美团AI面 - 2026.3.22

• 仅能回忆起来的部分 - 名义上7道题，但追问不算在里面，15s思考，5min作答，实际做下来撞了总时限的1h

• 个人背景 实习经历 AI如何提效？- o2o线上线下引流业务 | UT | code review | 资料速读
• 如何帮助UT覆盖？如何准确 - AI更好地调用框架；MCP + Skill + Agent；分支覆盖更高更准确；提到superpowers框架（skill集合，谈了下brainstorming，设计的spec，最后测试），说了下可以结合用其他spec的skill，丢tdd与sdd名词

• HTTP与HTTPS的区别？ - 提到HTTPS是HTTP + TLS，非对称加密协商一个后续对称加密的密钥出来，往后就用这个密钥传信息，还有证书校验身份的环节，提到是根据根域名证书逐步传递，上面的证书保障下面的有效
• 什么时候证书伪造失效？- 提到中间人伪造可能存在信息安全风险，谈及证书主要靠整个链路保障有效，可能本身过期需要续期（使用let’s encrypt等，补充一个额外的本地前端开发调试自签名证书，让localhost也可以https），提到自己的服务部署在netlify与cloudflare，云厂商会自动续期，举例cf的google xxx证书大概三个月过期，中间很快就会续期，提到一般不会个人太多参与，会云厂商提供对应服务，解决失效问题。提到如果识别伪造浏览器会风险提示拦住，如果伪造的是使用的合法证书会有风险
• 证书伪造与失效怎么防止？ - 提到浏览器与手机等存有根域名证书，有相关的校验，个人服务一般也由云厂商等上一级颁布，或注册过去，在项目中不会有太多需要个人参与防止失效与伪造的工作

• RAG系统组件？调用顺序，超时安排？ - 吟唱RAG流程 清洗 切片 embedding 向量库 用户请求 embedding 查询 重排序 拼prompt llm处理返回 超时重点安排给查询与llm（涉及数据处理 | 外部系统）；讲可以向量数据库或者pg加pg vector
• 向量库查询相似度低？- 聚合计算等不适合做的不用向量库，改es等传统的；列举短Q长A场景，改写Q风格结构，长度等提高相似度（提到用户意图改写风险）；数据清洗等改写A （inspired by）
I asked them to show me their RAG pipeline...
RAG (Retrieval-Augmented Generation) is a widely adopted technique that gives LLMs access to external documents. We briefly discuss its roots in Information Retrieval and the transition from sparse to dense retrieval. Continua AI shares how they leverage HyDE (a query augmentation technique) to enhance their RAG pipeline in the context of group conversations / social AI. 📖 HyDE paper: https://arxiv.org/abs/2212.10496 🔗 Continua AI: https://continua.ai/ 🎤 Interview with David Petrou, CEO of Continua: https://www.patreon.com/posts/interview-with-143106016 🔗 Olga Dorabiala on LinkedIn: https://www.linkedin.com/in/olga-dorabiala-140930151/ 00:00 What is RAG? 02:02 RAG is rooted in Information Retrieval 03:50 RAG challenges 05:44 Continua AI uses HyDE for their RAG pipeline

https://www.youtube.com/watch?v=l9JktgnaII0

• 你提到ES也可以搜索，ES跟向量你选哪个？- 都有缺陷，需要实际作demo拿数据分析说话，向量短Q长A匹配难说，ES依赖分词规则，缺乏灵活性，提到两个llm智慧参与度都低，难说效果，需要实测效果【当时没提到，复盘想到的：在X上看到的MSA工作，16k到100M 9%衰减，4B战200+B，在模型层面解决长上下文】（inspired by）
艾略特 on Twitter / X
论文来了。名字叫 MSA，Memory Sparse Attention。一句话说清楚它是什么：让大模型原生拥有超长记忆。不是外挂检索，不是暴力扩窗口，而是把「记忆」直接长进了注意力机制里，端到端训练。过去的方案为什么不行？RAG… https://t.co/05ORvQzld5 pic.twitter.com/tOXz0pzc4J— 艾略特 (@elliotchen100) March 19, 2026

https://x.com/elliotchen100/status/2034479369855590660?s=20

• Java接口与抽象类区别？ - 吟唱 多 vs 单继承；行为约束（抽象方法，补充有default实现与public final常量）vs 复用状态与约束（约束用rimworld的营养膏机举例，冰冻营养膏机也是营养膏机，受到相关约束）；提到组合也可以避开单继承限制，但不服用约束，不走里氏代换
• 以后拓展其他建筑，这两个怎么选？ - 提到拓展的建筑只有一些共用行为，没有共用状态，也不复用约束，使用接口；补充自己之前提到的案例应该走抽象类（复用约束，走里氏代换）

• 消息队列原理与应用场景？ - 谈建单与推进状态改库存异步解耦；谈大促流量生产者快消费者慢削峰填谷流量整形；RocketMQ事务消息做本地事务与发消息的一致性
• 怎么定位问题？ - 通过普罗米修斯与grafana监控指标定位问题区域；根据日志上下文定位问题区域；检查是否有慢SQL，外部调用超时问题；arthas与火焰图定位链路各处消耗时延，对大头关注处理
• 消息堆积怎么办？ - 找慢SQL等长时间调用；上游在（如用outbox本地消息表）保障至少投递一次时通过像幂等等减少重复投递；RocketMQ topic数据分片多个message queue然后扩容消费者组；限流降级兜底保障系统存活，避免干烂上下游

• 怎么设计防止恶意刷好评恶评？- 监控用户行为指标，统计低于多少观看时间阈值做出行为数量，特殊标记，做风控与限流；机器学习识别相关特征
• 机器学习找哪些特征，误杀怎么办？- 用户行为指标，做出行为时间，行为是否单一等；指标放长期来看，更加合理；运行用户申诉兜底；对同IP大量请求封IP，提高商户刷评的成本（需要使用代理池等）

• 压力大的时候快速解决问题，怎么做的？- 抓关键与直接关联的
• 怎么抓关键与直接关联的 - 谈反过来想少了什么会出事（讲的差不多的时候时限到了，自动交卷）
• 碰到陌生的你没法这么做怎么办？- 谈你不会你子产品有人会，你子产品没人会部门有人会，再不然集团总有人会，直接问，如果有文档查文档；补充AI时代，你直接AI查（Grok Search MCP快速检索），举例极端的Grok Heavy 16 Agent并发Web查询，60s返回四位数信息源，比人快捷，直接高效处理，如果担心信不过交给其他幻觉低的LLM（讲GPT5.4xhigh与Claude4.6Opus验证），再不信就给其他人验证