Java Agent 后端开发工程师 · 图文详解面试攻略 · 共48题核心知识：🏗️ 五层架构🤖 ReAct智能体📚 RAG知识库 🔧 Tool Calling🔌 MCP协议📡 SSE流式01 项目整体架构与设计思路（6题）Q1：请介绍一下这个项目的整体架构。中等项目基于SpringBoot3 + SpringAI构建的 ReAct 自主规划超级智能体系统，服务反诈场景下的智能问答和自动化任务执行。整体分为五层：接入层—— SSE 流式接口，SseEmitter + CompletableFuture 异步处理编排层—— ReAct 引擎，推理-行动循环 + Human-in-the-Loop能力层—— RAG 知识问答 + ToolCalling 工具调用 + MCP 服务模型层—— 5种大模型统一封装，策略模式实现灵活切换存储层—— MySQL + Redis + PgVector 三存储体系回答技巧：先给五层架构框架，再讲核心流程（用户请求→记忆加载→RAG检索→ReAct推理→工具执行→SSE输出），控制在90秒内。Q2：为什么选择 SpringAI 而不直接用 LangChain4j？困难我同时在两个项目中使用这两个框架，各有侧重：SpringAI（反诈项目主框架）—— 与 SpringBoot3 深度集成，ChatMemory + Advisor 链设计优雅，适合构建对话型智能体。LangChain4j（零代码平台主框架）—— LangGraph4j 对复杂工作流编排支持更好，适合多步骤流水线。选型核心逻辑：SpringAI 更 "Spring Native"，ChatClient.builder() 链式 API 做 Advisor 管道编排非常顺手；LangChain4j 功能覆盖面更广，二者可以互补使用，模型调用层统一抽象，不存在冲突。Q3：Java21 在项目中的使用与选型理由？中等选 Java21（LTS）原因：SpringBoot3 最低 Java17，Java21 提供虚拟线程、Record模式匹配、Switch增强、文本块、Sealed Classes。虚拟线程：SSE 接口大量并发连接时，虚拟线程轻量级支撑Record + 模式匹配：简化工具调用结果、智能体状态等 DTO 定义Switch 增强：模型路由选择、工具分发场景替代 if-else文本块：Prompt 模板、SQL 查询可读性大幅提升Q4：ReAct 模式在你项目中的具体实现流程？困难ReAct = Reasoning + Acting，LLM 交替进行推理和行动。流程：Thought（推理下一步）→ Action（调用工具）→ Observation（观察工具返回结果）→ Loop（继续推理直到目标达成）。每一步通过 SSE 实时推送。关键设计：参考 OpenManus 分层架构（规划层+执行层解耦），Human-in-the-Loop 关键决策暂停确认，最大步骤限制 20 步，连续 3 步相同工具+相同参数触发死循环检测。Q5：用户请求的完整数据流链路？中等以"搜索最新诈骗手法并生成报告"为例：用户 SSE 请求 → 从 MySQL+Redis 加载记忆 → PgVector 向量检索 RAG 知识库 → 组装 Prompt（系统提示词+RAG结果+历史记忆+用户输入）→ ReAct 推理 → 调用联网搜索工具 → 获取结果 → 继续推理 → 调用 PDF 生成工具 → SSE 实时输出每步 Thought/Action/Observation → 持久化本轮记忆。全程 SSE 流式透明输出。Q6：你在这个项目中的角色？简单独立完成从 0 到 1 的设计和开发，包括技术选型、架构设计、核心开发（多模型封装、RAG知识库、6种工具调用、MCP服务、SSE接口）、Docker部署。02 多模型管理与成本优化（4题）Q7：如何封装 5 种大模型统一调用接口？中等核心是策略模式 + 工厂模式。定义统一的 ChatModelStrategy 接口（chat/streamChat 方法），每种模型实现该接口。ChatModelFactory 根据场景（简单对话走 Ollama，复杂推理走通义千问）动态选择策略。SpringAI 本身提供了 ChatModel 抽象，我的封装在其之上加了业务层的路由策略。Q8：Ollama 本地部署如何降低 60% API 成本？中等场景分级
Java Agent 后端开发工程师 · 图文详解面试攻略 · 共48题核心知识：🏗️ 五层架构🤖 ReAct智能体📚 RAG知识库 🔧 Tool Calling🔌 MCP协议📡 SSE流式01 项目整体架构与设计思路（6题）Q1：请介绍一下这个项目的整体架构。中等项目基于SpringBoot3 + SpringAI构建的 ReAct 自主规划超级智能体系统，服务反诈场景下的智能问答和自动化任务执行。整体分为五层：接入层—— SSE 流式接口，SseEmitter + CompletableFuture 异步处理编排层—— ReAct 引擎，推理-行动循环 + Human-in-the-Loop能力层—— RAG 知识问答 + ToolCalling 工具调用 + MCP 服务模型层—— 5种大模型统一封装，策略模式实现灵活切换存储层—— MySQL + Redis + PgVector 三存储体系回答技巧：先给五层架构框架，再讲核心流程（用户请求→记忆加载→RAG检索→ReAct推理→工具执行→SSE输出），控制在90秒内。Q2：为什么选择 SpringAI 而不直接用 LangChain4j？困难我同时在两个项目中使用这两个框架，各有侧重：SpringAI（反诈项目主框架）—— 与 SpringBoot3 深度集成，ChatMemory + Advisor 链设计优雅，适合构建对话型智能体。LangChain4j（零代码平台主框架）—— LangGraph4j 对复杂工作流编排支持更好，适合多步骤流水线。选型核心逻辑：SpringAI 更 "Spring Native"，ChatClient.builder() 链式 API 做 Advisor 管道编排非常顺手；LangChain4j 功能覆盖面更广，二者可以互补使用，模型调用层统一抽象，不存在冲突。Q3：Java21 在项目中的使用与选型理由？中等选 Java21（LTS）原因：SpringBoot3 最低 Java17，Java21 提供虚拟线程、Record模式匹配、Switch增强、文本块、Sealed Classes。虚拟线程：SSE 接口大量并发连接时，虚拟线程轻量级支撑Record + 模式匹配：简化工具调用结果、智能体状态等 DTO 定义Switch 增强：模型路由选择、工具分发场景替代 if-else文本块：Prompt 模板、SQL 查询可读性大幅提升Q4：ReAct 模式在你项目中的具体实现流程？困难ReAct = Reasoning + Acting，LLM 交替进行推理和行动。流程：Thought（推理下一步）→ Action（调用工具）→ Observation（观察工具返回结果）→ Loop（继续推理直到目标达成）。每一步通过 SSE 实时推送。关键设计：参考 OpenManus 分层架构（规划层+执行层解耦），Human-in-the-Loop 关键决策暂停确认，最大步骤限制 20 步，连续 3 步相同工具+相同参数触发死循环检测。Q5：用户请求的完整数据流链路？中等以"搜索最新诈骗手法并生成报告"为例：用户 SSE 请求 → 从 MySQL+Redis 加载记忆 → PgVector 向量检索 RAG 知识库 → 组装 Prompt（系统提示词+RAG结果+历史记忆+用户输入）→ ReAct 推理 → 调用联网搜索工具 → 获取结果 → 继续推理 → 调用 PDF 生成工具 → SSE 实时输出每步 Thought/Action/Observation → 持久化本轮记忆。全程 SSE 流式透明输出。Q6：你在这个项目中的角色？简单独立完成从 0 到 1 的设计和开发，包括技术选型、架构设计、核心开发（多模型封装、RAG知识库、6种工具调用、MCP服务、SSE接口）、Docker部署。02 多模型管理与成本优化（4题）Q7：如何封装 5 种大模型统一调用接口？中等核心是策略模式 + 工厂模式。定义统一的 ChatModelStrategy 接口（chat/streamChat 方法），每种模型实现该接口。ChatModelFactory 根据场景（简单对话走 Ollama，复杂推理走通义千问）动态选择策略。SpringAI 本身提供了 ChatModel 抽象，我的封装在其之上加了业务层的路由策略。Q8：Ollama 本地部署如何降低 60% API 成本？中等场景分级
