AI 系统设计面试题库
50+ 道高频系统设计真题，覆盖搜索/推荐/Agent/规划/调度 5 大类型，附答题框架。
如何答题
通用框架：
1. 澄清需求：用户规模、QPS、延迟要求、数据量
2. 明确系统类型：匹配 / 推荐 / 搜索 / 规划 / Agent
3. 画出架构：数据流 → 核心组件 → 外部依赖
4. 讨论挑战：性能 / 准确性 / 多样性 / 冷启动
5. 演进路线：MVP → 优化 → 规模化
一、匹配/过滤类
这类题的核心：约束过滤 + 冲突检测 + 性能优化
1. 空教室查询
题目：给定时间段、教室容量、楼层偏好，找出可用的教室。
考察点：时间窗口冲突检测、多约束匹配、性能优化
回答框架：
需求澄清：
- 有多少教室？（100 / 10000）
- 查询 QPS？（10 / 1000）
- 延迟要求？（< 100ms / < 1s）
方案设计：
1. 基础：SQL 查询（WHERE NOT EXISTS + 时间重叠判断）
SELECT * FROM classrooms
WHERE capacity >= ? AND floor = ?
AND NOT EXISTS (
SELECT 1 FROM bookings
WHERE classroom_id = classrooms.id
AND (start, end) OVERLAPS (?, ?)
)
2. 优化：预计算可用时段矩阵（位图）
- 每个教室一个 bitset，每位表示 15 分钟时段
- 查询时做位运算（AND + 取反）
- 适合高频查询，O(1) 查询
3. 扩展：缓存 + 增量更新
- Redis 缓存热点查询
- 预订变更时更新缓存（而不是全量重建）
追问应对：
- 1000 万用户同时查？→ 分片 + 缓存 + 预计算
- 有人临时取消？→ 异步更新缓存，保证最终一致性
2. 会议室预订系统
题目：设计一个企业会议室预订系统，支持重复预订、取消、冲突检测。
考察点：并发控制、时间冲突检测、分布式锁
回答框架：
核心问题：两人同时预订同一间会议室
1. 数据库层面：唯一约束 + 事务（SERIALIZABLE 隔离级别）
2. 应用层面：分布式锁（Redis SETNX）+ 乐观锁（版本号）
3. 冲突检测算法：时间区间重叠判断 (start1 < end2) AND (start2 < end1)
重复预订处理：
- RRULE 标准（iCalendar RFC 5545）
- 异常情况：某天节假日跳过 → 例外列表
追问：
- 有人不来的检测？→ 签到机制 + 自动释放
- 会议室资源变动？→ 自动重分配 + 通知
3. 拼车匹配
题目：乘客发布行程，系统匹配最合适的拼车司机。
考察点：多约束匹配、地理空间计算、实时性
回答框架：
匹配约束：
- 时间窗口（出发时间 ± 15 分钟）
- 路线相似度（起点/终点距离 < 3km）
- 空位数 ≥ 乘客数
- 评分阈值
技术方案：
1. 空间索引：GeoHash / S2 网格 → 快速筛选附近
2. 路线匹配：DTW（动态时间规整）或简化为起点+终点距离
3. 实时匹配：乘客发布 → 广播到附近司机 → 司机响应 → 排序推荐
评分排序：
score = w1 × 路线匹配度 + w2 × 司机评分 + w3 × 时间接近度 + w4 × 价格
追问：
- 如何避免匹配后司机不来？→ 双向确认 + 超时重试
- 高峰期匹配率下降？→ 扩大搜索半径 + 动态调价
4. 简历筛选
题目：HR 上传 1000 份简历，自动筛选出符合岗位要求的候选人。
考察点：规则匹配 + 语义理解、召回率 vs 准确率
回答框架：
方案分层：
1. 硬规则层：学历、年限、技能关键词（SQL 过滤）
2. 语义匹配层：LLM 提取简历实体 → 与 JD 做语义相似度
3. 排序层：多特征综合评分
技术实现：
- 简历解析：LLM 提取（姓名/学历/技能/经历）→ 结构化
- 匹配策略：
- 精确匹配：技能名称、证书
- 模糊匹配：相似技能（Python ↔ PyTorch → 相关度高）
- 语义匹配：项目经历描述与 JD 的向量相似度
追问：
- 如何避免误筛？→ 人工复核边界候选人 + 反馈调优
- LLM 解析不一致？→ Schema 约束 + 结构化输出验证
5. 航班推荐
题目：用户输入出发地、目的地、日期，推荐航班。
考察点：多条件过滤、排序策略、实时数据
回答框架：
过滤：出发地 + 目的地 + 日期（精确匹配）
排序：price, duration, departure_time, airline_rating
技术方案：
1. 数据源：航司 API / GDS 系统（Amadeus, Sabre）
2. 缓存：热门航线预计算（北京→上海，未来 7 天）
3. 排序：加权综合分 = w1 × price + w2 × duration + w3 × 偏好
追问：
- 航班变动怎么办？→ 推送通知 + 自动改签建议
- 多段联程？→ 图搜索（Dijkstra，节点=机场，边=航班）
二、推荐/排序类
这类题的核心：召回 + 排序 + 个性化 + 多样性控制
6. 火锅/餐厅推荐
题目：根据用户位置、口味偏好、评分，推荐附近餐厅。
考察点：多模态特征融合、冷启动、多样性
回答框架：
推荐三阶段：
1. 召回（从 10 万 → 500）
- 地理召回：用户 5km 内所有餐厅
- 类目召回：火锅类/川菜/粤菜（用户偏好）
- 热门召回：同城热门 Top 100
- 语义召回：向量检索（"适合聚餐的火锅店" → 语义匹配）
2. 排序（从 500 → 20）
特征：
- 用户特征：历史偏好、消费水平、常去时段
- 餐厅特征：评分、距离、人均、标签
- 交叉特征：用户-餐厅匹配度
模型：LightGBM / 深度学习排序模型
3. 重排（从 20 → 5 展示）
- 去重：同一品牌不连续出现
- 多样性：不同价位、不同距离混合
- 业务规则：新餐厅加权、广告插入
冷启动：
- 新用户：基于位置 + 热门榜单
- 新餐厅：内容特征（标签/图片）匹配相似用户
追问：
- 推荐结果太单一？→ MMR 多样性重排算法
- 用户抱怨推荐不准？→ 显式反馈（点赞/不感兴趣）+ 在线学习
7. 短视频推荐
题目：设计类似抖音的短视频推荐系统。
考察点：召回-排序-重排三阶段、冷启动、实时反馈
回答框架：
核心架构：
召回层（多路召回，每路 500-1000）：
- 协同过滤：看了 A 的人也看了 B
- 内容召回：视频标签/分类匹配用户兴趣
- 热门召回： trending 视频
- 社交召回：关注的人点赞的视频
- 探索召回：5% 流量用于发现新兴趣
排序层：
- 特征工程：
- 用户：历史行为序列、兴趣标签、活跃时段
- 视频：时长、标签、发布者、质量分数
- 上下文：时间、地点、网络环境
- 模型：DeepFM / DIN（深度兴趣网络）
- 目标：多目标优化（完播率 + 点赞率 + 分享率）
重排层：
- 打散：同类视频不连续出现
- 新鲜度：新视频一定比例曝光
- 多样性：不同类目混合
冷启动：
- 新视频：小流量探索 → 数据达标 → 进入主推荐池
- 新用户：引导选择兴趣 → 基于兴趣池推荐
实时反馈：
- 用户滑动行为实时采集（播放时长、滑动时机）
- 在线学习更新用户兴趣向量
追问：
- 信息茧房？→ 探索与利用（E&E）策略，固定比例探索
- 低质内容？→ 内容审核 + 质量分过滤
8. 音乐推荐
题目：推荐用户可能喜欢的音乐。
考察点：序列建模、上下文感知、探索与利用
回答框架：
特色：音乐是强序列、强上下文的场景
技术方案：
1. 序列建模：用户历史听歌序列 → Transformer/SASRec 预测下一首
2. 上下文感知：
- 时段：早上推荐轻音乐，晚上推荐放松
- 场景：运动 → 快节奏，工作 → 纯音乐
3. 探索与利用：
- ε-greedy：90% 推荐已知兴趣，10% 探索新风格
- Thompson Sampling：对新歌的不确定性建模
多模态特征：
- 音频特征：BPM、调性、能量值（从音频信号提取）
- 文本特征：歌词情感分析
- 社交特征：朋友在听什么
追问：
- 用户切歌怎么办？→ 负反馈实时响应，立刻降权同类
- 歌单推荐？→ Set Recommendation，考虑歌曲间的连贯性
9. 新闻推荐
题目：为用户推荐感兴趣的新闻。
考察点：时效性、多兴趣建模、多样性
回答框架：
核心挑战：新闻时效性强（几小时后就过时了）
技术方案：
1. 实时召回：新文章发布 → 实时推入召回池
2. 多兴趣建模：用户可能有多个兴趣（科技 + 体育 + 美食）
- MIND 模型：多兴趣向量表示
- 不同场景激活不同兴趣
3. 时效性衰减：
- 新闻评分 = 基础分 × e^(-λ × 时间差)
- 热点新闻衰减慢，普通新闻衰减快
4. 多样性：
- 不同类目混合
- 同一事件不同角度（报道/评论/分析）
追问：
- 假新闻怎么办？→ 可信度评分 + 来源权重
- 信息过载？→ 摘要生成 + 去重合并
10. 商品推荐
题目：电商首页"猜你喜欢"。
考察点：购买意图预测、实时特征、转化率优化
回答框架：
技术方案：
1. 行为序列建模：
- 浏览 → 加购 → 收藏 → 购买 的转化路径
- Session-based Recommendation（GRU4Rec）
2. 实时特征：
- 当前 session 行为（刚看了什么）
- 短期兴趣（最近 1 小时）vs 长期兴趣（最近 30 天）
3. 多目标优化：
- CTR（点击率）：用户会不会点
- CVR（转化率）：点了会不会买
- GMV 预估：买了值多少钱
特色策略：
- 关联推荐：买了手机 → 推荐手机壳/充电器
- 复购提醒：日用品快用完时提醒
- 价格敏感：降价商品优先推荐
追问：
- 用户只看不买？→ 降低 CVR 权重，提高 CTR 权重
- 推荐结果太贵？→ 加入价格带过滤
11. 酒店推荐
题目：旅行平台推荐酒店。
考察点：多模态融合、地理位置、价格敏感度
回答框架：
技术方案：
1. 多模态特征：
- 图片：CNN 提取酒店视觉特征
- 评价：NLP 情感分析（好评率、关键词提取）
- 位置：到景点/地铁的距离
- 设施：WiFi、早餐、停车场
2. 用户建模：
- 旅行类型：商务/度假/亲子（影响偏好）
- 价格敏感度：历史订单均价
3. 排序策略：
score = 匹配度 × 0.3 + 评分 × 0.3 + 价格适配 × 0.2 + 新鲜度 × 0.2
追问：
- 旺季房源紧张？→ 预订热度作为动态权重
- 差评酒店？→ 差评关键词识别 → 降权/过滤
三、搜索/问答类
这类题的核心：意图理解 + 检索/生成 + 结果验证
12. 校园导航
题目：用户输入"从图书馆到教学楼怎么走"，返回路线。
考察点：图搜索、多模态输入、个性化
回答框架：
技术方案：
1. 图建模：
- 节点：建筑物/路口
- 边：路径（权重 = 距离 + 时间 + 坡度）
- 特殊边：电梯、天桥、地下通道
2. 路径规划：
- A* 算法（启发式搜索）
- 多目标：最短路径 / 最省力 / 室内优先
3. 意图理解：
- 自然语言 → 结构化查询（起点/终点/偏好）
- LLM 解析："从图书馆南门出来，往东走最近的教学楼"
多模态输入：
- 语音："我现在的位置去食堂"
- 图片：拍照当前建筑 → 视觉定位 → 找起点
- 文字："三教在哪？我从宿舍过去"
追问：
- 施工封路？→ 动态更新图权重
- 室内导航？→ WiFi/蓝牙信标定位 + 室内地图
13. 智能客服问答
题目：设计一个电商/银行智能客服系统。
考察点：意图识别、RAG、拒识机制、人工接管
回答框架：
核心架构：
1. 意图识别层：
- 分类模型：退款/查账/投诉/咨询/其他
- 置信度：低于阈值 → 转人工
2. 知识检索层（RAG）：
- 知识库：FAQ + 政策文档 + 工单历史
- 检索：BM25 + 向量混合
- 生成：基于检索结果生成回答
3. 拒识机制：
- 不在知识范围内 → "我目前无法回答这个问题"
- 敏感问题（法律/金融）→ 转人工
- 情绪识别：用户愤怒 → 优先转人工
4. 人工接管：
- HITL：高风险操作（退款、改密码）必须人工确认
- 无缝切换：Agent 对话历史完整传递给人工
评估指标：
- 自助解决率（目标 > 70%）
- 转人工率
- 用户满意度
- 平均处理时长
追问：
- 知识库更新滞后？→ 工单反馈闭环，自动发现知识缺口
- 多轮对话？→ 对话状态管理（Dialog State Tracking）
14. 知识库问答
题目：企业内部知识库的问答系统。
考察点：向量检索、多跳推理、引用溯源
回答框架：
技术方案：
1. 知识处理：
- 文档切分：按语义边界（段落/章节），非固定长度
- 向量化：embedding 模型 + 元数据（来源/时间/权限）
- 索引：混合检索（BM25 + 向量 + 元数据过滤）
2. 检索增强：
- 多路召回：关键词 + 语义 + 热门文档
- CrossEncoder 重排序：精确相关性打分
- 多跳推理：如果单文档不够，自动扩展检索
3. 回答生成：
- 基于检索结果生成，附带引用链接
- 置信度评估：检索结果质量低 → 表示不确定
- 引用溯源：每个答案标注来源文档和段落
4. 权限控制：
- 检索时过滤无权限文档
- 不同角色看到不同答案
追问：
- 文档过时？→ 时间衰减 + 版本管理
- 冲突信息？→ 来源权重 + 最新优先
15. 代码补全
题目：设计类似 GitHub Copilot 的代码补全系统。
考察点：上下文窗口、AST 感知、实时性
回答框架：
技术方案：
1. 上下文构建：
- 当前文件：光标前后 N 行
- 导入依赖：import 的模块/类
- 项目结构：相关文件（同模块的其他文件）
- AST 信息：当前在函数体内 / 类定义内 / 循环内
2. 模型推理：
- 流式生成：首 token 延迟 < 300ms
- 多候选：生成 3-5 个补全建议
- 置信度过滤：低于阈值不展示
3. 优化策略：
- 缓存：相同上下文缓存补全结果
- 渐进式：短补全（一行内）vs 长补全（完整函数）
- 语法约束：只生成合法语法（AST 验证）
4. 评估：
- 采纳率：补全被接受的百分比
- 延迟：P50 / P99 首 token 时间
追问：
- 大文件上下文太长？→ 选择性上下文（只取相关片段）
- 多语言支持？→ 统一模型 + 语言特定后处理
四、规划/调度类
这类题的核心：约束建模 + 优化算法 + 实时性
16. 排课系统
题目：给一所大学排课表，1000 门课、200 个教室、50 位老师。
考察点：约束满足问题（CSP）、冲突消解、多目标优化
回答框架：
约束类型：
- 硬约束（必须满足）：
- 老师不能同时上两门课
- 教室不能同时上两门课
- 教室容量 ≥ 学生人数
- 课程时间段内教室可用
- 软约束（尽量满足）：
- 老师偏好时间段
- 同一门课间隔均匀
- 学生课表不冲突
技术方案：
1. 约束建模：
- CSP 形式化：变量（课程-时间-教室）、域、约束
- SAT Solver / OR-Tools 求解
2. 贪心 + 回溯：
- 先排约束最多的课（实验室课、大班课）
- 冲突时回溯重排
3. 冲突消解：
- 学生选课冲突检测 → 调整课程时间
- 优先级：必修课 > 选修课 > 公选课
4. 实时调整：
- 老师请假 → 自动找替代时间/老师
- 教室维修 → 重新分配
追问：
- 求解时间太长？→ 启发式 + 局部搜索（禁忌搜索、模拟退火）
- 学生投诉课表冲突？→ 自动检测 + 调整建议
17. 外卖骑手调度
题目：实时调度外卖骑手，1000 个订单、200 个骑手。
考察点：路径规划、实时动态调度、多目标优化
回答框架：
技术方案：
1. 路径规划：
- TSP 变种：骑手取多个订单送到多个地点
- VRP（车辆路径问题）：带时间窗口的 VRP
- 实时路况：地图 API + 历史数据预估时间
2. 动态调度：
- 新订单到达 → 实时匹配最近空闲骑手
- 骑手状态：空闲/取餐中/配送中
- 超时预警：预计超时 → 重新分配
3. 优化目标：
- 最小化总配送时间
- 最小化超时率
- 骑手负载均衡
4. 批量合并：
- 同一商家多个订单 → 同一骑手取
- 同一方向多个配送 → 顺路合并
追问：
- 骑手迟到/失联？→ 超时自动重分配 + 备用骑手
- 恶劣天气？→ 扩大预估时间 + 动态加价
18. 航班排班
题目：航空公司航班排班系统。
考察点：大规模约束优化、贪心/启发式、机组管理
回答框架：
约束：
- 飞机：维护周期、机型匹配航线
- 机组：飞行时长限制（法规）、休息时间
- 机场：起降时段（Slot）、地面保障
技术方案：
1. 分解问题：
- 飞机排班：分配飞机到航线
- 机组排班：分配机组到航班
- 分别求解，再协调
2. 优化算法：
- 列生成（Column Generation）
- 整数规划（IP）
- 启发式初始解 + 局部优化
3. 异常处理：
- 天气延误 → 全局重排
- 飞机故障 → 替换 + 连锁调整
追问：
- 连锁延误？→ 缓冲时间设计 + 优先级策略
- 国际航班机组？→ 签证/资质约束建模
19. 会议安排
题目：大型会议（如技术大会）的议程排期。
考察点：时间冲突、资源冲突、优先级
回答框架：
约束：
- 硬约束：
- 演讲者不能同时出现在两个会场
- 会场容量 ≥ 预计参会人数
- 时间段可用（布展/撤展时间）
- 软约束：
- 相关主题相邻
- 热门话题大会议室
- 午餐前后轻松话题
技术方案：
1. 主题聚类：相关演讲分到同一 Track
2. 演讲者冲突检测：一人多演讲 → 必须错开
3. 会场分配：按预估人数排序，大需求优先
4. 时间优化：热门话题黄金时段
追问：
- 临时换演讲者？→ 自动检测新冲突 + 调整建议
- 爆满？→ 实时人流监控 + 直播分流
五、Agent/多智能体类
这类题的核心：模式选择 + 工具设计 + 状态管理
20. 智能客服系统（Agent 版）
题目：用 Agent 架构设计一个智能客服系统。
考察点：Router + ReAct + HITL、工具设计、状态管理
回答框架：
架构设计（多模式叠加）：
1. Router（分类路由）：
用户输入 → 分类器 → 专业 Agent
- 技术问题 → 技术 Agent
- 账单问题 → 账单 Agent
- 退款请求 → 退款 Agent（+ HITL）
- 投诉 → 投诉 Agent（+ HITL）
2. ReAct（技术 Agent 内部）：
查询工单 → 查询用户信息 → 查询产品知识 → 综合回答
3. HITL（高风险场景）：
退款金额 > 500 → 人工审核
法律相关 → 必须人工
工具设计：
- search_knowledge(query) → 知识库搜索
- get_user_info(user_id) → 用户信息
- get_order_status(order_id) → 订单状态
- create_ticket(content, priority) → 创建工单
状态管理：
- 对话历史（工作记忆）
- 用户画像（长期记忆）
- 工单状态（持久化）
追问：
- Router 分类错误？→ 再分类机制 + 置信度路由
- Agent 跑偏？→ 最大步数限制 + 人工干预
21. 旅行规划 Agent
题目：设计一个旅行规划 Agent，用户说"我想去日本玩 7 天"，自动生成行程。
考察点：多步规划、工具调用、外部 API
回答框架：
Plan-and-Execute 架构：
1. Planner（计划制定）：
输入："日本 7 天"
计划：
- Day 1-2: 东京（浅草寺、涩谷、秋叶原）
- Day 3-4: 京都（清水寺、岚山、伏见稻荷）
- Day 5: 大阪（道顿堀、环球影城）
- Day 6-7: 奈良 + 返程
2. Executor（逐步执行）：
- 每个景点：调用 API 获取开放时间、门票价格、交通方式
- 酒店：根据预算和位置推荐
- 交通：计算景点间交通时间和费用
3. Synthesizer（汇总）：
- 整合为完整的行程单
- 包含时间线、预算、交通、注意事项
工具：
- search_attractions(city, interests) → 景点列表
- get_hotel(city, budget, dates) → 酒店推荐
- calc_transport(from, to) → 交通方案
- get_weather(city, dates) → 天气预报
- calc_budget(hotel, transport, food) → 预算估算
追问：
- 用户临时改主意？→ 局部重新规划，保留未改动部分
- 景点临时关闭？→ 动态替换推荐
22. 数据分析 Agent
题目：设计一个数据分析 Agent，用户上传 CSV，自动分析并生成报告。
考察点：代码生成、沙箱执行、可视化
回答框架：
架构：CodeAgent 模式
1. 数据理解：
- 读取 CSV schema（列名、类型、缺失值）
- 生成数据摘要（行数、列数、统计量）
2. 分析执行（代码生成 + 沙箱）：
- 生成 pandas 代码
- 沙箱执行（限制网络/文件系统访问）
- 捕获执行结果和错误
3. 可视化：
- 根据数据类型自动选择图表
- 数值分布 → 直方图
- 时间序列 → 折线图
- 相关性 → 热力图
4. 报告生成：
- 用 LLM 基于分析结果生成文字报告
- 嵌入图表
安全考量：
- 沙箱隔离（Docker / RestrictedPython）
- 超时限制
- 内存限制
- 禁止系统调用
追问：
- 代码执行失败？→ 错误反馈 → Agent 自动修正
- 大数据集？→ 采样分析 + 分块处理
23. 多智能体辩论系统
题目：设计一个多智能体辩论系统，两个 Agent 就某个话题辩论。
考察点：角色设计、对话循环、终止条件
回答框架：
架构（AutoGen 风格）：
Agent 1（正方）：
- 系统提示："你是正方，支持 XXX。请用事实和逻辑论证。"
- 目标：提出有力论点，反驳对方观点
Agent 2（反方）：
- 系统提示："你是反方，反对 XXX。请用事实和逻辑论证。"
- 目标：提出有力论点，反驳对方观点
Moderator（裁判）：
- 系统提示："你是辩论裁判，评估双方论点质量。"
- 职责：判断论点是否有事实支撑、逻辑是否严密
对话循环：
1. 正方发言 → 2. 反方反驳 → 3. 正方回应 → ...
4. 每 3 轮后 Moderator 评估 → 5. 10 轮后结束
终止条件：
- 最大轮次（10 轮）
- Moderator 判定一方明显胜出
- 一方主动认输
评估：
- 论点质量：事实支撑度、逻辑严密性
- 反驳质量：是否有效回应对方论点
- 最终判决：Moderator 给出评判
追问：
- 陷入循环重复？→ 检测重复论点 → 要求新论点
- 一方过于强势？→ Moderator 平衡发言机会
六、通用追问套路
面试官在给出方案后，通常会追问：
性能/扩展性
| 追问 | 考察点 |
|---|---|
| "如果有 1000 万用户同时在线呢？" | 架构扩展性、分片、缓存策略 |
| "QPS 翻 10 倍，系统怎么扛？" | 水平扩展、异步化、降级策略 |
| "数据量到 PB 级怎么办？" | 存储分层、冷热分离、压缩 |
质量/体验
| 追问 | 考察点 |
|---|---|
| "推荐结果太重复了怎么办？" | 多样性/去重、MMR 算法 |
| "新用户没有历史数据怎么办？" | 冷启动、内容特征、引导策略 |
| "推荐错了怎么办？" | 评估机制、反馈闭环、A/B 测试 |
| "用户抱怨体验差，怎么排查？" | 指标体系、Trace、日志 |
工程实践
| 追问 | 考察点 |
|---|---|
| "怎么证明你的方案比别人好？" | A/B 测试、基准测试、指标定义 |
| "线上出了 bug 怎么定位？" | 可观测性、Trace ID、日志 |
| "系统挂了怎么恢复？" | 容灾、降级、快速回滚 |
| "这个系统一个人能维护吗？" | 文档、自动化、架构简洁性 |
答题技巧总结
匹配/过滤类答题模板
1. 明确约束条件（硬约束 vs 软约束）
2. 基础方案（SQL/规则引擎）
3. 性能优化（缓存/预计算/索引）
4. 冲突检测与消解
5. 扩展方案（分片/分布式）
推荐/排序类答题模板
1. 召回层（多路召回，每路保证一定覆盖）
2. 排序层（特征工程 + 模型选择）
3. 重排层（多样性/去重/业务规则）
4. 冷启动策略
5. 评估与反馈闭环
搜索/问答类答题模板
1. 意图理解（分类/NER/槽位填充）
2. 检索策略（关键词/向量/混合）
3. 结果验证（置信度/引用溯源）
4. 拒识机制（不在范围内怎么办）
5. 人工接管（HITL）
规划/调度类答题模板
1. 约束建模（硬约束 vs 软约束）
2. 求解算法（精确求解 vs 启发式）
3. 实时调整（动态调度）
4. 异常处理（超时/失败/冲突）
5. 评估指标（满意度/效率/公平性）
Agent/多智能体类答题模板
1. 模式选择（ReAct / Router / Plan-and-Execute / HITL）
2. 工具设计（命名/Schema/错误处理）
3. 状态管理（工作记忆/长期记忆/持久化）
4. 安全控制（最大步数/沙箱/人工介入）
5. 可观测性（Trace/日志/评估）
高频题目速查表
| 题目 | 类型 | 核心技术 | 难度 |
|---|---|---|---|
| 空教室查询 | 匹配 | 时间冲突检测、位图优化 | ★★ |
| 会议室预订 | 匹配 | 并发控制、分布式锁 | ★★ |
| 拼车匹配 | 匹配 | 空间索引、多约束排序 | ★★★ |
| 简历筛选 | 匹配 | LLM 解析、语义匹配 | ★★★ |
| 餐厅推荐 | 推荐 | 召回-排序-重排、多模态 | ★★★ |
| 短视频推荐 | 推荐 | 三阶段架构、实时反馈 | ★★★★ |
| 新闻推荐 | 推荐 | 时效性、多兴趣建模 | ★★★ |
| 商品推荐 | 推荐 | 行为序列、多目标优化 | ★★★★ |
| 校园导航 | 搜索 | A* 图搜索、多模态输入 | ★★ |
| 智能客服 | 搜索 | RAG、意图识别、HITL | ★★★★ |
| 代码补全 | 搜索 | 上下文构建、AST 感知 | ★★★ |
| 排课系统 | 规划 | CSP、约束求解 | ★★★★ |
| 外卖调度 | 规划 | VRP、实时动态调度 | ★★★★ |
| 旅行规划 Agent | Agent | Plan-and-Execute、工具调用 | ★★★ |
| 数据分析 Agent | Agent | 代码生成、沙箱执行 | ★★★★ |
| 多智能体辩论 | Agent | 对话循环、角色设计 | ★★★ |