后续还有哪些需求？#

答：向量数据库的价值取决于知识规模、查询复杂度和工程约束。小规模代码库、个人知识库、Markdown 文档和结构化代码片段，关键词检索、文件索引、AST/符号索引、page index 已经很强；企业级知识库、多语言语义查询、自然语言模糊表达、跨文档关联、海量增量索引、权限过滤和高并发检索，会继续需要向量索引和向量数据库。

更合理的判断是：RAG 会走向混合检索。代码类场景依赖符号索引、依赖图、全文检索和结构化检索；知识问答场景依赖 BM25、向量召回、rerank 和元数据过滤；Agent 场景还需要按任务动态选择工具、文档和历史记忆。向量数据库会成为检索栈的一层，而 RAG 的能力上限来自整体检索与上下文工程。

3. 怎么看待代码智能体的安全边界？#

答：代码智能体有仓库读取、文件修改、命令执行、网络访问和凭证接触能力，权限边界要按真实工程工具来设计。安全策略可以分成四层：权限最小化、敏感信息隔离、执行审计、变更验证。比如限制可读目录和命令白名单，屏蔽 token、密钥和生产配置，对每次工具调用留审计日志，所有代码变更经过测试、review 和 CI。

聊到 Claude Code 代码泄露这类事件时，可以重点回答工程启示：把 AI coding 当成具备操作权限的工程系统管理，明确数据边界、日志边界、模型调用边界和插件边界。harness engineer 的价值也在这里，通过自动化评测、沙箱、回归集和安全用例持续验证智能体的行为。

4. 怎么看待 Claude Code 的上下文压缩方式？#

答：上下文压缩的目标是在有限窗口里保留任务目标、关键约束、代码事实、已做决策和下一步计划。它能提升长任务连续性，也会带来信息损耗、事实漂移和约束丢失风险。压缩质量取决于摘要结构、来源引用、时间顺序和可恢复能力。

更稳的做法是把压缩结果分层：任务目标、用户约束、仓库事实、修改记录、未解决问题、验证结果。压缩后的摘要要保留文件路径、函数名、命令结果和关键决策来源；遇到高风险修改时，智能体应该回读源文件和测试结果，再继续执行。长期看，上下文压缩会和检索、记忆、trace、CI 结合，形成可追踪的工程上下文系统。