帮助与说明
题目怎么出的、覆盖哪些层面、以及你最可能担心的几件事。
这些题是怎么来的
出题不是把简历交给模型自由生成——那样得到的是任何人都能生成的通用题， 这也是多数「AI 模拟面试」不好用的原因。我们分四步：
- 面试官团队沉淀 出题标准来自多位资深 AI 面试官与算法技术专家，沉淀自近千份算法简历与真实面试问题。
- 结构化成题库 按方向与能力域组织；每张题卡带考察点、回答框架、答案要点与常见坑点。
- 先检索，再改写 先用大模型对题库做 RAG 检索锁定「考什么」，再结合你的项目改写「怎么说成你的题」。
- 逐题挂回原文 每道题都标出挂靠简历的哪一行、哪个项目；找不到出处的，宁可不出。
这道题是照着你简历哪一行出的
出题流程是「先用大模型对题库做 RAG 检索 → 再结合你的简历上下文改写」， 不是直接让模型凭空生成。底纹处就是这道题挂靠的简历原文。
张启明 手机：138****2210 | 邮箱：zhangqm@example.com | 求职意向：AI 全栈开发工程师 教育背景 同济大学 · 计算机科学与技术 · 本科 · 2019.09–2023.06 GPA 3.6/4.0；专业排名前 15%；获校级一等奖学金两次。 工作经历 杭州云枢科技有限公司 · 算法工程师（AI 应用方向） · 2023.07–至今 负责公司内部"智能文档助手"从模型选型到对外服务的全链路开发，团队 4 人，我负责算法与后端接口。 1) 智能文档助手（问答 + 摘要 + 结构化抽取） 2023.09–2024.06 - 背景：客服团队每天处理 2000+ 份工单附件与合同，人工翻找条款平均耗时 6 分钟/单。 - 做法：搭 RAG 链路——PDF 解析（自研版式还原，处理表格与页眉页脚）、按语义切分、 bge-base 向量化入 Milvus、多路召回（向量 + BM25）+ bge-reranker 重排、大模型合成答案并给出出处。 针对"表格里的条款答不上"的问题，把表格按行列展开成结构化文本再切分，命中率明显改善。 后端用 FastAPI 提供 /ask /upload /feedback 三个接口，Celery 处理异步解析，Redis 做任务队列与结果缓存。 - 结果：上线后客服单均处理时长从 6 分钟降到 2 分10 秒；答案带出处比例 100%，人工抽检 200 条的 可采信率从初版 71% 提到 89%。（注：口径为人工盲评"答案是否可直接采用"，非自动指标） 2) 模型服务化与成本优化 2024.07–2025.03 - 背景：高峰期日调用 12 万次，月推理成本 3.8 万元，其中约 40% 是重复问题。 - 做法：加语义缓存（embedding 相似度 > 0.95 且问题长度差 < 15 字则直接命中缓存）， 命中结果带 TTL 与人工纠错入口；对摘要类任务改用更小的模型分流，只有追问与复杂抽取才走大模型； 把长文档摘要改成"分段摘要 + 合并摘要"两段式，单次输入 token 从平均 11k 降到 3.2k。 - 结果：重复问题命中率 37%，推理成本从月均 3.8 万降到 2.4 万（-37%）；接口 P95 从 4.1s 降到 2.3s。 - 待澄清：成本下降里"模型分流"与"语义缓存"各占多少未做严格拆分，只做过一周的分项观察。 3) 前端与联调 2023.09–至今 - 用 Vue3 + TypeScript 写管理端与对话界面，实现引用定位（点击答案跳转到原文段落）、 反馈闭环（采纳/不采纳直接回流成评测集）。 - 与运维一起把服务上到自建 K8s，写了健康检查与限流（单用户 10 QPS），处理过一次因连接池 未释放导致的雪崩（重启后加了池的 maxLifetime 与熔断）。 技能 Python、TypeScript/JavaScript；FastAPI、Celery、Redis、Milvus、PostgreSQL； Vue3、React（用过）；Docker、Kubernetes（用过）、Linux； 熟悉 RAG 全链路（解析/切分/召回/重排/合成）、embedding 与 rerank 模型选型； 了解 Prompt 工程与输出结构化（JSON Schema 约束）、大模型 API 的成本与延迟权衡。 项目补充 - 开源：向 Milvus 贡献过一个中文文档示例脚本（已合并）；个人维护一个 RAG 评测小工具（GitHub 380 star）。 - 竞赛：2022 年 MathorCup 高校数学建模挑战赛 二等奖（三人队，负责建模与代码）。 自我评价 习惯先把链路跑通再优化；写文档时会把口径与边界写清楚，不做"看起来很准"的指标。
底纹处＝这道题挂靠的原文片段
你在「智能文档助手」里做了向量+BM25 多路召回与重排，请说明两路结果具体是怎么融合的：加权、RRF，还是各自召回后统一丢给 reranker？各路 topK 和权重是怎么定下来的？
- 答对rerank 的输入候选控制在多少？再往上加，nDCG 和 P95 延迟怎么权衡？
- 答一半RRF 里的 k 取大取小分别意味着什么？
- 答错BM25 和向量召回各自擅长什么类型的查询？
一份报告覆盖七层
真实算法面试是有固定顺序的：先对简历形成判断，再问清项目，然后用最多的时间追问项目里的技术实现， 接着才是客观题、八股、开放题与规划题。报告就按这个顺序组织——缺一层，你就有一块没准备到。
简历前置分析
面试开场：先亮出这份简历的优势、劣势、基本错误，以及信息模糊、需要当面确认的点。
项目情况了解
先把你写过的项目问清楚：做什么、你负责哪块、为什么做、结果如何。
项目技术深挖
本报告的重心：沿项目里真实用到的技术，逐层追问「实现是怎么做的」。题量最多。
技术客观题
针对项目里提到的技术，出有较优参考答案的客观题，并给出答案要点。
对应八股
由上面的技术对应到经典基础题（八股），先检索再生成，不做无关扫荡。
开放性技术设计题
基于项目或简历内容的开放性设计题，考方案取舍，没有唯一答案。
方向选择与职业规划
技术方向的选择依据、职业规划与长期打算——面试官据此判断你「能不能走得远」。
覆盖范围
常见问题
这些题是 AI 随便编的吗？
不是。出题标准与评判尺度来自多位资深 AI 面试官与算法技术专家多年一线面试经验的沉淀（近千份算法简历与面试问题）；考什么由大模型对结构化题库做 RAG 检索决定，模型只负责结合你的简历上下文把题写出来。每道题都挂回你简历的原文那一行——如果一道题在简历里找不到出处，我们宁可不出。报告中由 AI 生成的部分，我们都会如实标注。
题目会不会还是很泛？
每一道题都挂靠你简历里的一句话，报告里会直接标出挂靠的是哪句。如果某道题在简历里找不到出处，我们宁可不出这道题，也不会拿通用题凑数。
我简历里没什么项目怎么办？
照样能用。简历前置分析、技术客观题、对应八股这些层不依赖项目；项目相关的层会缺少素材，报告会如实标注覆盖情况，而不是编造你没做过的项目。
需要先登录吗？
上传简历、查看简历体检与题目目录都不需要登录。只有解锁完整报告时才需要微信登录。
我的简历安全吗？
简历存储在私有存储桶，访问链接带有效期；上传前需你明确勾选授权，你可以随时自助删除简历及其全部衍生数据。
不满意能退吗？
可以。未解锁完整内容前可退款；解锁后如遇生成失败或内容异常，我们全额退款或补次数，不会出现「扣了钱没拿到报告」。
报告是一次性的吗？
不是。报告存在你的账号下，可反复查看，也可以导出 PDF 打印。
合规与隐私说明
- 只调用已在中国境内完成备案的大模型 API，不微调、不自训练。
- 报告由 AI 生成，仅供参考；页面与导出 PDF 均标注 AI 生成标识。
- 简历属敏感个人信息：上传前需明确授权，私有存储、签名链接、可自助删除。
- 提供退款政策、投诉渠道与联系方式。
模型公示：DeepSeek Chat（深度求索） （备案号 Beijing-DeepseekChat-202404280016） · 客服：supcmkj@163.com