AI知识复习要点
基础概念
- Prompt: 给AI的指令，越具体越好
- RAG: AI先查资料再回答，避免瞎编
- Skill: AI的某种专项能力 / 你使用AI的能力
- MCP: AI与外部世界通信的协议标准
一、当前AI能力边界
核心观点（一句话）
"大模型是概率生成引擎，不是知识库。强项：理解、生成、推理；弱项：精确事实、实时信息、数学计算。"
Q: 怎么看AI编程工具？
答： "我用Cursor日常开发，但保持审查者心态。AI适合：样板代码、单元测试、正则表达式；需要人把控：架构设计、边界条件、安全敏感逻辑。"
二、RAG相关内容
1. RAG流程图（必考！）
用户提问 → 查询改写 → 向量检索(top-k) → 重排序 →
Prompt组装(指令+上下文+历史+问题) → DeepSeek生成 →
流式输出 → EdgeOne边缘加速2. RAG实现方式
Q2: 讲讲RAG怎么做的？
答：
文档处理
- 停车规则/活动文档切分
- Embedding向量化存储
检索增强
- 用户问题向量化
- 语义相似度检索top-5
- 重排序
Prompt工程
- 系统指令+检索上下文+用户问题组装
工程优化
- EdgeOne边缘部署
- Http Stream流式输出
- TTFT降到秒级
效果
- 解决大模型知识滞后
- 客服咨询量降30%
三、AI建站系统
Q3: AI建站系统怎么设计？
答：
用户输入(自然语言/草图) → AI解析意图 → 生成布局Schema(JSON) →
组件库渲染 → 可视化微调 → 发布四、检索优化策略
问题："怎么解决检索结果不准确的问题？"
考察点：问题排查和优化能力
回答思路（分层次回答）：
第一层：调整检索策略
- 增加检索数量（从Top-3调到Top-5），给Rerank更多候选
- 引入混合检索：向量搜索+关键词搜索互补
第二层：引入Rerank（重排序）
- 这是目前公认的效果提升最明显的技术
- 虽然增加了一点延迟，但对准确率提升很大
第三层：优化数据质量
- 清理文档中的噪音（页眉页脚、无关内容）
- 对复杂文档可能需要人工标注高质量的问题-段落对
五、Vue3核心原理
Q4: Vue3核心原理？
答：
Proxy劫持对象 → effect依赖收集 → 触发更新时遍历deps执行 → 异步队列批量更新编译时优化：
- 静态提升
- PatchFlag标记动态节点
六、OpenClaw 相关内容
为什么 OpenClaw 会火
OpenClaw 做对了一件事：把 AI 从「对话框」里解放了出来。
之前的 AI 工具，不管多强大，本质上都是一个网页里的输入框。你打字，它回答。它不能主动做事，不能连接你的工具，不能记住你是谁。
OpenClaw 不一样 - 它是一个完整的 AI Agent 运行平台：
多渠道通信
- 通过 Telegram、WhatsApp、Discord、短信……
- 你用什么聊天工具，它就在那里
工具调用
- 执行命令行
- 读写文件
- 上网搜索
- 操作浏览器
- 调用 API
技能系统（Skills）
- 像手机装 App 一样，给助手安装新技能
- Gmail 技能、日历技能、SEO 技能……
记忆系统
- 短期记忆（当天对话）
- 长期记忆（MEMORY.md）
- 身份记忆（SOUL.md）
心跳机制
- 不是你找它，是它定期醒来
- 检查有没有需要处理的事
完全本地部署
- 所有数据都在你的机器上
- 不经过任何第三方
核心洞察
OpenClaw 的成功不是因为 AI 更「聪明」——它底层用的是 Claude、GPT 这些现有模型。而是因为它给了这些聪明的大脑：
- 一双手（工具调用）
- 一双眼睛（浏览器/搜索）
- 一颗持续运转的心脏（心跳机制）
如果说大语言模型是大脑，那 OpenClaw 就是给大脑配了一具完整的身体。以前 AI 就像一个被困在玻璃罩里的天才——你可以和他聊天，但他摸不到任何东西。OpenClaw 打碎了那个玻璃罩。
七、面试问题准备
你要问面试官的问题（准备2个）：
"AI建站系统目前是用什么模型？RAG还是Fine-tuning为主？"
- 展示专业度
"团队现在有多少人？我如果加入会负责哪个核心模块？"
- 展示入职意愿