1、实际工作或学习中用过哪些Ai工具
- Cursor：是一款专门为 AI 编程设计的集成开发环境（IDE），深度集成了 AI 能力，旨在通过 AI 提高开发者的编码效率，提供了诸如代码编辑、智能提示、代码生成等一站式的编程体验。有免费版本，提供基本的功能，同时也有付费版本，解锁更多高级功能。
- 通义灵码：是阿里云基于通义大模型研发的 AI 编程助手，它不仅可以辅助代码编写，还具备代码解释、代码审查、智能问答等功能，支持多种开发工具集成。目前提供免费使用，未来可能会根据不同的服务和功能推出付费计划。
- Deepseek: 国产的
- 豆包：字节跳动
2、谈谈你知道的AI领域的一些常见词汇及其含义的理解？ 例如AIGC、LLM、NPL等分别是什么意思？
AIGC（Artificial Intelligence Generated Content，生成式人工智能）
解释：用人工智能生成各种形式的内容（文字、图片、视频、代码等）
LLM（LargeLanguage Model，大语言模型）
解释：能理解和生成自然语言的巨型AI模型，通过海量文本训练。
深度学习（DeepLearning）
解释：模仿人脑神经网络结构的机器学习方法，需要大量数据和算力。
NLP（NaturalLanguageProcessing，自然语言处理）
解释：让计算机理解、生成人类语言的技术。
PromptEngineering（提示词工程）
解释：通过优化输入指令（Prompt）让AI输出更符合需求。
例子：用"请用小学生能理解的语言解释量子力学"替代"解释量子力学
Token (词元)
解释：AI处理文本的最小单位（可能是一个词、一个字或符号）。
例子：英文中"ChatGPT"会被拆分为[“Chat”，“G”，“PT”]3个Token。
Embedding（嵌入)
解释：将文字、图片等数据转化为计算机能理解的数字向量。
作用：让AI理解不同数据之间的关联性。
微调（Fine-tuning）
解释：在预训练好的大模型基础上，用特定领域数据二次训练。
例子：用法律文书数据微调GPT，打造法律顾问AI。
多模态（Multimodal)
解释：能同时处理文本、图像、语音等多种类型数据的AI。
例子：GPT-4V可以分析图片内容并回答问题。
检索增强生成（RAG）
解释：对大型语言模型输出进行优化，使其能够在生成响应之前引用训练数据来源之外的权威知识库。
例子：RAG广泛应用于各种自然语言处理任务，包括问答系统、知识图谱构建、智能客服等，能够显著提升大模型在实际业务场景中的表现。
3、你觉着DeepSeek相比于其他大模型的优势有哪些?
我觉着DeepSeek相比于其他大模型的优势在于以下几点：
1、强大推理能力和更精准的回答能力：DeepSeek拥有极强的推理能力，相比于其他大模型更善于思考和推理用户问题想了解的答案，因此在后续回答时能够也能够获得想要的结果更精准；
2、使用简单：使用DeepSeek无需专业的提示词，只需要使用简单的提示词就可以获得想要的结果；
3、性价比高：单位token成本可能低于同类国际模型。
4、开源和可定制性强：DeepSeek开源了模型权重，开发者可以根据自己的型进行定制和优化。
5、中文支持更好：对中文语义理解和生成可能更符合本土语言习惯。
PS：除此之外DeepSeek还有其他的一些优点，例如对硬件的要求较低，并且不需要巨量的训练数据等。
4、你认为DeepSeek有什么缺点？
DeepSeek目前主要的缺点有以下几个：
1、服务不稳定：经常出现"服务器繁忙，请稍后再试。“的提示，导致服务不可用！
访问量大，攻击多！
2、功能较少：暂不支持生成图片、音频、视频等功能。
3、多模态能力相对较弱：DeepSeek在多模态任务（如图像理解）方面未做专门优化，仍有一定的短板。
5、为什么DeepSeek经常出现服务器繁忙的问题？
导致DeepSeek服务器繁忙的原因主要有以下两个：
1．短时间内大量请求访问DeepSeek服务，导致压力过大。
2．持续有大量非法攻击，导致DeepSeek服务不可用。
6、怎么解决DeepSeek服务器繁忙的问题？
解决DeepSeek服务器繁忙的解决方案有以下两大类：
1、本地部署DeepSeek：因为本地部署对硬件要求极高，因此大部分电脑都只能使用蒸馏版的DeepSeek（功能和效率相比满血版有一定的阎割），它的优点是数据隐私性较好，但对本地硬件要求较高。
2、使用第三方DeepSeek：也就是第三方在其自己的高性能服务器上部署了DeepSeek满血版，然后提供给用户使用，例如以下这些：
国家超算互联网平台：https://chat.scnet.cn/#/home 字节旗下的火山引擎：https://console.volcengine.com/ark/ 硅基流动：https://cloud.siliconflow.cn/models 360纳米AI搜索：https://bot.n.cn/ 秘塔AI搜索：https://metaso.cn/ 百度云：https://cloud.baidu.com/ 腾讯云：https://lke.cloud.tencent.com/lke/#/trialProduct 阿里云：https://bailian.console.aliyun.com/
7、本地部署大模型有什么优缺点？如何部署本地大模型？
优点分析 隐私性高：数据都在本地，不用担心泄露问题，对于一些敏感数据处理来说，这是最大的优势。
稳定性强：不受网络影响，只要电脑不坏，模型就能稳定运行，不用担心中途卡顿或者断线。
可定制性强：可以根据自己的需求进行调整和优化，想让它做什么功能就做什么功能，灵活性很高。
缺点分析 硬件要求高：大模型对电脑的性能要求不低，如果电脑配置不够，可能会运行很卡，甚至跑不起来。
部署复杂：对于小白来说，一开始可能会觉得有点复杂，需要安装各种东西，还得配置参数，不过只要按照教程来，其实也没那么难。
维护成本高：如果模型出了问题，可能需要自己去排查和解决，不像在线工具有问题直接找客服就行。
部署本地大模型
在本地部署DeepSeek只需要以下三步：
1、安装 Ollama。
2、部署DeepSeek。
3、使用DeepSeek。
Ollama、DeepSeek和ChatBox之间的关系如下：
Ollama是"大管家"，负责把DeepSeek安装到你的电脑上。
DeepSeek是"超级大脑"，住在Ollama搭建好的环境里，帮你做各种事情。
8、在微服务项目中如何实现智能客服？
简单版本：Spring AI集成DeepSeek：三步搞定Java智能应用
复杂版本：AI赋能传统系统：Spring AI Alibaba如何用大模型重构机票预订系统?
9、SpringBoot项目如何实现流式内容输入结果给前端用户?
在 SpringBoot 中实现流式输出可以使用 Sse（Server-SentEvents，服务器发送事件）技术来实现，它是一种服务器推送技术，适合单向实时数据流。
具体实现逻辑：Spring AI 集成 DeepSeek，实现流式输出
10、有没有了解过智能体？什么是智能体？
基于大模型，来根据需求，进行特定领域的训练，使其具有类人推理能力
11、聊聊你对于AI的看法？你觉AI可以取代程序员吗？
短期内AI将成为程序员的“超级工具”，但无法完全取代人类程序员的创造性、系统思维和跨领域协作能力，同时会深刻改变开发模式，程序员需转型为“AI协作者”！
12、LangChain4j和springAI这2个大语言模型（LLM）应用开发框的区别和选型
- 要快速上线、做 RAG/Agent/复杂编排 → 选 LangChain4j（生态成熟，灵活）。
- 要统一接口、避免厂商锁定、深度集成 Spring → 选 Spring AI（标准优先，面向未来）。
- 团队想拥抱官方趋势、接受新框架 → 选 Spring AI；要稳扎稳打、马上落地 → 选 LangChain4j。
13、解释一下 RAG（检索增强生成）是什么？为什么需要它？
RAG 就是让 AI 先“查资料”，再“写答案”。
14、为啥要有 RAG？直接问 AI 不行吗？
你想啊，大模型（比如通义千问、ChatGPT）它虽然“知识渊博”，但它有两个毛病：
- 它学的东西是“老黄历”
- 它的知识是训练时定死的，比如学到 2024 年。
- 你问：“今天股市怎么样？” 它根本不知道今天发生了啥！
👉 就像一个学霸，但从来不看新闻，信息早就过时了。
- 它会“瞎编”
- 如果它不知道答案，不会说“我不知道”，而是凭感觉胡说八道，还说得特别像那么回事。
- 比如问：“我们公司上个月利润多少？” 它可能随口编个“5000万”，其实根本不对。
👉 这就叫“幻觉”——听着挺靠谱，其实是假的。
15、那 RAG 是怎么解决的？
很简单：别让它猜，先给它看材料！
举个例子：
你是一家公司的客服系统，用户问：“你们最新版APP怎么修改密码？”
- 系统先去公司的“产品手册”或“帮助文档”里搜一下“修改密码”相关内容；
- 找到最新的操作说明（比如一段文字或截图）；
- 把这段内容“喂”给 AI，告诉它：“你就根据这个来回答”；
- AI 看完资料，再生成回答：“请打开设置 → 账户 → 修改密码……”
16、RAG是怎么工作的呢？
- 查：用户一提问，系统马上去知识库（比如文档、数据库、网页）里找相关资料；
- 塞：把找到的内容，和用户的问题一起发给 AI；
- 答：AI 根据真实资料，生成一个靠谱的回答。
17、RAG在 Java 系统里是咋用的？
你可以想象：
- 你的 Spring Boot 项目是“指挥官”；
- 它接到用户问题后，用代码去查数据库或向量库（比如 Redis、Milvus）；
- 查到结果后，调用通义千问 API，把资料和问题一起发过去；
- 最后把 AI 生成的答案返回给前端。
整个过程，Java 做调度，AI 做写作，知识库做参谋。
18、什么是向量数据库？
向量数据库，就是一种专门用来“存和找相似内容”的数据库。
它不像传统数据库（比如 MySQL）按“ID、姓名、年龄”来查， 而是按“意思”来查 —— 比如：“这句话说的是不是同一个事儿？”
你可以把它想象成一个“语义坐标”。
举个例子
假设你在做一个智能客服，用户问：
“我忘了密码，咋办？”
你有很多常见问题，比如：
- “忘记密码怎么重置？”
- “登录不了怎么办？”
- “手机号换了怎么改？”
- “账户被锁定了能解开吗？”
你想让系统自动判断：用户这个问题，最像哪一条？
- ❌ 传统方法（关键词匹配）：
- 查有没有“密码”这个词 → 有，就返回“忘记密码怎么重置？”
- 但如果用户说：“我登不进去了”，没提“密码”，就匹配不到，傻眼了。
- ✅ 向量数据库的方法：
- 把每句话都变成一串“数字”（这串数字叫向量），这串数字代表它的“意思”。
- 然后问数据库：“哪句话的意思跟‘我忘了密码，咋办？’最像？”
- 数据库一秒就找出：“哦，‘忘记密码怎么重置？’ 跟它最像！” → 返回正确答案。
👉 就像人理解语义一样，看的是“意思像不像”，而不是“字一样不一样”。
那“向量”到底是个啥？
你可以把它想象成一个“语义坐标”。
比如：
- “猫” →
[0.8, 0.5, 0.2] - “狗” →
[0.7, 0.6, 0.3] - “汽车” →
[0.1, 0.9, 0.8]
你会发现：“猫”和“狗”的数字很接近 → 它们都是动物，意思相近； 而“汽车”差得远 → 意思不相关。
向量数据库就是根据这些“坐标”的距离来判断“谁跟谁像”。
向量数据库能干啥？（实用场景）
| RAG 知识库检索 | 用户提问 → 转成向量 → 找最相关的文档片段（知识库） → 给 AI 生成答案 |
|---|---|
| 推荐系统 | 用户看了“手机”，就把“手机壳”“耳机”这些语义相近的商品推荐给他 |
| 图片搜索 | 上传一张图 → 找出“长得最像”的图片（比如找相似穿搭） |
| 文本去重 | 两篇文章文字不同，但意思一样？向量一比，发现很接近 → 判定为重复 |
常见的向量数据库
| 名字 | 特点 |
|---|---|
| Milvus | 专业做向量搜索，功能强，适合大规模 |
| PGVector | 给 PostgreSQL 加个插件就能用，简单，开发喜欢 |
| RedisVL | Redis 也能干这事，适合小项目、缓存场景 |
| Elasticsearch | 搜文本很强，现在也支持向量搜索 |
只要记住：“存意思、找相似”——这就是向量数据库的核心本事。