🧠 图解记忆： 先确认输入输出和边界，再画接口与数据流、写最小主链路，最后用超时、重试、回退和测试体现工程深度。

💡 答案要点

AI 应用工程师白板题的特点：

传统 SDE 白板题	AI 应用工程师白板题
链表/树/图	LLM 调用 / Prompt 设计
算法复杂度	RAG 流程设计 / Agent 架构
手工实现	用 API 或框架组合
一次性写对	边想边调 + 分析 tradeoff

高频题型：

题1：实现一个 LLM 包装器（类设计）

"请设计一个 LLM 调用类，支持：
- 自动重试（指数退避）
- 超时处理
- 流式输出
- 回退策略（GPT-4 失败 → DeepSeek V4-Flash）"

参考答案框架：

class LLMClient:
    def __init__(self, providers: list, fallback_order: list):
        self.providers = providers
        self.fallback_order = fallback_order
    
    async def generate(self, prompt, stream=False, timeout=30):
        for provider in self.fallback_order:
            try:
                return await self._call_with_timeout(provider, prompt, stream, timeout)
            except Exception as e:
                continue
        raise AllProvidersFailedError()
    
    async def _call_with_timeout(self, provider, prompt, stream, timeout):
        # 实现超时控制
        pass

题2：设计一个 RAG 检索流程

"请设计一个 RAG 系统，包含：
- 文档切分
- 向量嵌入
- 检索
- 重排
- 生成"

参考答案框架：

def rag_pipeline(query: str, top_k: int = 5):
    # 1. 查询改写
    rewritten_query = query_rewrite(query)
    
    # 2. 向量检索
    query_emb = embedding_model.encode(rewritten_query)
    initial_results = vector_db.search(query_emb, k=top_k*2)
    
    # 3. 重排
    reranked = cross_encoder.rerank(query, initial_results, top_k)
    
    # 4. 生成
    context = format_context(reranked)
    answer = llm.generate(f"上下文：{context}\n问题：{query}")
    
    return answer

题3：设计一个 Agent 循环

"请用 ReAct 模式实现一个 Agent，支持：
- Thought/Action/Observation 循环
- 最大循环次数限制
- 工具调用"

准备策略：

步骤	内容
1	刷完 LLM API 调用题（OpenAI SDK / LangChain）
2	默写 RAG 流程（从 chunk 到 answer）
3	实现一个最小化 Agent（ReAct Loop）
4	练习 Tradeoff 分析（为什么选这个方案）

面试话术：

"AI 应用的白板题和传统 SDE 不一样，重点不是算法复杂度，而是系统设计和 API 组合能力。我会先确认需求边界（要不要流式？要不要缓存？），然后画架构图，再写核心代码，最后分析 tradeoff。边想边说是关键，不要等想完美了才开始写。"