docs: 添加去哪儿 AI 面面经

- 整理去哪儿 AI 全栈方向面试的 15 道问答
- 涵盖 GC、三色标记、项目经验、AI 工程实践等考察维度
- 新建「面经」章节，后续面经统一归档

docs/interview/index.md

@@ -0,0 +1,3 @@
+# 面经
+
+面试经验记录与总结。

docs/interview/qunar-ai-fullstack.md

@@ -0,0 +1,198 @@
+# 去哪儿 AI 面 — AI 全栈方向
+
+> 面试形式：双机位（手机也要开摄像头），共 8 轮问答，每轮内会提一个问题并根据回答进行追问
+> 以下内容仅根据回忆记录，未录音
+
+---
+
+## 1. 自我介绍
+
+常规开场，简要介绍个人背景、技术栈和项目经历。
+
+---
+
+## 2. 语言选择（Java / TypeScript）
+
+选项只有 Java 和 TypeScript 两个，后续问题会根据选择的语言侧重点展开。
+
+---
+
+## 3. 垃圾回收 GC 过程
+
+!!! note "💡 关键点"
+    - 对象从新生代 Eden → Survivor → 老年代的晋升路径
+    - Minor GC / Major GC / Full GC 的触发条件
+    - 分代收集模型：新生代（复制算法）、老年代（标记-清除 / 标记-整理）
+
+---
+
+## 4. 三色标记的第一阶段 STW 在干什么
+
+三色标记法将对象标记为白色（未访问）、灰色（已访问但子对象未全部访问）、黑色（已访问且子对象已全部访问）。
+
+第一阶段 STW（Stop The World）的主要工作：
+
+- **根节点枚举**：暂停所有应用线程，扫描 GC Roots（栈帧中的局部变量、静态变量、常量池引用等）
+- **建立初始引用关系**：确保在并发标记开始前，堆中对象的引用关系是一个一致的快照
+- **防止并发标记期间的遗漏**：如果没有这个 STW，并发标记可能会漏掉某些从 GC Roots 新建立的引用
+
+!!! tip "追问方向"
+    - 为什么需要 STW？不 STW 会怎样？
+    - CMS 和 G1 在三色标记上的差异
+    - 写屏障（Write Barrier）如何解决并发标记期间的引用变更问题
+
+---
+
+## 5. 最有成就感的项目
+
+讲述一个完整的项目经历，重点包括：
+
+- **背景与目标**：为什么做这个项目，要解决什么问题
+- **技术选型与架构设计**：为什么选择当前方案
+- **关键难点与突破**：遇到了什么挑战，如何解决的
+- **最终成果**：量化的业务收益或技术指标
+
+---
+
+## 6. AI 提效成果
+
+在项目开发过程中，AI 工具对效率的提升：
+
+- **代码生成与补全**：减少重复性编码工作
+- **文档与注释生成**：自动化的文档维护
+- **问题排查与调试**：利用 AI 分析日志和定位问题
+- **设计与架构讨论**：作为技术方案的验证伙伴
+
+---
+
+## 7. 如何确保 AI 生成格式化内容的可靠性
+
+生成 JSON 等结构化内容时，确保键的准确性和嵌套层级的正确性：
+
+- **Schema 约束**：提供明确的 JSON Schema 或类型定义，约束输出格式
+- **结构化输出（Structured Output）**：利用模型的结构化输出能力，强制符合预定义 schema
+- **分步生成**：先生成骨架，再填充内容，降低单次生成的复杂度
+- **后处理校验**：解析 JSON 进行 schema 校验，不通过则重试或修正
+- **Few-shot 示例**：提供目标格式的示例，让模型学习结构模式
+
+---
+
+## 8. Agent 场景与目标达成
+
+讲述实际构建的 Agent 场景：
+
+- **场景定义**：Agent 要解决的具体问题
+- **工具链设计**：Agent 可调用的工具和能力
+- **任务分解与规划**：如何将复杂任务拆解为可执行步骤
+- **执行与反馈循环**：ReAct / Plan-and-Execute 等模式的应用
+- **目标达成评估**：如何判断 Agent 完成了任务
+
+---
+
+## 9. Agent 长期记忆管理
+
+对于 Agent 长期记忆，应该放什么以及如何管理：
+
+**哪些东西应该放进来：**
+
+- 用户偏好与习惯
+- 历史交互中的关键决策和结论
+- 领域知识和经验
+- 任务上下文与状态
+
+**管理策略：**
+
+- **淘汰机制**：类似 LRU（最近最少使用）/ LFU（最不经常使用），对记忆条目按访问频率和时间进行淘汰
+- **优先级判定**：高优先级记忆（用户明确要求记住的、频繁使用的）不易被淘汰
+- **分层存储**：短期记忆（当前会话）→ 中期记忆（近期交互）→ 长期记忆（持久化知识）
+
+---
+
+## 10. 记忆部分冲突处理
+
+当多条记忆之间存在部分冲突时：
+
+- **建立知识图谱**：将记忆中的实体和关系组织成图结构，便于推理和综合判断
+- **综合判断**：结合多条相关记忆的上下文、时间、来源进行加权分析
+- **置信度评估**：对每条记忆赋予置信度，冲突时优先采信置信度更高的记忆
+- **主动澄清**：当无法自动判断时，向用户确认
+
+---
+
+## 11. 两条记忆完全冲突
+
+当两条记忆完全矛盾时，根据环境风险等级采取不同策略：
+
+| 环境类型 | 策略 |
+|---------|------|
+| **危险环境** | 直接输出两条冲突记忆，不做自动选择，由人工决策 |
+| **安全环境** | 可配置优先级规则：按时间（新的优先）、按来源（权威来源优先）自动采纳 |
+
+!!! warning "核心原则"
+    在高风险场景下，宁可暴露冲突也不做错误的自动选择。安全第一。
+
+---
+
+## 12. 如何评价是否达成目标
+
+评估 Agent 目标达成情况的方法：
+
+- **打分量化**：定义评分维度（准确性、完整性、效率等），对结果进行 1-5 分量化评估
+- **Critic 架构**：引入独立的评估 Agent（Critic），对执行 Agent 的输出进行审查和打分
+- **参考标准对比**：将输出与预期标准进行对比，计算相似度或匹配度
+- **多轮迭代评估**：通过多轮交互逐步收敛，评估是否达到满意的最终状态
+
+---
+
+## 13. 如何应对 AI 幻觉
+
+在项目中应对 AI 幻觉的策略：
+
+- **Context 工程**：提供精准、充分的上下文信息，减少模型需要"猜测"的空间
+- **Sub-agent 评估**：引入独立的子 Agent 对主 Agent 的输出进行事实核查
+- **Hook 机制**：基于 hook 进行必要的 CI 检查，在关键节点验证输出的正确性
+- **Skill 补充背景**：在未知领域使用 skill 注入领域知识，降低幻觉风险
+- **检索增强（RAG）**：将回答基于检索到的实际文档，而非模型的参数记忆
+
+---
+
+## 14. 如何遵守项目规范
+
+确保 AI 遵守项目规范的方法：
+
+- **明确的规范文档**：将项目规范写入 CLAUDE.md 或类似配置文件
+- **软件工程实践**：瀑布模型、敏捷开发等流程规范的约束
+- **统一约定**：如统一返回类、命名规范、代码风格等，通过配置和示例固化
+- **自动化检查**：Lint、类型检查、测试等自动化手段兜底
+
+---
+
+## 15. AI 工具选择与可靠性保障
+
+**使用的 AI 工具及原因：**
+
+- 选择标准：能力匹配、生态完善、可靠性高
+- 工具链搭配：不同工具在不同场景下的互补使用
+
+**可靠性保障措施：**
+
+- **好的 Harness**：构建可靠的执行框架，管理工具调用和状态流转
+- **达成目标的标准**：明确的任务完成标准和验收条件
+- **Hooks 机制**：在关键节点插入检查和干预逻辑
+- **Sub-agent 审查**：独立的子 Agent 进行交叉验证
+- **Code Review**：人工或自动化的代码审查，确保输出质量
+
+---
+
+## 面试总结
+
+这次去哪儿的 AI 面试整体考察深度不错，涵盖了：
+
+| 考察维度 | 题目 |
+|---------|------|
+| 语言基础 | GC 过程、三色标记 |
+| 项目经验 | 有成就感的项目、AI 提效 |
+| AI 工程实践 | 结构化输出、Agent 设计、记忆管理、幻觉应对 |
+| 系统设计思维 | 冲突处理、目标评估、规范遵守、可靠性保障 |
+
+核心考察点在于 **AI 工程化能力** — 不只是会用 AI，而是如何可靠地将 AI 集成到实际项目中。

mkdocs.yml

@@ -84,6 +84,9 @@ extra_javascript:
 
 nav:
   - 首页: index.md
+  - 面经:
+    - interview/index.md
+    - 去哪儿 AI 面-AI 全栈方向: interview/qunar-ai-fullstack.md
   - 项目:
     - project/index.md
     - Open-API 计费平台: