后端项目求助

到目前为止，个人感觉 90%以上的 AI 后端项目都是极其相似的一套：LangChain4j/Spring AI 搭个框架 + 调用大模型 API 做一下问答功能 + 搞点向量数据库做做 RAG 知识库 + 接点 MCP 调用一下外部系统的 API然后就没有然后了。最主要的问题是，这样的 AI 应用开发项目，基本不涉及什么高并发、高可用、分布式的场景，对于后端来说可以深挖的点很少，对于大模型来说又不涉及微调优化之类的。导致了一个很尴尬的局面：1.用这些“AI 后端项目”去面后端岗，候选人和面试官都不知道从哪挖项目的亮点。对于大部分中小厂来说，他们的业务都没有接入 AI 的必要，面试官一看你这什么，xxRAG知识库管理系统，不知道你这项目有什么价值，太简单了也没有什么场景题可挖。2.用这些“AI 后端项目”去面 agent 开发岗、大模型应用开发岗，后端出身的小伙伴不知道怎么扛住大模型相关问题拷打。这类岗位可能会拷打：怎么优化 RAG 召回、提示词工程怎么做的、向量检索原理……有些甚至问大模型微调怎么搞，大模型基础比如 Transformer 之类的。整体来说，这方面没有多少整理完善的八股，相关问题也偏实践，即场景题，但是此场景题与后端场景题既有共同的地方，也有不少出入，不是后端转过来做个玩具项目就能搞明白的。总结起来就是这些“AI 后端”的玩具项目难以包装，挖不深，拿来面两边都不讨好。可能最佳的解决办法（针对后端岗）是把它作为一个附加的服务模块加在已有的项目上，而不是独立拿出来。

对于 Java 程序员而言，项目是简历与面试的核心竞争力。仅停留在 CRUD 或 Demo 级项目，很难体现工程化能力与架构思维。“黑马点评” 这个项目相信对于很多人来说并不陌生，甚至它是很多人开始学习 Java 语言的启蒙实战项目，也有不少人用它去面试，拿到了 Offer。它把“八股文”转化为可落地的工程方案：不背答案，直接在项目中应用与验证。黑马点评项目介绍黑马点评是“本地生活与商户运营”场景的综合实战项目，包含商户浏览与查询、优惠券发放与抢购、达人探店、好友关注、签到与 UV 统计等核心业务。围绕“高并发下的优惠券秒杀”与“热点查询”的真实问题，提供端到端的稳定性与一致性解决方案。黑马点...

1. Transformer中Attention的本质是什么？你能从数学角度简要解释一下吗？2. 在Agent多轮对话任务中，你觉得Attention的局限性体现在哪些方面？3. 简要介绍一下SFT的核心流程，以及数据集的构建策略，SFT之后常见的Post-Training还有哪些？它们之间的目的有何区别？4. 什么是RAG，它是怎么提升生成质量的？与传统检索＋模型生成的流程有何不同？如何评估一个RAG系统是否work的？5. PPO和DPO在大模型对齐中的主要区别是什么？DPO训练通常有哪些注意事项？用过GRPO么？6. 项目里的Modular Agent，你能讲讲它是如何实现多步规划的吗？7. 项目提到了多个工具调用链路，调度策略是如何设计的？是否有异常fallback策略？8. Agent评估体系包括哪些维度？如何衡量planning能力 vs hallucination rate？9. 项目里微调Qwen，选择的训练阶段和Loss函数是如何决定的？10. Prompt自动推荐模块用了哪些优化策略？有没有尝试过Prompt压缩或embedding表示的方式？11. 场景题：假如一个Agent 推理链路包含3个工具+高频请求，系统整体延迟较高，你会如何优化？12. 代码：20.岛屿数量

27届双非本java，面上了一个北京的小厂后端开发实习，但进去需要用python或者go，还有必要去吗