AI 应用开发面试和传统后端面试不太一样。

传统后端面试更多围绕 Java、JVM、并发、MySQL、Redis、消息队列、分布式和系统设计展开。AI 应用开发面试除了这些基础，还会继续追问：

• 大模型 Token 是怎么计算的？上下文窗口越大越好吗？
• Function Calling 和 MCP 有什么区别？工具调用怎么做权限控制？
• RAG 召回率低怎么排查？Chunk 怎么切？Rerank 解决什么问题？
• Agent 的 Memory 怎么设计？长任务上下文溢出怎么办？
• 如何设计一个生产级 AI 应用？模型网关、评测、可观测怎么做？

很多同学准备大模型面试时，第一反应是去背 Transformer、Attention、RLHF 这些词。不是说这些不重要，但对大部分后端转 AI 应用开发、AI 工程应用岗位来说，面试官更关心的是另一件事：

你是不是真的理解大模型调用链路里的工程约束。

比如 Token 为什么会影响成本和延迟？上下文窗口为什么不是越大越好？Temperature 为什么会影响结构化输出稳定性？Function Calling 为什么不能让模型直接执行真实业务操作？这些问题看起来基础，答不好就会暴露一个信号：你可能只是调过 API，还没有把大模型当作生产系统里的一个不稳定外部依赖来治理。