面试面经 · 阿里巴巴
【阿里巴巴】【LLM应用开发】【一面】面经（LangChain+RAG+工程化）
【阿里巴巴】【LLM应用开发】【一面】
基本信息
| 项目 | 内容 |
|---|---|
| 公司 | 阿里巴巴 |
| 岗位 | LLM 应用开发工程师 |
| 轮次 | 一面 |
| 面型体感 | 技术面，偏工程实践 |
| 面试官风格 | 直接，考察落地能力 |
| 结果 | 通过 |
面试题目（按提问顺序）
- 介绍一下 LangChain，它解决了什么问题？
- 为什么手搓 Agent 而不用框架？
- RAG 是什么？最难的地方是哪？
- 文档切割策略有哪些？怎么规避语义被切割掉的问题？
- 多路召回是什么？怎么实现？
- 向量数据库对比有没有做过？Qdrant 性能如何？
- 为什么用图数据库？
- Prompt Caching 是什么？
- CoT（Chain of Thought）是什么？为啥效果好？有啥缺点？
- 怎么规避大模型的幻觉？
- 微调和 RAG 的优劣势对比？
- 怎么量化回答效果？检索效果、回答效果的指标？
- 模型部署用什么方案？vLLM 了解吗？
面试感受 / 反馈
阿里 LLM 应用岗偏工程实践，不是纯算法。面试官关注你是否有落地经验，而不是只会调 API。RAG 优化和向量数据库是重点。
准备建议
- LangChain / LlamaIndex 要熟悉
- RAG 流程和优化要有实际经验
- 向量数据库有对比使用经验更好
- 模型部署和推理优化要准备
