说明：本文根据一面沟通纪要整理，角色已匿名化为“面试官 / 候选人”。目标是把过程型记录转成可复习的面试题清单。

面试体验

  • HR 和面试官都非常好，整体沟通体验顺畅。
  • HR 非常积极推动流程，反馈及时、对接清晰。
  • 面试官很擅长提问，也给我提供了有价值的改进建议。

一、面试总体结论

  • 候选人前端编码能力有基础，但“项目完成度”和“核心原理理解深度”不足。
  • 面试官核心反馈是两点：项目要做完整、基础概念要讲透。
  • 重点改进方向是聚焦一个主项目（AI 对话项目），补齐后端、持久化和知识库链路。

二、项目深挖题（deep SCAN / easy meeting）

1) 你这个 AI 对话项目的完整架构是什么？

  • 当场暴露点：候选人能描述 UI 分区，但后端链路和数据闭环不清晰。
  • 面试官关注点：是否具备从前端到后端再到模型服务的完整设计能力。
  • 标准回答要点：前端负责交互和状态展示，后端负责鉴权、会话管理、模型转发、审计日志，数据库负责持久化。
  • 改进动作：补一张架构图，明确“浏览器 -> 后端 API -> LLM Provider -> 数据库/向量库”。

2) 聊天请求为什么不应该由前端直接请求大模型？

  • 当场暴露点：候选人提到前端发请求，未充分说明风险。
  • 面试官关注点：安全与工程边界意识。
  • 标准回答要点：前端直连会暴露密钥、难做限流和审计，且跨域与风控不可控；应由后端统一代理。
  • 改进动作：在项目中实现后端转发层和统一错误处理。

3) 你说做了知识库，完整链路落地到哪一步？

  • 当场暴露点：仅完成导入与部分 UI，Embedding 检索和向量库未真正接通。
  • 面试官关注点：是否“真做过”而不是“只做展示层”。
  • 标准回答要点：文档清洗 -> 切分 -> 向量化 -> 入库 -> 召回 -> 重排 -> 拼接上下文 -> 生成回答。
  • 改进动作：先交付最小可用链路，至少做到“导入一批文档后可稳定召回”。

4) 会话与知识数据为什么不能长期只放浏览器本地？

  • 当场暴露点：当前数据主要在浏览器本地，删除记录即丢失。
  • 面试官关注点：数据可靠性、可迁移性和多端一致性。
  • 标准回答要点：本地存储适合缓存，不适合权威数据；权威数据应在后端数据库持久化。
  • 改进动作：引入后端存储模型，至少保留用户、会话、消息、知识文档四张核心表。

5) 流式输出场景里，如何避免页面高频刷新卡顿？

  • 当场暴露点：候选人未给出可执行方案。
  • 面试官关注点：对 React 渲染机制和性能优化是否理解。
  • 标准回答要点：使用缓冲区聚合 token，按节流频率批量更新 state；拆分组件减少无关重渲染。
  • 改进动作：实现“缓冲 + 定时 flush（如 16~50ms）”并用 profiler 验证渲染次数。

6) 你用了 Clerk，能讲清楚鉴权链路吗？

  • 当场暴露点：知道“能登录”，但对 token 生命周期、服务端校验说明不足。
  • 面试官关注点：是否只会接 SDK，还是能讲清鉴权边界。
  • 标准回答要点：前端获取会话态，后端验证 token，服务端做授权判断并记录审计。
  • 改进动作：梳理一页鉴权流程文档，包含登录、续期、登出、失效处理。

7) 你对工具调用、MCP 的理解和项目落地点是什么？

  • 当场暴露点：概念知道得少，难解释接入原理。
  • 面试官关注点：AI 应用工程化能力，不只是调用 chat 接口。
  • 标准回答要点：工具调用是模型按 schema 触发外部能力，MCP 是工具能力标准化接入协议。
  • 改进动作：做一个最小 demo，至少支持“模型触发一个查询工具并返回结构化结果”。

8) easy meeting 项目当前可证明的完成度是什么？

  • 当场暴露点：音视频会议关键能力未跑通，亮点缺少真实数据支撑。
  • 面试官关注点：项目真实性与可验证性。
  • 标准回答要点：明确“已完成 / 未完成”边界，给出可复现实验数据（延迟、成功率、丢包表现）。
  • 改进动作：阶段性降级目标，先跑通最小 P2P 通话链路再谈优化。

三、前端与工程基础题

9) 什么是跨域？为什么浏览器要限制跨域？

  • 当场暴露点：能说部分解决方案，但边界不够完整。
  • 面试官关注点：基础原理是否扎实。
  • 标准回答要点：同源策略限制协议/域名/端口不同的请求读取，目的是隔离站点上下文、防止恶意访问。
  • 改进动作：补全 CORS 预检、简单请求、凭证请求三个场景。

10) MVVM 为什么存在？解决了什么问题？

  • 当场暴露点：只记住名词，讲不出设计动机。
  • 面试官关注点：架构理解而非背术语。
  • 标准回答要点：MVVM 通过 ViewModel 把视图与业务状态解耦，提升可维护性、可测试性和状态一致性。
  • 改进动作：用自己的项目举一个“状态驱动 UI”的具体例子。

11) 事件循环模型你怎么解释？

  • 当场暴露点：简历写“熟悉”，但现场难以完整说明。
  • 面试官关注点：JS 运行时核心基础。
  • 标准回答要点：同步栈先执行，异步任务入队；每轮循环先清空微任务，再取宏任务执行。
  • 改进动作：准备 2 个常见输出题，确保能解释执行顺序原因。

12) Node.js 与浏览器事件循环有什么差异？

  • 当场暴露点：只记概念，缺少对 Node 阶段模型理解。
  • 面试官关注点：全栈岗位对运行时差异的把握。
  • 标准回答要点：Node 有 timers、poll、check 等阶段；浏览器更强调 task/microtask 与渲染时机。
  • 改进动作：补充一页“浏览器 vs Node 事件循环对照笔记”。

四、数据结构与算法题

13) 链表和数组（列表）怎么对比？

  • 当场暴露点：能说随机访问差异，但实现细节表达不完整。
  • 面试官关注点：数据结构选择能力。
  • 标准回答要点：数组随机访问 O(1)，中间插删成本高；链表插删灵活，但随机访问 O(n)。
  • 改进动作：手写单链表节点定义和插入/删除伪代码。

14) 什么是树？二叉树最基础概念有哪些？

  • 当场暴露点：仅停留在“树的概念”，二叉树细节较弱。
  • 面试官关注点：基础广度与深度。
  • 标准回答要点：二叉树每个节点最多两个子节点，常考遍历、深度、平衡与搜索树性质。
  • 改进动作：准备前序/中序/后序遍历口述版。

15) 快速排序原理怎么讲？

  • 当场暴露点：方向大致正确，但步骤不够细。
  • 面试官关注点：是否能从“会背”到“能实现”。
  • 标准回答要点：选基准值，分区后递归处理左右区间，平均复杂度 O(n log n)。
  • 改进动作：手写一次分区函数，并解释最坏复杂度来源。

五、协作与经历题

16) 你在多人协作项目里具体做了什么？

  • 当场暴露点：流程有提到，但个人产出可量化程度不足。
  • 面试官关注点：真实协作贡献，而非“旁观参与”。
  • 标准回答要点：说明负责模块、提交记录、PR 数量、联调问题与结果。
  • 改进动作：整理一份“协作项目贡献清单”（功能、提交、结果）。

17) 你如何组织团队协作流程？

  • 当场暴露点：提到群沟通、分支、PR，但缺少节奏和质量机制。
  • 面试官关注点：工程协作习惯。
  • 标准回答要点：需求拆分、分支规范、代码评审、联调验收、回归复盘。
  • 改进动作：沉淀自己的轻量协作模板（Issue -> Branch -> PR -> Review -> Merge）。

六、本场高频追问清单（背诵版）

  • 你的项目里，哪些功能是“已上线可用”，哪些是“仅 UI 未打通”？
  • 为什么前端不应该直连 LLM API？
  • RAG 完整链路每一步做什么？
  • Embedding 不接向量库会有什么后果？
  • React 流式输出如何做性能优化？
  • MVVM 的设计动机是什么？
  • 事件循环中微任务和宏任务执行顺序是什么？
  • 链表与数组在什么场景下分别更合适？
  • 快速排序的核心步骤与复杂度是什么？
  • 你在团队协作中的可量化贡献是什么？

七、后续 2 周修复计划（建议）

  1. 只保留一个主项目作为面试主线（优先 deep SCAN）。
  2. 补齐后端转发、会话持久化、知识库最小可用链路。
  3. 准备 15 个基础题标准答案（事件循环、跨域、MVVM、数据结构）。
  4. 把每个项目亮点改为“有数据可验证”的表述。
  5. 每天做 20 分钟口述演练，重点修正“概念知道但解释不清”的问题。