E09 AI 工程化 / AI Native 前端 — 面试题
目标：模拟真实面试场景，考察候选人对 AI 工程化的理解深度、实战经验和产品设计能力。按难度分为基础、进阶、高级三个层级。
一、基础题
1. 什么是 Prompt Engineering？有哪些常用的 Prompt 模式？基础
2. RAG 是什么？它的核心流程是怎样的？基础
3. 前端如何优雅地展示 LLM 的流式输出？基础
4. Function Calling 是什么？前端在其中扮演什么角色？基础
5. 生产环境中，前端为什么不建议直接调用大模型 API？基础
二、进阶题
6. 如何评估一个 AI 功能的效果？进阶
7. 设计一个 AI 客服系统的前端架构。进阶
8. AI Native 应用与传统 GUI 应用有什么不同？前端工程师需要哪些新能力？进阶
三、高级题
9. 如何设计一个支持多模型切换的 AI 应用层？深入
10. 如何降低 LLM 应用中的幻觉问题？深入
11. 大模型应用的性能优化有哪些手段？深入
12. 如何保障 AI 应用的内容安全与合规？深入
13. 设计一个支持 Agent 工作流的前端交互框架。深入
14. 什么是 MCP？它与 Function Calling 有什么区别？深入
难度：🟡
考察点：MCP 协议、Function Calling、AI 应用架构。
15. 如何保证 LLM 返回的结果可以被前端稳定渲染？深入
难度：🟡
考察点：结构化输出、Schema 校验、降级策略。
16. 如何评估一个 RAG 系统的效果？深入
难度：🟡
考察点：RAG 评估、LLM 效果度量、Badcase 分析。
17. 什么是 Vibe Coding？前端工程师应如何适应？深入
难度：🟢
考察点：AI Coding Agent、开发工作流、角色转变。
18. 设计一个 LLM 可观测性方案，前端需要关注哪些指标？深入
难度：🟡
考察点：LLM 可观测性、前端监控、成本与质量。
19. 如何在前端实现多模态输入（如图片、语音）的 AI 应用？深入
难度：🟡
考察点：多模态、Edge AI、隐私与成本。
20. 如何防止 AI 应用中的 Prompt 注入和数据泄露？深入
难度：🔴
考察点：AI 安全、Prompt 注入、数据隐私。
面试准备建议
- 理解 LLM 基本原理：Token、Embedding、Transformer、上下文窗口、temperature。
- 熟练掌握 Prompt Engineering 技巧，能手写角色设定 + Few-shot + 结构化输出。
- 有 RAG 项目经验：能描述文档切分、向量检索、重排序、结果拼接流程。
- 准备流式聊天组件实现：SSE、Markdown 渲染、中断、错误处理。
- 关注 MCP 与结构化输出：这是 2025 年 AI Native 前端的关键方向。
- 关注 AI 安全：提示注入、幻觉、数据隐私、内容审核。
领域编号：E09 AI 工程化 / AI Native 前端
最后更新：2026-06-24