做完RAG项目后，我为什么还是没通过AI面试？

前言

在上一篇文章中，我分享了自己第一个RAG项目的实现过程和整体架构。第3篇：我的企业级RAG项目是怎么设计的？（附核心架构图）

项目做完之后。

说实话。

我有点膨胀了。

看着自己的系统已经能够：

• 文档上传
• Chunk切分
• Embedding
• Milvus检索
• Prompt组装
• 大模型回答

甚至还能输出参考资料。

那种感觉就像：

宝刀在手，天下我有。

于是我迫不及待开始投递AI岗位。

很快约到了一家AI应用开发公司的面试。

我以为这是一次验证成果的机会。

结果却被狠狠上了一课。

---

我以为会问RAG、Prompt、Agent

面试前。

我准备的内容基本都是：

• RAG
• Prompt
• 向量数据库
• Embedding
• Spring AI

甚至还临时看了看：

• Agent
• Memory
• Workflow

因为我觉得：

既然是AI应用开发岗位。

那肯定主要考AI。

结果面试开始十分钟后。

我发现自己想错了。

---

面试官问的，根本不只是AI

面试官并没有一上来问：

什么是RAG？

什么是Agent？

Chunk怎么切？

相反。

他更关注的是：

如果明天让你负责一个企业级AI项目，你准备怎么落地？

围绕这个问题。

我们聊到了很多内容：

• Redis如何承担会话记忆与缓存能力
• MQ如何处理异步任务与长耗时调用
• Docker如何进行环境部署
• Kubernetes如何实现扩缩容
• CI/CD如何快速发布迭代
• Token成本如何统计与控制
• 多模型如何路由切换
• 多Agent如何协同工作
• 如何与现有业务系统集成

这些技术其实我过去工作中都接触过。

但过去更多是站在传统业务系统的角度使用它们。

而面试官的问题则是：

当AI进入生产环境以后，这些能力应该如何与AI结合？

这恰恰是我当时准备不足的地方。

---

真正让我愣住的一个问题

面试过程中。

面试官问了我一个问题：

如果让你把现在这个RAG项目部署到生产环境，你会怎么控制成本？

当时我第一反应是：

换更便宜的模型。

面试官明显不认同。

继续追问：

• 如果每天10万次请求怎么办？
• 多个部门同时使用怎么办？
• Token费用如何统计？
• 如何根据场景自动切换模型？
• 什么场景用DeepSeek？
• 什么场景用GPT？
• 什么场景用轻量模型？

那一刻我突然意识到。

自己做的其实还是一个：

能跑通的稍微正式一点的Demo

而企业真正关注的是：

能不能长期运行

能不能控制成本

能不能规模化推广

后来回头看。

这其实已经不是模型问题。

而是工程问题。

---

我到底翻车在哪里

后来复盘这场面试。

我发现问题并不在AI。

而在认知。

我犯了一个很多转型开发者都会犯的错误：

把AI当成了全部。

过去一段时间。

我把大量时间投入到了：

• RAG
• Embedding
• Prompt
• 向量库

这些AI技术上。

却忽略了一个事实：

AI应用开发本质上依然是软件开发。

企业不会因为系统接入了大模型。

就突然不需要：

• Redis
• MQ
• 数据库
• 微服务
• DevOps

这些基础能力。

恰恰相反。

因为接入AI之后。

系统反而变得更复杂了。

例如：

一个简单的企业AI助手。

背后可能就需要解决：

• 会话记忆管理
• Token统计
• 成本控制
• 多模型切换
• 权限体系
• 数据隔离
• 监控告警
• 高并发访问

这些问题。

本质上全部都是工程问题。

---

AI岗位真正需要什么能力

这次面试之后。

我重新看了大量招聘信息。

也重新思考了AI应用开发的本质。

我发现企业真正需要的并不是：

AI能力

而是：

AI能力 + 工程能力

前者决定：

你能不能把模型接进来。

后者决定：

你能不能让它稳定运行。

例如：

RAG只是开始。

真正上线之后还会遇到：

• Token统计
• 成本治理
• 多租户隔离
• 权限控制
• 灰度发布
• 熔断降级
• 模型路由
• 监控告警
• 高可用设计

这些问题。

而这些往往才是企业真正关心的问题。

---

我的调整方向

面试结束后。

我重新调整了学习计划。

AI继续学。

但不再只学AI。

开始重新补：

AI方向

• Agent
• Workflow
• Memory
• MCP
• 多模型架构
• AI Gateway

工程方向

• Redis
• MQ
• Docker
• Kubernetes
• CI/CD
• JVM
• 系统设计
• 高并发架构

因为我越来越意识到：

未来企业真正缺的。

可能不是会调用大模型的人。

而是能够把大模型落地到生产环境的人。

---

我最大的收获

如果让我总结这次面试最大的收获。

那就是：

AI应用开发的核心，从来不是调用模型。

而是让模型真正服务业务。

过去一段时间。

我一直在研究：

• RAG
• Prompt
• Embedding
• 向量库

这些内容当然重要。

但企业真正愿意付费的。

从来不是一个会调用API的人。

而是一个能够把AI能力稳定、安全、低成本落地到生产环境的人。

所以这次面试之后。

我不再把自己定位成：

AI学习者

而是：

AI工程化开发者

这或许才是传统开发者转型AI最应该走的方向。

---

写在最后

这次面试虽然失败了。

但我并不后悔。

因为它让我提前发现了自己的短板。

也让我看清了企业真正需要的能力。

很多时候。

失败并不可怕。

可怕的是不知道自己为什么失败。

至少这一次。

我找到了答案。

后续我会继续分享：

• AI学习记录
• 项目实战经验
• 面试复盘总结
• Java转AI过程中的踩坑记录
• AI岗位准备路线

以及完整项目代码。

如果你也是一名正在转型中的开发者。

希望这些内容能够给你一些参考。

---

📖 系列目录

• 第1篇：30岁+、10年Java，我决定转向AI应用开发
• 第2篇：公司裁员后，我花了20天做出了第一个RAG项目
• 第3篇：我的企业级RAG项目是怎么设计的？（附核心架构图）
• 第4篇：做完RAG项目后，我为什么还是没有通过AI面试

如果这篇文章对你有帮助，欢迎点赞、收藏、关注，我会持续更新这个系列。