⭐简历编写与项目经历深度包装指南

简历编写建议

对于社招来说，你可以将其包装到现有的真实项目中，具体的策略可以参考这篇文章：

面试官问“这个项目哪里来的”时，如何回答？

本项目专注 AI 方向，没有涉及到用户认证管理和登录，但你在简历上描述的时候可以补上。下面是一些认证授权相关的工作内容描述：

• 整合 Spring Security + JWT 实现无状态认证，设计双 Token（Access/Refresh）续期机制，权限模型采用 RBAC。
• 基于Sa-Token + Redis 实现了 Token 认证方案，支持 Token自动续签和踢人下线，采用 Bcrypt 算法加密保存密码，权限模型使用 RBAC。
• 采用 Spring Session + Redis 实现集群会话共享，通过 Cookie 和 Header 双通道传递 SessionId，支持记住我功能和并发会话控制（限制单账号 3个终端）。
• 基于 Spring Cloud Gateway + JWT 构建微服务统一认证网关，通过 GlobalFilter 拦截验证，成功后向下游传递用户上下文，实现透明化认证。

相关的面试准备可以参考这篇文章：

面试常见问题补充

后端简历写法

需要注意的是，我这里部分工作内容描述的比较详细，你在描述简历的时候可以适当简化一下。

后端方向版本一（架构与分布式能力侧重）

项目描述:

基于大语言模型的简历分析与模拟面试系统，为求职者提供简历评估建议、个性化面试问题生成和 AI 对话练习服务，支持 10+ 面试方向的 Skill 驱动出题、文字/语音双模式面试、统一评估报告、知识库 RAG 问答与 PDF 报告导出等功能。

技术栈:

Java 21 + Spring Boot 4.0 + Spring AI 2.0 + PostgreSQL + pgvector + Redis + Redisson 4.0 + Apache Tika + iText 8 + Docker + Gradle 8.14

工作职责:

• 面试场景中 SSE 长连接与大模型调用均为 I/O 密集型操作，引入 Java 21 虚拟线程替代平台线程，无需调优线程池即可支撑千级并发。
• 简历分析、知识库向量化等 LLM 推理任务单次耗时较长，设计 Redis Stream 异步消费架构将耗时任务从请求链路解耦，核心接口响应时间从 15s 降至 200ms。
• 大模型返回 JSON 格式不稳定导致下游解析频繁失败，封装 StructuredOutputInvoker 统一处理结构化输出的解析与修复型重试，失败时将错误原因注入 prompt 引导模型自修复。
• 面试评估需处理 20+ 题答案超出模型上下文限制，设计分批评估流水线（8 题/批）+ 总结归并，引入多级降级确保部分批次失败时仍可输出完整报告。
• 基于 pgvector 构建 RAG 知识库系统，采用文档分块 + 1024 维向量化 + HNSW 索引，支持知识库文档的语义检索与多轮问答。
• 针对 RAG 幻觉与模糊查询问题，通过 Query Rewrite 改写用户意图，动态 Top-K 矩阵（短/中/长 Query 差异化配置）+ 短查询阈值提升至 0.25，有效拦截无关回答。
• 为解耦底层存储实现并支持后续云迁移，构建基于 S3 协议的统一存储抽象层，兼容 RustFS 对象存储，切换后端只需修改配置，无需改动业务代码。
• 封装 Redis + Lua 分布式限流组件，支持 GLOBAL/IP/USER 多维度滑动窗口限流，对模拟面试、简历分析等核心接口限流，通过 Hash Tag 兼容 Redis Cluster 部署。
• 使用 Apache Tika 实现多格式简历解析（PDF/DOCX/TXT），针对 PDF 禁用图片提取、DOCX 禁用嵌入资源加载，结合正则清洗控制字符与噪声，提升下游 AI 分析的输入质量。
• 为支持 Java、前端、测试等 10+ 面试方向的个性化出题，设计 Skill 驱动出题机制与三阶段分配算法（保底 → 全分类覆盖 → 轮转），新增方向只需添加配置文件，零代码改动。
• 构建文字面试与语音面试共用的统一评估架构，复用两阶段评估管线（分批评分 + 总结归并），引入参考材料基准评分与多级降级策略，避免重复建设。
• 用户简历与答案直接拼入 LLM prompt 存在注入劫持风险，设计三层纵深防御：正则净化 4 种注入模式 → 系统提示词追加 UUID 动态分隔符 → 输出层顺从短语检测，零业务代码侵入。
• 实现基于 WebSocket 的语音面试实时链路（录音 → ASR → LLM → TTS → 播放），通过流式输出 + 分段 TTS 降低端到端等待延迟，支持暂停/恢复与回声防护。
• 基于 iText 8 实现面试报告 PDF 导出，内嵌中文字体保证跨平台渲染一致性，支持分数配色与多维度排版。
• 编写 Docker Compose 编排全套服务一键部署，通过环境变量隔离敏感配置，降低本地搭建与交付成本。

后端方向版本二（AI 应用与流式输出侧重）

项目描述:

集成大语言模型能力的智能面试辅助平台，提供简历 AI 分析、多方向模拟面试问答、知识库 RAG 检索三大核心功能，支持 Skill 驱动出题、文字/语音双模式面试、Advisor 链配置化与流式对话。

技术栈:

Java 21 + Spring Boot 4.0 + Spring AI 2.0 + PostgreSQL + pgvector + Redis + Reactor + Apache Tika + 阿里 DashScope + MapStruct

工作职责:

• 大模型返回 JSON 格式不稳定导致下游解析频繁失败，封装 StructuredOutputInvoker 统一处理结构化输出的解析与修复型重试，接入 Micrometer 指标按业务链路跟踪重试成功率与延迟。
• 四种业务场景对 LLM 调用行为要求不同，设计 Advisor 链配置化架构，4 种 Advisor 通过 yml 独立开关，按场景构建三种 ChatClient 注册不同 Advisor 组合与工具集，新增场景无需硬编码。
• 面试评估需处理 20+ 题答案超出模型上下文限制，设计分批评估流水线（8 题/批）+ 总结归并，引入多级降级确保部分批次失败时仍可输出完整报告。
• 基于 pgvector 构建 RAG 知识库系统，采用文档分块 + 1024 维向量化 + HNSW 索引，支持知识库文档的语义检索与多轮问答。
• 针对 RAG 幻觉与模糊查询问题，通过 Query Rewrite 改写用户意图，动态 Top-K 矩阵（短/中/长 Query 差异化配置）+ 短查询阈值提升至 0.25，有效拦截无关回答。
• 为支持 Java、前端、测试等 10+ 面试方向的个性化出题，设计 Skill 驱动出题机制与三阶段分配算法（保底 → 全分类覆盖 → 轮转），新增方向只需添加配置文件，零代码改动。
• AI 流式回复中途断线会丢失已生成内容，设计「预创建占位 + 流完成落库」策略，异常中断时保存已接收部分，断线恢复后用户仍可查看历史记录。
• 模拟面试需支持主问题与追问的多轮深入对话，设计会话状态机管理流程（出题 → 答题 → 追问 → 评估），确保面试连贯性。
• RAG 检索无结果时大模型会输出长篇拒答模板浪费等待时间，设计探测窗口算法缓冲 SSE 流前 120 字符匹配无结果模板，命中则立即替换为标准化话术并终止流。
• 面试评估需保证多次评分标准一致，基于 RISEN 框架设计评估提示词，定义 4 个加权评估维度与 5 级评分标准，通过否定约束减少大模型“打高分”倾向。
• 多轮面试场景下大模型容易重复出题，将已考知识点按分类汇总注入 prompt 实现历史去重，避免重复题目。
• 用户重复上传相同简历会触发冗余 AI 调用，基于 SHA-256 文件哈希在解析前拦截重复上传；使用 MapStruct 替代运行时反射实现 4 组 Entity 与 DTO 的编译期映射，增强类型安全。
• 知识库文档向量化受 DashScope API 单次 10 条的 batch_size 限制，实现自动分批与错误隔离，单批失败不影响整体向量化流程。

后端方向版本三（工程化与基础设施侧重）

项目描述:

基于 Spring Boot 4.0 构建的智能面试平台，实现简历分析、模拟面试、知识库管理等核心功能，支持多文档上传、向量检索与报告导出。

技术栈:

Java 21 + Spring Boot 4.0 + Spring AI 2.0 + PostgreSQL + pgvector + Redis + Redisson 4.0 + RustFS + Apache Tika + iText 8 + Docker + Gradle

工作职责:

• Spring Boot 4.0 引入 Jackson 与 jakarta 包名 breaking change，处理序列化重构与包名迁移，建立全局统一响应与异常捕获体系（10 个错误域分层编码）。
• 项目中 Redis 使用场景分散（缓存/队列/分布式锁），各模块直接调用 Redisson 原生 API 导致用法不一致。封装 RedisService 统一收拢键值、Hash、Stream 队列、分布式锁四类操作，统一异常处理与调用方式。
• 简历分析、向量化等 AI 任务单次耗时 10-15s，同步处理导致接口超时。设计 Redis Stream 异步消费架构解耦耗时任务，封装 Producer/Consumer 模板类收敛重试与生命周期管理，核心接口响应时间从 15s 降至 200ms。
• RAG 检索中不同长度的用户查询需要的召回策略不同，根据 Query 长度自动切换 Top-K（短 20/中 12/长 8）与相似度阈值，短查询 minScore 提高至 0.25 有效拦截幻觉输出。
• 异步任务链路中任一环节都可能失败，设计状态流转机制（PENDING → PROCESSING → COMPLETED），支持失败自动重试与降级。
• 文档分块大小直接影响检索精度，使用 token-aware 分块控制块大小，通过知识库 ID 前置过滤确保多知识库场景下的检索隔离。
• 用户上传文件可能包含恶意内容或伪装格式，实现 MIME 类型与扩展名双重验证拦截非法文件，配合路径穿越防护确保上传安全。
• 简历重复上传会触发冗余 AI 调用浪费配额，设计 fileHash 唯一索引实现秒级去重。
• 知识库向量化耗时长且中途失败需重试，用 vectorStatus 字段追踪向量化进度，支持失败后断点续处理。
• 项目初期各 Service 散落 30+ 个 @Value 注入，配置分散且缺乏类型校验。收拢到 11 个 @ConfigurationProperties 类，实现业务配置集中管理、类型安全校验与 IDE 自动补全。
• 用户输入直接拼入 LLM prompt 存在注入劫持风险，设计三层纵深防御（输入净化 → 系统提示词加固 → 输出护栏），安全参数通过 yml 配置化管理。
• 手动逐个安装数据库、Redis 等中间件效率低且易出错，编写 Docker Compose 编排全套服务一键部署，通过环境变量隔离敏感配置。

测试/测开简历写法

测试/测开方向版本一（单元测试与测试驱动开发）

项目描述:

智能面试辅助平台的测试体系建设，覆盖文档解析、文本清洗、向量检索、限流组件等核心功能，确保系统质量与稳定性。

技术栈:

JUnit 5 + Mockito + Spring Boot Test + Redis + AssertJ + @TempDir + ArgumentCaptor

工作职责:

• 文本清洗质量直接影响 RAG 语义检索准确性，针对 TextCleaningService 编写专项测试，覆盖控制字符、图片链接、URL、分隔线等 10+ 种边界场景，确保下游向量化的输入质量。
• 限流 Lua 脚本逻辑错误会导致限流失效或误杀正常请求，设计集成测试加载真实脚本验证滑动窗口算法，覆盖 GLOBAL/IP 多维度限流逻辑与 Redis 编码兼容性。
• 文档解析是简历分析和知识库上传的前置环节，解析异常会影响后续 AI 分析；编写集成测试（@TempDir 管理临时文件）覆盖真实 PDF/DOCX/TXT 的端到端解析与异常容错。
• 知识库向量化分批逻辑出错会导致 DashScope API 调用超限，使用 ArgumentCaptor 捕获多次调用参数，验证每批不超过 10 个文档的 API 限制。
• 使用 @Nested 按功能场景分组测试用例、@DisplayName 中文描述测试意图，降低新成员理解成本，提升测试报告可读性。
• 通过 @ParameterizedTest 参数化测试覆盖空值、边界值、特殊字符等输入场景，单个方法替代多个重复用例，减少测试代码冗余。

测试/测开方向版本二（功能测试与异常场景覆盖）

项目描述:

智能面试辅助平台的质量保障工作，覆盖向量检索服务、SSE 流式输出、全局异常处理等核心功能，确保系统在各种异常场景下的稳定性。

技术栈:

JUnit 5 + Mockito + Spring Boot Test + Redis + AssertJ + ArgumentCaptor + inOrder 验证

工作职责:

• AI 服务存在超时、限流、认证失败等不可控异常，向量化服务异常测试模拟大模型超时、网络抖动、存储异常，验证系统降级与重试策略不影响其他批次处理。
• 数据库历史数据存在 String/Long 两种 kb_id 格式的 metadata，设计向后兼容性测试验证向量搜索过滤逻辑，确保旧数据迁移后检索结果不丢失。
• 文档解析流程涉及格式检测、内容提取、文本清洗等多个组件的串行调用，使用 inOrder 严格验证调用顺序，防止因顺序错误导致的解析结果不完整。
• 语音面试 WebSocket 链路涉及 ASR → LLM → TTS 多环节协作，针对各环节编写 Mock 集成测试，验证单环节异常时的错误传播与降级行为。
• 异步任务系统通过 Redis Stream 实现发送 → 消费 → ACK 全链路，设计端到端测试验证任务在消费失败时的自动重试与状态流转（PENDING → PROCESSING → COMPLETED）。
• 全局异常处理器需将不同 AI 异常映射到精确错误码（超时 7002/认证失败 401/限流 429），编写校验用例覆盖各场景的错误码分类准确性，确保前端能正确展示友好提示。
• 文件上传接口暴露在公网需拦截恶意文件，编写安全测试覆盖超大文件、伪造 MIME 类型、特殊字符文件名、路径穿越等攻击场景。
• 建立多层级测试数据管理，在 test-files 目录组织真实简历样本（PDF/DOCX/TXT），支持集成测试的可复现性与跨环境一致运行。

测试/测开方向版本三（AI 与向量化测试专项）

项目描述:

智能面试平台 AI 功能的测试保障工作，覆盖 Spring AI 集成、向量化存储、相似度搜索等核心功能，确保 AI 服务的准确性与稳定性。

技术栈:

JUnit 5 + Mockito + Spring Boot Test + pgvector + ArgumentCaptor + @Tag

工作职责:

• 知识库向量化流程涉及分块、metadata 标注、分批调用等多个环节，任一异常均导致检索结果缺失；设计完整测试套件覆盖各环节的正常与异常路径。
• DashScope Embedding API 限制单次最多 10 条，超出会导致调用失败。使用 ArgumentCaptor 捕获 VectorStore 调用参数，验证分批逻辑在 1 条、9 条、10 条、11 条等边界数量下均不超限。
• 多知识库场景下向量检索需精确隔离，编写 metadata 过滤测试验证基于知识库 ID 的过滤逻辑，覆盖 String/Long 两种类型的向后兼容性，防止跨知识库数据泄露。
• RAG 检索的 topK 参数配置错误会导致空指针或越界异常，实现边界测试覆盖 topK 为 0、大于实际结果数、负数等场景的正确降级处理。
• 知识库 ID 过滤逻辑可能接收到非数字格式、null 值等脏数据，设计异常处理测试验证脏数据的过滤与容错，确保不影响其他正常检索流程。
• 集成测试依赖 Redis/PostgreSQL 等外部服务，使用 @Tag 标记区分单元测试与集成测试，支持在 CI/CD 环境中按需过滤，保证单元测试可独立运行。
• 全局异常体系包含 10 个错误域的错误码定义，编写 BusinessException 单元测试验证错误码分配、消息继承与异常链传递行为，确保异常信息可追溯。
• 封装测试数据生成器提供长文本生成与 Mock 文档创建等工具方法，支持分块场景的可复现测试，避免测试数据硬编码。

前端简历写法

前端方向版本一（React 性能优化侧重）

项目描述:

基于 React 18 的智能面试辅助平台前端，实现简历上传分析、AI 模拟面试、知识库 RAG 问答等核心功能，支持流式对话、虚拟列表渲染与 Markdown 实时预览。

技术栈:

React 18.3 + TypeScript 5.6 + Vite 5.4 + Tailwind CSS 4.1 + react-virtuoso + react-markdown + Axios + pnpm

工作职责:

• RAG 聊天会话消息量大，直接渲染导致 DOM 节点爆炸引发卡顿；基于 react-virtuoso 实现虚拟列表，仅渲染可视区域节点，解决长对话场景下的渲染性能问题。
• AI 回复需要逐字流式展示以降低用户感知延迟，基于 Fetch API + ReadableStream 实现 SSE 流式消息处理，配合事件缓冲机制处理消息边界，支持 AI 回复逐字渲染。
• AI 回复包含代码块、表格等 Markdown 格式直接展示原始文本可读性差，集成 react-markdown + remark-gfm 实现实时渲染，支持代码高亮与 GFM 表格。
• 面试中心页作为文字面试与语音面试的统一入口，需并行拉取两种面试的历史会话并合并排序展示，支持 Skill 方向选择与难度配置。
• 语音面试前端需实现录音 → WebSocket 传输 → 实时字幕的完整交互链路，基于 Web Audio API 采集音频并通过 WebSocket 实时通信，支持暂停/恢复、手动提交与回声防护。
• 后端统一错误码体系要求前端精确映射不同错误类型展示友好提示，封装 Axios 拦截器统一处理错误码映射与 Loading 状态管理。

前端方向版本二（状态管理与用户体验侧重）

项目描述:

智能面试辅助平台的 Web 端应用，提供简历智能分析、AI 对话练习、知识库检索问答等功能，支持多文档管理、实时流式交互与数据可视化。

技术栈:

React 18 + TypeScript + Vite + Tailwind CSS + recharts + react-router-dom 7 + lucide-react + Axios

工作职责:

• 面试平台包含简历管理、模拟面试、知识库问答等多个独立模块，使用 react-router-dom 7 设计前端路由架构管理多页面导航与状态隔离。
• 用户需要直观了解面试表现趋势与能力分布，基于 recharts 实现面试评分趋势图与简历分析雷达图，将多维度评估结果可视化。
• 简历上传需支持 PDF/DOCX/TXT 多种格式且限制文件大小，实现拖拽上传组件，前端完成格式校验与大小检查后再提交后端解析。
• 知识库 RAG 问答支持多知识库关联与多轮对话，设计会话管理界面支持多知识库关联、对话历史持久化、会话置顶与删除，提升 RAG 问答体验。
• 简历分析、向量化等 AI 任务耗时较长，用户需等待处理完成。实现异步任务轮询机制定时获取分析状态，配合骨架屏与进度条提供流畅的等待体验。
• 面试中心页需同时展示文字面试与语音面试的历史记录，并行请求两类面试历史合并排序，实现 Skill 方向选择器与面试配置面板。

全栈简历写法

全栈方向版本一（前后端一体化能力）

项目描述:

全栈开发的智能面试辅助平台，前端基于 React 18 + TypeScript，后端基于 Spring Boot 4.0 + Spring AI，实现简历分析、模拟面试、知识库 RAG 问答的完整闭环。

技术栈:

React 18 + TypeScript + Vite + Tailwind CSS | Spring Boot 4.0 + Spring AI 2.0 + PostgreSQL + pgvector + Redis

工作职责:

• 独立完成面试平台全栈开发，前端 React 18 + TypeScript 构建 SPA，后端 Spring Boot 4.0 + Spring AI 提供 RESTful API，实现简历分析、模拟面试、知识库 RAG 问答的完整闭环。
• AI 回复需要逐字流式展示，前端实现 SSE 流式消息处理与虚拟列表渲染，后端对接大模型 Streaming API，打通 AI 对话完整链路。
• 用户上传简历后需等待 AI 分析结果，构建 Redis Stream 异步任务体系解耦耗时推理，前端轮询获取状态并配合骨架屏展示，后端生产者-消费者模式处理分析任务，核心接口响应时间从 15s 降至 200ms。
• 知识库功能需支持文档上传后语义检索，前端提供多文档上传与会话管理，后端集成 pgvector 实现文档分块 + 向量化 + 相似度搜索的完整 RAG 链路。
• 用户输入直接拼入 LLM prompt 存在注入风险，设计三层纵深防御（正则净化 → 安全边界指令 → 输出护栏），前端配合 Axios 拦截器统一处理安全相关错误码。
• 语音面试需实现录音 → 识别 → AI 对话 → 语音合成的实时链路，前端基于 Web Audio API 录音 + WebSocket 实时通信，后端串联 ASR → LLM → TTS，支持实时字幕与暂停/恢复。
• 简历格式多样（PDF/DOCX/TXT），前端支持拖拽上传与格式校验，后端基于 Apache Tika 解析多格式文档并存储至 S3，配合 SHA-256 哈希拦截重复上传。
• 设计 Skill 驱动出题体系，前端展示 Skill 选择器，后端定义 10+ 面试方向并实现三阶段分配算法，新增方向只需添加配置文件，零代码改动。
• 编写 Docker Compose 编排前后端与中间件（PostgreSQL/Redis/对象存储），通过环境变量隔离敏感配置，支持一键部署。

简历亮点补充建议

可量化的业绩指标

在描述工作职责时，尽量加入量化数据，让面试官对你的贡献有直观感知：

• 接口响应时间从 Xs 降低至 Yms（如：从 15s 降低至 200ms）
• 渲染性能提升 X%（如：虚拟列表优化后性能提升 80%）
• 代码覆盖率达到 X%（如：核心模块单测覆盖率达 85%）
• 并发支持从 X 提升至 Y（如：支持 1000 QPS 的并发请求）

可深挖的技术难点

以下是一些面试官可能深入追问的技术点，建议提前准备：

1. Redis Stream vs 传统消息队列：为什么选择 Redis Stream 而不是 RabbitMQ/Kafka？适用场景（轻量级、低延迟）、持久化机制、Consumer Group 的 ACK 确认与 Pending 列表、消费者优雅停机（@PreDestroy + AtomicBoolean）。
2. 分布式限流的实现细节：滑动窗口算法（ZSET 按时间戳记录请求）、Lua 脚本原子性保证、多维度组合限流的两阶段执行（预检查 + 扣减）、Hash Tag 确保 Redis Cluster 槽位一致性、脚本 SHA1 预加载优化、过期请求自动回收（zrangebyscore 清除过期记录）。
3. RAG 检索优化：向量维度选择（1024 维 vs 768 维）、HNSW 索引原理、相似度算法对比（余弦/欧氏/点积）、Top-K 召回与 metadata 过滤。
4. Java 21 虚拟线程（Virtual Threads）：为什么启用虚拟线程？平台线程 vs 虚拟线程的资源消耗对比、适合 I/O 密集型场景（SSE 长连接、AI 调用）、spring.threads.virtual.enabled 配置原理、无需调整线程池配置即可支持千级并发、虚拟线程的阻塞语义与 pinning 问题。
5. SSE vs WebSocket：为什么选择 SSE？单向 vs 双向通信、浏览器兼容性、自动重连机制、Flux<String> 流式返回。流式探测窗口算法（Probe Window）实现原理：缓冲 120 字符识别无信息模板、命中则立即输出固定模板并结束、非命中则尽快释放缓冲继续实时透传。
6. Spring Boot 4.0 升级挑战：Jackson 序列化重构（注解变更）、jakarta 包名迁移、Redisson 4.0 适配。
7. Spring AI 工程化：ChatClient 建造者模式、PromptTemplate 动态变量填充、BeanOutputConverter 结构化输出、中间 DTO 解耦 AI 响应。
8. 向量化分批策略：为什么限制 batch_size ≤ 10？API 限制处理、分批调用的错误处理与重试。
9. 文档解析容错：Apache Tika 的 BodyContentHandler 限制（5MB）、NoOpEmbeddedDocumentExtractor 禁用嵌入资源、PDF 图片提取禁用。
10. 消费者生命周期管理：@PostConstruct 初始化消费者组、@PreDestroy 优雅关闭、AtomicBoolean 标志位的线程安全控制。
11. Prompt 注入防御：三层纵深架构设计（输入净化 → 系统提示词加固 → 输出护栏）、PromptSanitizer 的 4 种正则模式（角色劫持/指令覆盖/分隔符注入/系统提示泄露）、UUID 动态分隔符防止标签预测、SafeGuardAdvisor 顺从短语检测、方案 A 集中追加 vs 分散嵌入的取舍。
12. Skill 驱动出题分配算法：三阶段分配（ALWAYS_ONE 保底 → 全分类保底 → 轮转分配）、为什么给 NORMAL 也加保底？题数不足时 CORE 优先覆盖的设计决策、SkillsTool 通过 Tool Call 加载 persona 而非直接注入 prompt 的原因。
13. 统一评估架构：两阶段评估（分批评分 + 总结归并）为什么不一次性评估？token 窗口控制、参考材料基准评分的意义、多级降级策略（批次失败零分占位 vs 总结失败拼接降级）。
14. 语音面试延迟优化：ASR 定稿等待 + LLM 推理 + TTS 合成三段串行延迟、为什么不走 ReAct（200-500ms/次额外 Tool Call 延迟）、流式输出 + 分段 TTS 的潜在优化方向。
15. RAG 多轮上下文：查询重写如何感知历史上下文、短查询命中问题的根因（向量相似度 vs 字面匹配）、动态参数矩阵（短/中/长 Query 的 topK 和 minScore 差异化配置）。

项目难点与解决方案模板

面试中经常会问“项目中遇到的最大挑战是什么”，可以参考以下模板组织回答：

模板：STAR 法则

• Situation（背景）：项目中遇到了什么问题？
• Task（任务）：你的职责是什么？
• Action（行动）：你采取了什么措施？
• Result（结果）：最终效果如何？

示例一：简历分析接口响应超时

• 背景：简历上传后需调用大模型进行分析，单次分析耗时 10-15 秒，同步处理导致接口超时，用户体验极差。
• 任务：优化简历分析流程，将接口响应时间控制在可接受范围内，同时保证分析任务的可靠执行。
• 行动：设计基于 Redis Stream 的异步任务队列，接口接收请求后立即返回任务 ID（状态为 PENDING），后台消费者异步执行分析任务，前端通过轮询获取最新状态。同时实现 Consumer Group 支持多实例水平扩展，配合 ACK 确认与自动重试机制保证任务不丢失。
• 结果：接口响应时间从 15s 降低至 200ms，系统支持多实例部署后吞吐量提升 3 倍，任务失败率从 5% 降低至 0.1% 以下。

示例二：AI 接口被恶意刷量

• 背景：上线初期发现部分用户/IP 频繁调用 AI 分析接口，导致大模型 API 配额快速耗尽，影响正常用户使用。
• 任务：设计多维度限流方案，在不影响正常用户体验的前提下，有效拦截恶意请求。
• 行动：基于 Redis + Lua 脚本封装分布式限流组件，实现 GLOBAL（全局）、IP、USER 三个维度的滑动窗口限流。通过自定义 @RateLimit 注解声明式配置限流规则，Lua 脚本保证多维度检查的原子性，使用 Hash Tag 兼容 Redis Cluster 部署。
• 结果：恶意请求拦截率达 99%，API 配额消耗降低 60%，正常用户请求通过率保持在 99.5% 以上，组件已沉淀为团队通用基础设施。

示例三：多格式文档解析稳定性问题

• 背景：用户上传的简历格式多样（PDF/DOCX/DOC/TXT），部分文档解析失败或提取内容包含大量乱码，影响后续 AI 分析质量。
• 任务：构建稳定可靠的多格式文档解析服务，提升解析成功率与内容质量。
• 行动：引入 Apache Tika 统一处理多格式文档，针对 PDF 禁用图片提取避免临时文件污染，针对 DOCX 禁用嵌入资源提取减少噪声。同时封装 TextCleaningService 进行正则清洗，移除控制字符、标准化空行、清理冗余空白。对于解析失败的文档，实现异常降级策略返回友好提示。
• 结果：文档解析成功率从 85% 提升至 99%，AI 分析输入文本质量显著提升，相关模块单测覆盖率达 90%。

示例四：LLM 提示词注入攻击防御

• 背景：用户输入的简历、JD、面试答案会被拼入 LLM 的 prompt 中，恶意用户可以在输入中嵌入“忽略之前的指令”等注入攻击，导致 LLM 泄露系统提示词或偏离评估标准。
• 任务：设计防注入安全体系，在不影响正常用户体验的前提下拦截各类注入攻击。
• 行动：设计三层纵深防御架构——输入层基于预编译正则检测 4 种注入模式（角色劫持、指令覆盖、分隔符注入、系统提示泄露），系统提示词层在统一调用入口自动追加安全边界指令 + UUID 动态分隔符包裹用户数据，输出层检测 LLM 响应中的顺从短语（如“我已忽略指令”）并拦截异常响应。
• 结果：实现零代码侵入的安全增强，所有 AI 调用链路自动防护，通过配置化管理安全参数支持快速调整防御策略。

其他可补充的技术点

如果简历篇幅允许，还可以补充以下内容：

后端方向：

• Java 21 新特性应用：虚拟线程在高并发 I/O 场景的应用、Record 类简化 DTO、模式匹配与 switch 表达式增强代码可读性。
• Spring AI 2.0 深度集成：ChatClient 声明式 API、PromptTemplate 模板管理、BeanOutputConverter 结构化输出、向量存储抽象层。
• Prompt 注入防御：三层纵深架构（正则净化 → 安全边界指令 → 输出护栏），UUID 动态分隔符防止标签预测。
• Skill 驱动出题：配置文件定义面试方向与分类权重，三阶段分配算法，SkillsTool 通过 Tool Call 加载 persona，JD 动态解析。
• 统一评估管线：两阶段评估（分批评分 + 总结归并），参考材料基准评分，多级降级策略。
• Advisor 链配置化：四种 Advisor 通过 yml 独立开关，三种 ChatClient 各自注册不同工具集和 Advisor 组合。
• 语音面试实时链路：WebSocket 串联 ASR → LLM → TTS，流式 ToolCallAdvisor，句子级并发 TTS 减少延迟。
• 面试历史去重：topicSummary 知识点摘要按分类汇总注入 prompt，避免重复出题。
• 结构化输出可观测：Micrometer 指标按业务链路跟踪重试情况，与 Spring AI Observability 互补。
• SSE 流式输出：探测窗口算法识别无信息模板并归一化拒答话术，避免长篇无效输出。
• RAG 检索增强：Query Rewrite 改写模糊查询、动态参数矩阵适配不同 Query 长度、短查询差异化阈值策略。
• 限流组件工程化：Lua 脚本滑动窗口、Hash Tag 兼容 Cluster、声明式 @RateLimit 注解。
• 文档解析容错：Apache Tika 配置优化、损坏文件异常降级、错误信息截断防数据库溢出。
• PDF 导出跨平台：iText 8 中文字体内嵌、分数配色与排版设计。
• 文件安全校验：MIME 类型 + 扩展名双重验证、路径穿越防护、内容类型白名单。

测试方向：

• JUnit 5 高级特性：@Nested 分组、@ParameterizedTest 参数化、@DisplayName 中文描述、@Tag 分类。
• Mockito 深度应用：ArgumentCaptor 多次调用参数捕获、inOrder 顺序验证、doThrow 异常注入。
• 测试数据管理：@TempDir 临时文件、test-files 资源目录、测试数据生成器封装。
• 集成测试设计：@Disabled 标记外部依赖测试、真实文件端到端测试、Redis 集成测试。
• 向后兼容性测试：String/Long 类型过滤兼容、无效格式异常处理、数据迁移场景验证。

更新: 2026-04-23 21:44:34
原文: https://www.yuque.com/snailclimb/itdq8h/ug00fz4skucap7mc