新闻详情

新闻详情

首页 / 资讯中心 / 详情

Agent前端面试基础

发布时间:2026/11/18 22:25:39来源:尧图网络
Agent前端面试基础
1. LLM 基础概念面试必问概念一句话必背TokenLLM 的最小文本单位计费和上下文窗口都按 token 计上下文窗口context模型一次能看到的最大 token 数超出需截断/压缩/摘要Temperature采样随机性参数越高越有创造性越低越确定幻觉Hallucination模型编造事实前端要做来源引用与兜底提示System Prompt设定角色与行为约束的系统级提示词2. 流式输出前端核心实战必背SSEServer-Sent Events是主流方案基于 HTTP单向服务端推送Content-Type: text/event-stream浏览器端用fetchReadableStream手动解析比EventSource更灵活可带 header、可 POST必背如何用reader.read()循环解析data:行、处理[DONE]、分包/粘包问题buffer chunk再按\n\n切分对比SSE vs WebSocketSSE 单向轻量、WS 双向、打字机效果的增量渲染实战坑中断生成AbortController、React 中 setState 频繁更新导致卡顿用 ref 缓冲 requestAnimationFrame 批量刷3. Function Calling / Tool Use必考流程必背用户提问 → 模型决定调用工具返回结构化 JSON 参数→ 前端/后端执行工具 → 结果回传模型 → 生成最终回答前端职责渲染工具调用卡片如正在查询订单…的过程可视化、多轮工具调用的状态机管理4. Agent 核心架构ReAct 模式Reason推理 Act行动循环Agent LLM 记忆 工具 规划多轮对话管理消息历史裁剪策略、滑动窗口、摘要压缩记忆机制短期记忆对话历史vs 长期记忆向量库常见前端场景聊天 UI 的消息状态生成中/失败/重试/停止、思考过程的折叠展示5. RAG检索增强生成流程必背文档切分Chunking→ Embedding 向量化 → 存向量库 → 检索 Top-K → 拼进 Prompt → 生成前端相关引用来源展示、上传文档的进度与状态管理6. MCPModel Context Protocol2024~2025 的高频新考点Anthropic 推出的模型-工具连接标准协议架构Host如 IDE/客户端→ Client → ServerServer 暴露 tools/resources/prompts一句话背MCP 是AI 应用的 USB-C 接口统一了工具接入标准替代各家私有的 Function Calling 插件协议7. Prompt Engineering前端也要会结构化提示词角色 背景 任务 约束 输出格式少样本 Few-shot让模型输出 JSON 的技巧与解析容错markdown 代码块包裹问题四、Agent 前端特有的场景设计题面试压轴设计一个 ChatGPT 式对话页面——考察流式渲染、虚拟列表、消息状态机、Markdown/代码高亮渲染注意 XSS用DOMPurify消毒、中断与重试长对话性能优化——消息列表越来越长怎么办虚拟滚动、避免全量 diff、分页加载历史网络不稳定下 SSE 断连——断线重连、Last-Event-ID续传、降级为轮询工具调用过程的 UI 交互设计——多步 Agent 执行时的进度可视化、失败重试粒度安全性——模型输出渲染 XSS、Prompt 注入在前端的防御边界说明注入主要靠服务端防御前端要做输出消毒五、手写代码 Top 8背熟防抖 节流Promise 并发限制器用 fetch ReadableStream 实现 SSE 流式解析⭐ 本岗位最核心手写题深拷贝处理循环引用数组扁平化 / 去重虚拟列表核心逻辑发布订阅模式EventEmitterAbortController取消请求封装SSE 流式解析参考实现必背骨架async function streamChat(url, body, onChunk, signal) { const res await fetch(url, { method: POST, headers: { Content-Type: application/json }, body: JSON.stringify(body), signal, }); const reader res.body.getReader(); const decoder new TextDecoder(); let buffer ; while (true) { const { done, value } await reader.read(); if (done) break; buffer decoder.decode(value, { stream: true }); const parts buffer.split(\n\n); buffer parts.pop(); // 处理分包最后一段可能不完整 for (const part of parts) { const line part.trim(); if (!line.startsWith(data:)) continue; const data line.slice(5).trim(); if (data [DONE]) return; onChunk(JSON.parse(data)); } } }六、复习优先级建议优先级内容理由P0JS 基础 框架原理 手写题任何前端岗位的门槛P0SSE 流式输出 对话页设计本岗位核心场景P1Function Calling / ReAct / MCPAgent 岗位差异化考点P1性能优化虚拟列表、首屏常见追问P2RAG、Prompt 工程、多 Agent 架构加分项能聊出深度即可P2微前端、SSR视 JD 而定
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/18 21:21:17

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/18 14:20:46

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/18 20:01:42

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/18 11:04:06

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/18 15:55:22

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/18 21:21:16

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉