note

AI 应用全栈架构师岗位

🎯 核心知识领域

一、后端开发（重点）

1.1 编程语言（至少精通一门）

  • [ ] Python: FastAPI/Flask, 异步编程 (asyncio), 类型注解
  • [ ] Java: Spring Boot, Spring Cloud, JPA/MyBatis
  • [ ] Go: Gin/Echo, 并发模型 (goroutine/channel)
  • [ ] Node.js/TypeScript: NestJS, Express, 类型系统

1.2 数据库设计

  • [ ] MySQL/PostgreSQL: 索引优化、事务隔离级别、锁机制、执行计划分析
  • [ ] 数据建模: ER 图设计、范式与反范式、分库分表策略
  • [ ] pgvector: 向量相似度搜索 (Cosine, L2, IP)

1.3 缓存与消息队列

  • [ ] Redis: 数据结构、持久化 (RDB/AOF)、缓存穿透/击穿/雪崩、分布式锁
  • [ ] 消息队列: RabbitMQ/Kafka/RocketMQ - 消息可靠性、顺序消费、积压处理

1.4 API 设计

  • [ ] RESTful API 设计规范 (资源命名、状态码、版本控制)
  • [ ] WebSocket 实时通信
  • [ ] GraphQL (加分)
  • [ ] OpenAPI/Swagger 文档

二、前端开发

2.1 核心框架（至少精通一门）

  • [ ] React: Hooks, Context, Redux/Zustand, React Query
  • [ ] Vue: Composition API, Pinia/Vuex, Vue Router
  • [ ] Next.js: SSR/SSG, App Router, Server Actions

2.2 AI 交互场景

  • [ ] 流式响应渲染 (Server-Sent Events)
  • [ ] Markdown 渲染与代码高亮
  • [ ] 对话状态管理
  • [ ] Agent 任务进度展示

三、AI 应用能力（核心差异化）

3.1 LLM 基础概念

  • [ ] Token: 计算方式、不同模型的 token 限制
  • [ ] Context Window: 上下文长度管理与截断策略
  • [ ] Temperature/Top-P: 采样参数对输出的影响
  • [ ] System/User/Assistant: 角色消息设计

3.2 Prompt Engineering

  • [ ] Zero-shot / Few-shot Prompting
  • [ ] Chain of Thought (CoT)
  • [ ] ReAct 模式 (Reason + Act)
  • [ ] Structured Output (JSON Mode, Function Calling)

3.3 AI Agent 开发

  • [ ] 任务拆解: 复杂任务分解为可执行步骤
  • [ ] Tool Calling: Function Calling 机制与注册
  • [ ] Memory 管理: 短期记忆 vs 长期记忆
  • [ ] Workflow 编排: 有向无环图 (DAG) 执行
  • [ ] 异常处理: 重试机制、降级方案、人工介入

3.4 RAG (检索增强生成)

  • [ ] 文档处理: PDF/Word/Markdown 解析、文本分块 (Chunking)
  • [ ] Embedding: 向量模型选择 (text-embedding-3-small/large, m3e)
  • [ ] 向量数据库:
    • [ ] pgvector (PostgreSQL 扩展)
    • [ ] Milvus (独立向量库)
    • [ ] Elasticsearch (混合检索)
    • [ ] Chroma/Weaviate
  • [ ] 检索策略: 语义检索、关键词检索 (BM25)、混合检索
  • [ ] Rerank: 重排序模型 (Cohere Rerank, bge-reranker)
  • [ ] 召回优化: MMR (最大边际相关性)、过滤条件

3.5 AI 工程化问题

  • [ ] 超时处理: 流式响应、长任务轮询
  • [ ] 幻觉问题: 事实校验、引用溯源
  • [ ] 成本控制: Token 统计、缓存层、小模型优先
  • [ ] 结果不确定性: 重试、投票、一致性检查

3.6 AI 框架（加分项）

  • [ ] LangChain: Chains, Agents, Retrievers
  • [ ] LangGraph: 状态机、循环图、多 Agent 协作
  • [ ] LlamaIndex: 数据连接器、查询引擎
  • [ ] **MCP **(Model Context Protocol): Server/Client 协议

四、系统架构能力（重点考察）

4.1 架构设计原则

  • [ ] SOLID 原则
  • [ ] DRY / KISS / YAGNI
  • [ ] 关注点分离
  • [ ] 领域驱动设计 (DDD) 基础

4.2 系统分层

┌─────────────────────────────────────┐
│         前端层 (Web/Mobile)          │
├─────────────────────────────────────┤
│         API Gateway / BFF           │
├─────────────────────────────────────┤
│      业务服务层 (微服务/单体)        │
├─────────────────────────────────────┤
│      AI 服务层 (LLM/RAG/Agent)       │
├─────────────────────────────────────┤
│   数据层 (MySQL/Redis/VectorDB)      │
└─────────────────────────────────────┘

4.3 并发与异步

  • [ ] 同步 vs 异步: 何时使用异步任务队列
  • [ ] Celery/Dramatiq: Python 分布式任务队列
  • [ ] Bull/BullMQ: Node.js 队列
  • [ ] 定时任务: Cron, APScheduler

4.4 性能优化

  • [ ] 数据库查询优化 (索引、覆盖索引、避免 N+1)
  • [ ] 缓存策略 (本地缓存 + 分布式缓存)
  • [ ] CDN 静态资源加速
  • [ ] 连接池配置

4.5 安全考虑

  • [ ] JWT/OAuth2 认证
  • [ ] RBAC 权限模型
  • [ ] SQL 注入防护
  • [ ] XSS/CSRF 防护
  • [ ] 敏感数据加密存储

五、DevOps 与工程化

5.1 容器化

  • [ ] Docker: Dockerfile 编写、多阶段构建
  • [ ] Docker Compose: 本地环境编排
  • [ ] Kubernetes: Pod/Deployment/Service (加分)

5.2 CI/CD

  • [ ] GitHub Actions / GitLab CI
  • [ ] 自动化测试流水线
  • [ ] 蓝绿部署/金丝雀发布

5.3 监控与日志

  • [ ] 日志: 结构化日志 (JSON), 日志分级
  • [ ] 链路追踪: OpenTelemetry, Jaeger
  • [ ] 指标监控: Prometheus + Grafana
  • [ ] 告警: PagerDuty, 钉钉/飞书机器人

5.4 测试

  • [ ] 单元测试 (pytest/jest/vitest)
  • [ ] 集成测试
  • [ ] E2E 测试 (Playwright/Cypress)

六、AI Coding 工具使用（岗位特色）

6.1 工具熟练度

  • [ ] Cursor: Tab 补全、Chat 对话、整文件编辑
  • [ ] Claude Code: CLI 交互、批量修改
  • [ ] GitHub Copilot: 行内补全、Copilot Chat

6.2 高效使用模式

  • [ ] 需求分析 → 让 AI 输出技术方案
  • [ ] 架构设计 → 让 AI 画流程图/时序图
  • [ ] 代码生成 → 提供清晰的上下文和约束
  • [ ] 代码审查 → 让 AI 识别潜在问题
  • [ ] 重构建议 → 技术债治理
  • [ ] 测试生成 → 提高覆盖率

📝 项目经验准备

准备 1-2 个完整项目案例，能够清晰说明：

1. 业务背景
   - 解决什么问题？
   - 用户是谁？
   - 业务规模如何？

2. 你的职责
   - 负责哪些模块？
   - 做了哪些架构决策？
   - 带过多少人？

3. 技术架构
   - 技术选型理由
   - 系统分层设计
   - 关键组件选型

4. 数据模型
   - 核心表结构
   - 索引设计
   - 数据量级

5. 挑战与解决
   - 遇到的最大技术难点
   - 如何排查线上问题
   - 性能瓶颈如何突破

6. 演进过程
   - 需求变化如何应对
   - 技术债如何治理
   - 如果重做会改进什么

🔥 高频面试题预测

系统设计题

  1. 设计一个企业知识库问答系统（RAG 架构）
  2. 设计一个 AI Agent 任务调度系统
  3. 设计一个支持多租户的 SaaS 平台
  4. 如何保证 AI 输出的可靠性和一致性？

技术深度题

  1. RAG 检索效果差，如何定位和优化？
  2. 向量数据库选型：pgvector vs Milvus，如何选择？
  3. 如何处理 LLM API 超时或失败？
  4. 如何设计一个可复用的 Tool Calling 框架？
  5. 缓存穿透/击穿/雪崩的区别和解决方案？

架构权衡题

  1. 单体 vs 微服务，什么时候拆分？
  2. 同步调用 vs 异步队列，如何选择？
  3. 强一致性 vs 最终一致性，业务场景如何选？
  4. 自研 vs 开源 vs 云服务，决策因素有哪些？

📚 推荐学习资源

AI 应用开发

系统设计

实战项目建议

  • 搭建一个带 RAG 的企业知识库系统
  • 实现一个支持 Tool Calling 的 AI Agent
  • 用 LangGraph 实现一个多步骤工作流

✅ 自查清单

领域掌握程度备注
后端语言 (Python/Java/Go/Node)⬜⬜⬜⬜⬜
前端框架 (React/Vue/Next)⬜⬜⬜⬜⬜
数据库设计与优化⬜⬜⬜⬜⬜
Redis/消息队列⬜⬜⬜⬜⬜
LLM API 与 Prompt⬜⬜⬜⬜⬜
RAG 全流程⬜⬜⬜⬜⬜
Agent 开发⬜⬜⬜⬜⬜
系统架构设计⬜⬜⬜⬜⬜
Docker/部署⬜⬜⬜⬜⬜
AI Coding 工具⬜⬜⬜⬜⬜

💡 技巧

  1. 强调工程背景: 突出传统软件开发经验，而非仅 AI Demo
  2. 展示架构思维: 讲清楚技术选型背后的权衡
  3. 准备代码作品: GitHub 项目或技术博客
  4. AI 工具提效案例: 具体说明 AI 如何提高你的研发效率
  5. 承认知识边界: 对不了解的技术诚实，但展示学习能力

更新于:

note

Copyright © w