汇川技术转正实习二面面经

汇川技术转正实习二面

面试时间

2026_0920-14:30

面试内容

1. 自我介绍，挑选一个拿得出手的项目，介绍项目背景、自己做的工作、难点以及如何攻克
2. Data Agent 开源项目的背景；举例提到的商家后台是淘宝吗？
3. Data Agent 项目使用什么语言开发？是否为 Web 开发？
4. 是否具备后端开发能力？
5. 做 Data Agent 这个开源项目的背景是什么？项目产生了什么价值？
6. 不同企业业务、数据库不一样，企业该如何对接使用该 Data Agent 项目？
7. 模拟电商公司场景：用户语义化提问，Data Agent 如何拿到数据，输出图表或文本结果？
8. Data Agent 语义层如何理解？怎么把自然语言映射到数据库表、字段？
9. 传统 CRUD 开发和 AI Agent 开发的区别是什么？
10. 平时开发是否都使用 Vibe Coding？
11. 你个人的 AI 开发 Workflow 是什么？
12. AI Web Coding 会出现代码质量差、AI 乱写代码，有没有遇到这类场景？
13. AI 参与编码，人工 Code Review 重点核查哪些内容？
14. 拿到需求之后如何做需求拆解？
15. PRD 是产品提供还是自己写？个人项目如何把业务场景拆解出 PRD？
16. 是否做过后端相关项目？
17. 个人职业规划是什么？目前大几？
18. 为什么不走统招应届生招聘，选择实习转正路线？
19. 认为自己目前欠缺哪些能力？
20. 对工作地域是否有要求？
21. 反问

---

面试复盘总结

1. 二面重点

二面进一步确认了 Data Agent 是否具备真实业务价值，以及候选人能否把前端经验扩展到完整的 AI 应用链路。面试重点集中在：

• Data Agent 的项目背景和开源价值。
• 不同企业数据库和业务差异下的接入方式。
• 语义层如何把自然语言映射到表、字段和指标。
• AI Coding 如何被纳入可控的研发 Workflow。
• 前端工程师向全栈和后端方向发展的计划。

2. Data Agent 的企业接入方式

不同企业的数据库、表结构和业务口径都不一样，Data Agent 不应该把某个公司的表名写死，而应该通过适配层和配置化语义层接入：

企业数据源 -> 数据库适配器 -> Schema 元数据 -> 业务语义层 -> Agent 工具 -> 查询与展示

接入新企业时，需要配置数据库连接、表和字段元数据、指标定义、业务别名、权限规则和示例问题。数据库差异可以由适配器处理，业务差异则由语义层和企业配置处理。这样 Data Agent 的核心推理、工具编排和结果展示可以复用，不需要为每家公司重写一套逻辑。

3. 从自然语言到图表结果

模拟电商场景时，可以把一次请求拆成几个阶段：

1. 识别用户意图，例如查询销售额、订单量或转化率。
2. 从语义层找到对应的指标、维度、时间范围和过滤条件。
3. 根据数据库方言生成 SQL，并进行权限、语法和风险校验。
4. 执行查询并对结果做类型、空值和异常处理。
5. 根据数据结构选择表格、折线图、柱状图或文本摘要。
6. 返回可解释的查询条件、结果和必要的口径说明。

语义层的价值在于建立业务概念和数据库结构之间的稳定映射。例如“GMV”可能对应多个字段的计算，而不是简单匹配一个叫 gmv 的列。模型负责理解意图，语义层负责提供确定的业务定义，数据库负责查询，前端负责交互和可视化。

4. CRUD 与 AI Agent 开发的差异

传统 CRUD 通常是确定性流程：输入结构明确，后端执行固定逻辑，结果也相对可预测。AI Agent 则需要处理开放式输入，并根据上下文选择工具和执行路径。

对比方向	传统 CRUD	AI Agent
输入	表单、参数、固定接口	自然语言或多模态输入
流程	预先编排	根据任务动态规划
结果	确定性响应	需要校验和解释
质量保障	单测、接口测试	还需要评测集、工具约束和人工兜底
主要风险	参数错误、权限问题	幻觉、错误规划、工具误用和成本失控

因此 AI Agent 开发不是把 CRUD 接口外面包一层 Prompt，而是要增加上下文管理、工具协议、状态管理、权限控制、失败重试和结果评测。

5. AI Coding Workflow

个人使用 AI 开发时，可以采用这样的流程：

明确目标 -> 拆解需求 -> 补充上下文 -> 让 AI 生成方案 -> 分步实现 -> 自动检查 -> 人工 Review -> 沉淀规则

拿到需求后，先明确用户目标、输入输出、边界条件和验收标准，再拆成页面、数据流、接口、状态和测试任务。AI 生成代码后重点检查：

• 是否真的满足需求，而不是只满足类型检查。
• 状态流转、异常分支、请求取消和并发场景是否正确。
• 权限、用户输入、文件上传和数据展示是否存在安全风险。
• 是否破坏现有组件约定、接口契约和响应式性能。
• 是否补充了测试、类型检查、构建和页面验证。

Vibe Coding 可以提高探索和实现速度，但不能替代需求拆解、设计判断和 Code Review。尤其是 AI Web Coding，必须把生成代码当作初稿，通过自动化检查和人工审核形成闭环。

6. PRD 如何从业务场景拆出来

个人项目没有产品经理时，可以先从用户和业务目标出发，把场景拆成：

用户是谁 -> 遇到什么问题 -> 希望完成什么任务 -> 需要哪些数据 -> 什么结果算成功

然后补充用户流程、页面状态、接口契约、异常情况和验收标准。这样形成的 PRD 不需要写得很长，但要足够明确，能够让自己和 AI 对“做什么、不做什么、如何验收”达成一致。

7. 个人能力补强方向

这两轮面试反复围绕 Data Agent 展开，说明项目本身是很好的技术主线；同时也暴露出需要继续扩展的方向：

• 补充 Node 服务端、Java/Go 基础和常见 Web 后端架构。
• 系统学习 SQL、数据库索引、事务、权限和数据建模。
• 深入 Agent 状态管理、工具调用、上下文治理和评测体系。
• 继续实践从需求、PRD、接口、服务端到前端展示的完整项目。