AI 应用开发 — 小白讲解 + 面试题精解

定位：假设你只会调 OpenAI 的 chat 接口，所有概念从零讲起，配代码示例 + 面试题。覆盖：LangChain4j → RAG 全流程 → Prompt 工程 → 向量数据库 → AI Agent → AI 编程工具六大模块。用法：先读讲解理解概念 → 跑代码验证 → 再看面试题自测。特色：每个知识点都结合简历真实项目案例，面试时能直接用。

第一章：LangChain4j 与 RAG 全流程（简历项目二核心）

简历项目二直接写了“基于 LangChain4j 研发 RAG 企业知识库系统”。面试官会重点考察：你真的懂 RAG 还是只会调 API。

1.1 为什么需要 RAG（而不是直接问 LLM）

小白讲解

直接让 LLM 回答企业知识库问题的三大问题：

1. 知识时效性：LLM 训练数据有截止时间，不知道最新知识
2. 幻觉（Hallucination）：LLM 会一本正经地编造不存在的答案
3. 数据隐私：企业文档不能上传给公网 LLM 训练
4. 成本：每次把全部文档塞进 prompt，token 成本爆炸

RAG（Retrieval-Augmented Generation，检索增强生成）的思路：
  不让 LLM 凭空回答，而是先"检索"相关文档，再让 LLM"基于文档"生成答案
  → 检索（Retrieval） + 增强（Augmented） + 生成（Generation）

面试题

Q1：什么是 RAG？为什么不用 LLM 直接回答？（高频 ⭐⭐⭐⭐⭐）

答：

RAG = 检索增强生成：先从知识库检索相关文档片段，再把片段拼进 Prompt 让 LLM 基于文档回答
不用 LLM 直接回答的原因：①知识时效性 ②幻觉 ③数据隐私 ④成本

1.2 RAG 全流程（面试必问）

小白讲解

RAG 完整流程（7 步，面试要能背出来）：

  离线阶段（建库）：
  ① 文档加载（Document Loader）：读取 PDF/Word/Excel
  ② 文档分块（Splitter）：把长文档切成 500-800 字的小块
  ③ 向量化（Embedding）：每块文本转成向量
  ④ 存储（Vector Store）：向量存入 pgvector

  在线阶段（查询）：
  ⑤ 检索（Retrieve）：用户问题向量化 → 相似度检索 Top-K 块
  ⑥ 增强（Augment）：把检索到的块 + 用户问题拼进 Prompt
  ⑦ 生成（Generate）：LLM 基于拼接的 Prompt 生成答案

口诀：加载 → 分块 → 向量化 → 存储 → 检索 → 增强 → 生成

结合简历案例

简历原文：
  "开发 PDF/Word/Excel 多格式文档上传接口，基于 Apache Tika 提取文本；
   设计文档分块策略（段落语义分割+滑动窗口500-800字）；
   集成 LangChain4j 调用 Qwen Embedding API 实现向量化；
   使用 pgvector 设计余弦相似度检索 SQL，Top-5 召回准确率 85%+；
   开发 /chat 对话接口（检索→Prompt拼接→LLM调用→SSE流式返回）"

面试话术（把 RAG 流程和简历对应起来）：
  "我负责 RAG 系统的后端核心链路：
   1. 文档加载：用户上传 PDF/Word/Excel，用 Apache Tika 提取文本
   2. 文档分块：按段落语义分割 + 滑动窗口 500-800 字
      （太短上下文不完整，太长向量稀释）
   3. 向量化：调用 Qwen Embedding API 把分块转成 1536 维向量
   4. 存储：向量存入 PostgreSQL + pgvector
   5. 检索：用户问题向量化，用余弦相似度检索 Top-5
   6. 增强：把 Top-5 分块拼进 Prompt
   7. 生成：调用 DeepSeek 生成答案，SSE 流式返回
   
   效果：Top-5 召回准确率 85%+，检索从人工 5 分钟降到 10 秒。"

代码示例

// LangChain4j 实现 RAG 的简化版
@Service
public class RAGService {
    
    @Autowired
    private EmbeddingModel embeddingModel;  // Qwen Embedding
    
    @Autowired
    private ChatLanguageModel chatModel;    // DeepSeek
    
    @Autowired
    private VectorStore vectorStore;        // pgvector
    
    // 建库：文档入库
    public void ingest(Document document) {
        // 1. 文档分块
        List<TextSegment> segments = document.split(
            DocumentSplitters.recursive(800, 100)  // 800字，100字滑动窗口
        );
        
        // 2. 向量化 + 存储
        for (TextSegment segment : segments) {
            Embedding embedding = embeddingModel.embed(segment.text());
            vectorStore.add(embedding, segment);
        }
    }
    
    // 查询：RAG 问答
    public String ask(String question) {
        // 1. 检索：问题向量化 → 相似度 Top-5
        Embedding questionEmbedding = embeddingModel.embed(question);
        List<TextSegment> relevant = vectorStore.findRelevant(questionEmbedding, 5);
        
        // 2. 增强：拼接 Prompt
        String context = relevant.stream()
            .map(TextSegment::text)
            .collect(Collectors.joining("\n\n"));
        
        String prompt = "请基于以下内容回答问题，如果内容中没有答案，回答'不知道'。\n\n"
            + "【知识库内容】\n" + context + "\n\n"
            + "【用户问题】\n" + question;
        
        // 3. 生成：调用 LLM
        return chatModel.generate(prompt);
    }
}

面试题

Q1：RAG 的完整流程是什么？（超高频 ⭐⭐⭐⭐⭐）

简历直接写了，必须会答！

答：加载 → 分块 → 向量化 → 存储 → 检索 → 增强 → 生成：

文档加载（Tika 提取 PDF/Word/Excel）
文档分块（500-800 字 + 滑动窗口）
向量化（Embedding API 转 1536 维向量）
存储（pgvector）
检索（余弦相似度 Top-K）
增强（检索结果拼进 Prompt）
生成（LLM 基于 Prompt 生成答案）

Q2：文档分块为什么是 500-800 字 + 滑动窗口？（高频 ⭐⭐⭐⭐）

简历直接写了，必须会答！

答：

太短（如 100 字）：上下文不完整，检索到的片段无法理解
太长（如 3000 字）：向量被稀释，检索精度下降
滑动窗口（overlap）：保证分块边界的内容不丢失上下文（前后块有重叠）
500-800 字是精度和上下文完整性的平衡点

1.3 LangChain4j 核心概念

小白讲解

LangChain4j 是什么？
  Java 版的 LangChain，用于构建 LLM 应用
  （Python 有 LangChain，Java 有 LangChain4j）

核心组件：

  AiServices：声明式接口，把接口方法映射为 LLM 调用
    → 像写 DAO 一样写 AI 调用

  EmbeddingModel：文本 → 向量
  ChatLanguageModel：文本 → 文本（对话）
  VectorStore：向量存储
  DocumentLoader：文档加载
  DocumentSplitter：文档分块
  ChatMemory：对话历史管理

  @Tool 注解：给 AI 注册工具，实现 Function Calling

代码示例

// AiServices 声明式接口（简历"对话接口"的底层）
public interface Assistant {
    String chat(String userMessage);
}

Assistant assistant = AiServices.builder(Assistant.class)
    .chatLanguageModel(chatModel)
    .chatMemory(MessageWindowChatMemory.withMaxMessages(10))  // 记忆最近10轮
    .build();

String answer = assistant.chat("帮我查一下项目二的进度");

面试题

Q1：LangChain4j 是什么？核心组件有哪些？（中频 ⭐⭐⭐）

答：Java 版 LLM 应用框架。核心组件：AiServices（声明式接口）、EmbeddingModel（向量化）、ChatLanguageModel（对话）、VectorStore（向量存储）、DocumentLoader/Splitter（文档处理）、ChatMemory（对话记忆）、@Tool（Function Calling）。

Q2：AiServices 接口是什么？（中频 ⭐⭐⭐）

答：声明式接口，像 MyBatis 的 Mapper 一样，只定义方法签名，框架自动实现。方法入参是用户输入，返回值是 LLM 输出。简历的 /chat 对话接口就是基于 AiServices 封装的。

1.4 SSE 流式返回（简历直接写了）

小白讲解

SSE（Server-Sent Events，服务端推送事件）：
  服务端持续向客户端推送数据，类似"打字机效果"

为什么 RAG 回答要用 SSE 流式返回？
  LLM 生成一个长答案要几秒到几十秒
  如果等全部生成完再返回，用户要干等
  SSE 流式：生成一个字推一个字，用户看到"打字机"效果，体验好

SSE vs WebSocket：
  SSE：单向（服务端→客户端），基于 HTTP，简单
  WebSocket：双向，协议升级，复杂
  → LLM 流式输出只需要服务端推，SSE 够用且简单

面试题

Q1：SSE 流式返回是什么？为什么 RAG 要用？（中频 ⭐⭐⭐）

答：

SSE 是服务端到客户端的单向推送，基于 HTTP，实现简单
RAG 生成答案耗时几秒到几十秒，SSE 边生成边推送，用户体验好（打字机效果）
SSE 单向推送够用，不需要 WebSocket 的双向通信

第二章：Prompt 工程（简历直接写了）

简历项目二直接写了“设计 System Prompt 约束回答范围并实现’不知道’保护机制”。

2.1 System Prompt 约束回答范围

小白讲解

Prompt 的两个部分：

  System Prompt（系统提示）：
    设定 AI 的角色和行为边界
    → "你是企业知识库助手，只回答知识库内的问题"

  User Prompt（用户提示）：
    用户的具体问题

简历的 System Prompt 设计：
  "你是 XX 公司的智能知识库助手。
   请严格基于提供的【知识库内容】回答问题。
   如果知识库中没有相关内容，请直接回答'我不知道'，
   不要编造答案。"

结合简历案例

简历原文：
  "设计 System Prompt 约束回答范围并实现'不知道'保护机制"

面试话术：
  "LLM 有个大问题是幻觉——会一本正经地编造答案。
   
   我在 System Prompt 里做了两层约束：
   1. 约束回答范围：'只基于提供的知识库内容回答'
   2. '不知道'保护：'知识库没有相关内容就回答不知道，不要编造'
   
   另外在代码层面加了一道保险：
   检索结果的相似度低于阈值（如 0.75）时，
   直接返回'未找到相关信息'，不把低质量检索结果给 LLM，
   避免 LLM 强行编造。"

面试题

Q1：System Prompt 为什么要约束回答范围？（高频 ⭐⭐⭐⭐）

答：防止 LLM 幻觉。如果不约束，LLM 会用训练数据里的知识回答问题，可能和企业的真实情况不符。约束后 LLM 只基于检索到的知识库内容回答，答案可控。

Q2：“不知道”保护机制怎么实现？（高频 ⭐⭐⭐⭐）

简历直接写了，必须会答！

答：两层：

Prompt 层：System Prompt 里写“没有相关内容就回答’不知道’，不要编造”
代码层：检索结果相似度低于阈值（如 0.75）时，直接返回“未找到相关信息”，不把低质量结果给 LLM

第三章：向量数据库与 Embedding

详见《数据库与缓存-讲解与面试题.md》第四章 pgvector，这里补充 AI 视角的要点。

面试题

Q1：Embedding 是什么？（高频 ⭐⭐⭐⭐）

答：把文本转成高维向量（如 1536 维），语义相近的文本向量距离近。模型通过大量语料训练，让“语义相似”映射为“向量相近”。

Q2：余弦相似度和欧几里得距离的区别？（中频 ⭐⭐⭐）

答：

余弦相似度：只看向量方向（夹角），不看长度，适合文本语义相似度
欧几里得距离：看绝对距离，适合数值特征
文本 Embedding 用余弦相似度（简历 pgvector 检索用的就是 <=> 余弦距离）

Q3：为什么选 pgvector 不用 Milvus？（中频 ⭐⭐⭐）

答：数据量万级时 pgvector 性能足够，且 PostgreSQL 已有基础设施，支持向量+结构化数据混合查询，不需要额外维护专门的向量数据库。Milvus 适合百万/亿级向量场景。

第四章：AI Agent 编排（简历项目二核心升级）

简历已将 Function Calling 升级为 AI Agent 工具编排，面试官会问“Agent 和 Function Calling 有什么区别”。

4.1 Function Calling vs AI Agent

小白讲解

Function Calling（单轮工具调用）：
  用户问"查我的 Jira 任务"
  → AI 判断需要调用 Jira 工具
  → 调用 @Tool jiraQuery(userId)
  → 拿到结果 → 生成回答
  → 结束

AI Agent（多步任务规划）：
  用户问"查这周的 Jira 任务，顺便看看项目二进度"
  → Agent 规划：
     子任务1：查 Jira 任务
     子任务2：查项目二进度
  → 执行子任务1 → 观察结果
  → 执行子任务2 → 观察结果（失败则重试/降级）
  → 汇总两个子任务 → 生成综合回答

本质区别：
  Function Calling：AI 判断"要不要调工具"，调一次
  AI Agent：AI 自主"规划任务 + 选工具 + 多轮执行 + 汇总"

结合简历案例

简历原文：
  "基于 LangChain4j @Tool 注解与 Function Calling 实现 AI Agent 工具编排
   （Jira 分工查询、版本查询、指令进度追踪），
   Agent 自主规划任务并决策调用内部 API，支持多轮对话动态工具选择，
   系统上线后日均 50+ 次智能问答，信息获取效率提升 30 倍"

面试话术：
  "项目二的智能助手不只是问答，还要能查内部系统的数据。
   我用 @Tool 注解注册了三个内部工具：
   - Jira 分工查询
   - 版本查询
   - 指令进度追踪
   
   用户问'这周有哪些任务？项目二进展如何？'时，
   Agent 会自主规划：
   1. 先调 Jira 工具查本周任务
   2. 再调进度追踪工具查项目二状态
   3. 汇总两个结果生成综合回答
   
   这就是 Agent 和普通 Function Calling 的区别：
   Function Calling 是单次工具调用，Agent 是多步任务规划。
   上线后日均 50+ 次智能问答，信息获取效率提升 30 倍。"

代码示例

// 用 @Tool 注解注册工具，实现 Agent 工具编排
public class InternalTools {
    
    @Tool("查询某个用户的 Jira 任务分工")
    public List<String> queryJiraTasks(String userId) {
        return jiraService.queryTasks(userId);
    }
    
    @Tool("查询指定项目的版本信息")
    public String queryVersion(String projectId) {
        return versionService.query(projectId);
    }
    
    @Tool("查询指令处理的进度")
    public String queryInstructionProgress(String instructionNo) {
        return progressService.query(instructionNo);
    }
}

// Agent 对话接口（自动编排工具）
Assistant assistant = AiServices.builder(Assistant.class)
    .chatLanguageModel(chatModel)
    .tools(new InternalTools())  // 注册工具
    .chatMemory(MessageWindowChatMemory.withMaxMessages(20))  // 会话状态
    .build();

// 用户问"查我的Jira任务，顺便看项目二进度"
// Agent 自主规划 → 依次调用 queryJiraTasks + queryInstructionProgress → 汇总
String answer = assistant.chat("查我的Jira任务，顺便看下项目二进度");

面试题

Q1：AI Agent 和 Function Calling 的区别？（超高频 ⭐⭐⭐⭐⭐）

简历直接写了，必须会答！

答：

Function Calling：单次工具调用。AI 判断“要不要调工具”，调一次拿结果继续生成
AI Agent：多步任务规划。AI 自主拆解任务、动态选工具、多轮执行、汇总结果
Agent 底层可以用 Function Calling 实现，但多了“规划-执行-观察”的循环
简历项目二把 Function Calling 升级为 Agent 工具编排，支持多步任务和多轮动态工具选择

Q2：Agent 多轮对话怎么保持状态？（高频 ⭐⭐⭐⭐）

答：Redis 存对话历史（TTL 30 分钟），每轮把上一步工具调用结果作为上下文传给 LLM，Agent 根据历史上下文决定下一步动作。

Q3：工具调用失败怎么办？（中频 ⭐⭐⭐）

答：重试 N 次 → 降级返回默认提示 → 连续失败转人工。简历写了“工具调用失败重试/降级策略”，面试要能说清。

Q4：什么是 ReAct 模式？（中频 ⭐⭐⭐）

答：ReAct = Reason + Act，思考→行动→观察→再思考的循环。Agent 先推理（该做什么），再行动（调工具），观察结果，再推理（下一步），直到完成任务。

第五章：AI 编程工具与 Skills 规则工程（简历新增亮点）

简历新增了 Cursor、Claude Code、DeepSeek 的使用经验，以及“编写 Skills 规则文件约束 AI 输出质量”。面试官会问“你怎么保证 AI 生成的代码质量”“Skills 规则写了什么”。

5.1 Skills 规则文件是什么

小白讲解

Skills 规则文件 = 给 AI 编程助手设定的"编码规范 + 安全红线"

类似团队的 Code Review check list，但写成 AI 能理解的规则文件，
让 AI 生成代码时自动遵守。

常见规则维度：
  1. 代码规范：命名风格、注释要求、包结构
  2. 安全红线：资金操作必须加锁、金额必须校验、SQL 必须参数化
  3. 异常处理：不允许吞异常、必须记日志、统一错误码
  4. 事务边界：哪些方法必须 @Transactional
  5. 禁止事项：不允许 Executors 创建线程池、不允许 new Date()

结合简历案例

简历原文：
  "编写 AI Skills 规则文件约束代码风格与安全边界
   （如资金类操作强制加锁、金额校验不可省略），人工评审后合入"

面试话术：
  "用 Cursor + DeepSeek 生成状态机、交收匹配这类核心代码时，
   如果无脑让 AI 生成，可能忽略资金操作的安全要求。
   
   我写了 Skills 规则文件，把团队的安全红线固化进去：
   1. 资金类操作（扣款/入账/清算）必须加 Redisson 分布式锁
   2. 金额字段用 BigDecimal，禁止 double/float
   3. SQL 必须参数化（#{}），禁止字符串拼接（${}）
   4. 状态机变更走统一入口，禁止直接 update 状态字段
   
   AI 生成代码时自动遵守这些规则，
   再经过人工评审后才合入，保证代码质量。"

Skills 规则文件示例

# .cursor/rules/custody-system.md

## 安全红线（必须遵守）
- 资金类操作（扣款/入账/清算）必须加分布式锁（Redisson）
- 金额校验不可省略：金额必须 > 0，精度不超过 2 位小数
- SQL 必须使用参数化查询（MyBatis #{}），禁止字符串拼接 ${}
- 状态机变更必须走统一入口，禁止直接 update 状态字段

## 编码规范
- Service 方法名使用动词开头：create/settle/cancel/query
- DTO 命名：XxxCreateDTO / XxxQueryDTO / XxxVO
- 所有金额字段使用 BigDecimal，禁止使用 double/float

## 异常处理
- 不允许 catch Exception 后不处理（吞异常）
- 业务异常抛 BusinessException，系统异常抛 RuntimeException
- 所有异常必须记录日志（包含指令ID、操作人、时间戳）

面试题

Q1：为什么要写 Skills 规则文件？（高频 ⭐⭐⭐⭐）

简历直接写了，必须会答！

答：AI 生成的代码如果不加约束，可能：①不符合编码规范 ②忽略安全红线（资金操作没加锁、SQL 拼接）③异常处理不完整。Skills 规则把团队 Code Review 标准固化成 AI 能理解的规则，让 AI 生成代码时自动遵守，减少人工 review 成本。

Q2：Skills 规则和 System Prompt 的区别？（高频 ⭐⭐⭐⭐）

答：

System Prompt 约束 LLM 的“回答范围”（如“只基于文档回答”）
Skills 规则约束 AI 的“编码行为”（如“资金操作必须加锁”）
互补：System Prompt 管“说什么”，Skills 规则管“怎么写代码”

Q3：AI 生成的代码直接合入吗？（中频 ⭐⭐⭐）

答：不直接合入。流程是：AI 生成 → 人工评审 → 修改 → 测试 → 合入。Skills 规则减少但不消除人工审查的必要性。简历写了“人工评审后合入”，面试要强调这一点。

Q4：Cursor Rules 和 Claude Code Skills 有什么区别？（中频 ⭐⭐⭐）

答：本质相同，都是约束 AI 编码行为的规则文件，只是语法和存放位置不同：

Cursor Rules：.cursor/rules/*.md
Claude Code Skills：.claude/skills/*.md
内容维度一致：代码规范、安全红线、异常处理、事务边界

面试速查表（AI 应用开发）

考点	一句话答案
RAG 流程	加载→分块→向量化→存储→检索→增强→生成
为什么不用 LLM 直接回答	时效性+幻觉+隐私+成本
文档分块	500-800字+滑动窗口，平衡精度和上下文
余弦相似度	看方向不看长度，文本语义用余弦
System Prompt	约束回答范围，防幻觉
“不知道”保护	Prompt 约束 + 相似度阈值拦截
Function Calling	单次工具调用
AI Agent	多步任务规划+动态选工具+多轮执行
ReAct 模式	思考→行动→观察→再思考循环
会话状态管理	Redis TTL 30分钟，多轮上下文
工具调用失败	重试→降级→转人工
Skills 规则	约束 AI 编码行为（规范/安全/异常）
Skills vs System Prompt	一个管写代码，一个管说什么
AI 代码合入	AI生成→人工评审→测试→合入

最后更新：2026-08-19

AI 应用开发 — 小白讲解 + 面试题精解

目录

第一章：LangChain4j 与 RAG 全流程（简历项目二核心）

1.1 为什么需要 RAG（而不是直接问 LLM）

小白讲解

面试题

1.2 RAG 全流程（面试必问）

小白讲解

结合简历案例

代码示例

面试题

1.3 LangChain4j 核心概念

小白讲解

代码示例

面试题

1.4 SSE 流式返回（简历直接写了）

小白讲解

面试题

第二章：Prompt 工程（简历直接写了）

2.1 System Prompt 约束回答范围

小白讲解

结合简历案例

面试题

第三章：向量数据库与 Embedding

面试题

第四章：AI Agent 编排（简历项目二核心升级）

4.1 Function Calling vs AI Agent

小白讲解

结合简历案例

代码示例

面试题

第五章：AI 编程工具与 Skills 规则工程（简历新增亮点）

5.1 Skills 规则文件是什么

小白讲解

结合简历案例

Skills 规则文件示例

面试题

面试速查表（AI 应用开发）