一、基本信息项目内容候选人姓名郑**面试岗位后端开发工程师实习生面试时间2026年7月21日 09:58-10:30面试时长约32分钟面试形式线上一对一视频面试二、面试问题与回答记录一Python 基础知识问题1请解释 Python 装饰器的概念。候选人回答装饰器类似于“挂”在函数上面的东西预先写好内容后通过语法直接使用。其在 Next.js 框架中亦有类似概念理解与 Python 基本一致。评价仅能用比喻说明装饰器的使用方式未能阐述其本质为高阶函数、涉及闭包等核心原理。理解停留在“如何使用”层面缺乏对底层机制的认知。二AI 应用开发问题3请说明 Function Calling 的调用链路并举例说明你注册了哪些工具函数。候选人回答通过基础提示词让大模型知晓可用工具模型输出结构化文本分为两个通道——一个供用户阅读一个供后端解析执行从而实现看板操作。工具函数约二十余个均通过 AI 辅助编写。评价能描述 Function Calling 的基本流程提示词告知工具 → 模型决策 → 结构化输出 → 后端执行但对调用链路的细节描述不够深入未能说明参数 Schema 定义、工具决策依据等关键技术点。问题4请说明 SSE 流式输出的技术选型理由以及与 WebSocket 的区别。候选人回答WebSocket 为双向通信SSE 为单向通信服务端至客户端可实现 AI 对话中逐字输出的“打字机效果”。评价能准确区分 SSE 与 WebSocket 的核心差异并说明 SSE 在 AI 对话场景中的适用性。回答基本正确。问题5SSE 如何区分多个并发用户的会话候选人回答通过 IP 地址进行区分。评价回答不正确。SSE 区分会话的标准方式为通过 URL 参数传递sessionId或userId并在连接建立后维护会话标识与连接的映射关系。基于 IP 地址的方案在多用户共享同一公网出口的场景下将产生混淆不具备工程可行性。三Docker 容器化问题6Docker Compose 的 YAML 文件是否由你独立编写候选人回答并非独立编写主要通过 AI 辅助生成但能保证其成功运行。对关键参数端口、镜像、环境变量、账号密码等有一定了解。评价熟悉 Docker Compose 的基本配置项但独立编写能力存疑对配置细节的掌握不够扎实。问题7是否独立编写过 Dockerfile候选人回答未独立编写过。对 Docker 仅有基础了解具体编写依赖 AI 工具完成。评价Dockerfile 编写能力存在明显短板基本依赖 AI 工具完成。四Next.js 框架问题8你在 Next.js 中使用过哪些渲染模式候选人回答对 SSR、ISR 等渲染模式不了解仅熟悉 Vue 框架的 MVVM/MVC 模式。评价候选人对 Next.js 的理解停留在表层未能掌握其核心特性SSR、SSG、ISR框架深度不足。五向量检索与 RAG问题9请说明向量检索的完整工作流程。候选人回答使用 PostgreSQL 的 pgvector 插件通过调用千问 3.0 Embedding 模型的 API将文章和搜索词分别转化为向量实现向量相似度搜索。评价能说明向量检索的基本流程文本 → Embedding API → 向量 → 相似度搜索对 pgvector 插件有实际使用经验。但对 RAG 的完整流程文档加载 → 分块 → 向量化 → 存储 → 检索 → 重排序 → 生成缺乏系统性了解。六项目经验问题10请介绍你最熟悉的项目包括技术选型、个人角色及遇到的最难问题。候选人回答介绍了“Web 多人实时绘画协作平台”。技术选型方面沿用熟悉的 Vue 3 Next.js 技术栈引入 Yjs 解决多人协作数据冲突选用 Konva.js 作为画布引擎。在项目启动前通过多轮 AI 咨询完成需求分析与技术调研。遇到的主要问题包括画布渲染异常及图片插入失败通过浏览器控制台日志排查后由 AI 辅助解决。评价能清晰说明技术选型的理由和决策过程体现了一定的工程思维能力。但问题排查过程主要依赖 AI独立解决问题的能力尚需加强。问题11AI 辅助编程是否影响了你的技术深度如何平衡候选人回答承认在技术深度上确实存在不足但认为 AI 工具的价值在于拓展技术广度使开发者能够涉猎更广泛的技术领域。评价对 AI 辅助编程的优势与局限性有客观认知体现了较好的自我反思能力和清晰的自我定位。问题12是否有主动学习与课设无关的技术候选人回答当前所学的前后端框架均为自学非学校课程内容。但博客已有一段时间未持续更新。评价具备一定的自学意识和能力但知识沉淀和持续输出的习惯有待加强。七数据库与缓存问题13请列举 Redis 的基本数据类型。候选人回答字符串String、哈希Hash、列表List、集合Set、有序集合Sorted Set。评价回答正确基本数据类型掌握良好。问题14请说明缓存穿透、缓存击穿、缓存雪崩的概念。候选人回答穿透查询的数据不存在于缓存中每次请求均直达数据库。雪崩理解存在偏差误认为是瞬时大量请求绕过缓存直接访问数据库。评价对缓存穿透的理解基本正确对击穿和雪崩的概念较为模糊未能准确区分三者的差异。经提示后能理解雪崩的核心问题为大量 Key 同时过期。问题15请说明数据库查询中笛卡尔积的产生原因。候选人回答将笛卡尔积描述为“向量互乘”但能指出其会导致数据量成倍增长。评价表述不够准确但能理解其核心问题。准确的定义应为多表查询时未指定有效的连接条件导致左表每一行与右表每一行逐一组合结果集规模为两表行数之积。三、综合评价优势方面具备python项目的实践经验丰富项目覆盖面广且具有一定的技术深度对 Function Calling、SSE 流式输出等 AI 应用技术有实际操作经验具备一定的工程思维项目启动前能进行需求分析和技术调研学习意愿较强当前技术栈主要依靠自学完成对 AI 辅助编程的优势与局限有客观认知自我定位清晰不足之处Docker 容器化技术依赖 AI 工具完成独立编写 Dockerfile 和 Compose 文件的能力较弱Next.js 框架的核心渲染模式SSR、SSG、ISR理解缺失RAG 技术停留在概念了解层面缺乏完整落地的实操经验四、面试结论综合评定推荐通过本轮面试进入下一轮。补充说明经面试官现场综合评估候选人虽在基础知识方面存在若干短板但具备以下核心竞争力项目实践经验丰富三个项目均由个人独立完成涵盖 AI 应用、实时协作、博客系统等多个领域AI 应用开发有落地Function Calling、SSE 流式输出、向量检索等关键技术有实际操作经验技术视野较好技术栈覆盖前后端、数据库、DevOps 等多个领域学习意愿强烈当前技术栈以自学为主具备独立解决问题的能力基础知识短板可通过入职后系统学习快速补齐建议安排后续面试或 HR 环节进一步沟通入职意向。六、面试官建议建议候选人在入职前优先补充以下内容Python 基础装饰器、生成器的原理与应用场景Docker 容器化Dockerfile 和 Docker Compose 的独立编写能力数据库基础索引数据结构、缓存三大问题穿透/击穿/雪崩的准确定义与解决方案向量数据库ChromaDB 或 Milvus 的实际使用以及 RAG 完整流程的落地实践