主题
第 23 周 · Day 7：总收官——把 23 周装进一张面试速查卡
手册任务：最终复盘 + 心态调整。整理所有笔记，写一份"面试速查卡"，当日产出：速查卡。 本篇就是那张卡。设计目标只有一个：面试前 30 分钟，从第一条扫到最后一条，23 周的东西在脑子里全部归位。
今日目标
- 以本卡为索引过一遍全部笔记：能脱口而出的划掉，说不利索的做标记
- 十条"为什么"逐条口头回答，每条压在 30 秒内说完
- 把卡里属于你的部分换进去：自己的项目例子、自己踩的坑，速查卡才有你的指纹
概念讲解：为什么收官之作是一张卡
第 1 周 Day 7 讲过一个判断：识别不等于提取。教程摆在面前都认得，合上就说不出来。23 周前这个毛病叫"泛型我看懂了"，今天它叫"都学过，就是说不利索"。面试是纯提取现场：对面没有教程给你认，只有问题等你答。
速查卡是这 23 周提取训练的最后一轮。写卡时你对全部笔记做最后一次筛选，规则就一条：面试大概率会问、但你还没法脱口而出的，进卡。已经秒答的不用进，进了浪费 30 分钟额度；从没搞懂的也不进，今天补不完了，认了，把力气花在救得回来的上面。
卡的使用场景锁定"面试前 30 分钟"，这决定了两件事：长度必须半小时过完，超了就删；每个词条只负责唤起你已有的记忆，不负责教你新东西。所以它是索引，不是课文。
本篇给你的是骨架。今天的任务是把肉换成你自己的。
动手任务：把卡变成你的卡
第一步：逐条过卡（40 分钟）。 35 个词条逐个口头说，能秒答的删，卡壳的标出来回读对应周的教程。
第二步：往答案里塞你的例子（20 分钟）。 十条"为什么"的答案，每条换上你项目里的具体经历。"我们当时遇到的问题是……"比背出来的通用答案强十倍，面试官分得出来。
第三步：落地到设备（10 分钟）。 卡存手机、打印一份；checklist 第 4 项今天就把链接、设备测掉，别留到面试当天早上。
速查卡·一：核心概念一句话版（35 条）
工程底座
| 词条 | 一句话版 |
|---|---|
| 泛型约束 | T extends X 给泛型划下限。要在函数里访问传入值的具体属性就必须加，否则编译器不知道 T 上有没有这个属性。 |
| 事件循环 | JS 单线程的并发方案：同步代码跑完后按队列轮询回调，微任务（Promise）优先、宏任务（setTimeout、I/O）靠后。 |
| DI（依赖注入） | 依赖不从函数里 new 出来，而是从外部传入。换来实现可替换、测试可注入 mock。NestJS 的地基。 |
| Pydantic | Python 的运行时校验库：用类型注解声明模型，数据进出不合规则拒绝。FastAPI 请求解析和响应序列化的底座。 |
| asyncio | 单线程事件循环调度协程：碰到 await 的 I/O 就切走干别的，回来再继续。一个线程顶上万个并发连接。 |
| SSE | 基于 HTTP 的服务端单向推流，EventSource 自带断线重连。LLM 逐 token 输出的标配，因为只需要单方向推。 |
| RSC | React Server Components：组件在服务端执行，序列化后发给浏览器，不占客户端 bundle，数据获取和密钥留在服务端。 |
后端与数据
| 词条 | 一句话版 |
|---|---|
| 事务 + 索引 | 事务把一组写操作捆成原子单元，要么全成要么全回滚；索引用 B+ 树换查询速度，代价是写入变慢、占空间。慢查询第一反应：explain 看走没走索引。 |
| JWT 双 token | access 短寿命（分钟级）放请求头，refresh 长寿命（天级）只用来换新 access。泄露 access 的损失窗口小，用户又不用反复登录。 |
| 缓存三件套 | Cache-Aside 最常用：读先查缓存，miss 查库回填；写先更库、再删缓存。缓存挂了系统照样跑，这叫旁路。 |
| 分布式锁 | 多实例下用 Redis SET NX 加过期时间抢锁，保证同一时刻只有一个实例执行关键段；业务比锁先结束时要有续期机制。 |
| 幂等 | 同一请求执行一次和 N 次结果相同。手段：唯一请求 ID 加去重表、版本号乐观锁、状态机挡重复流转。下单、支付必须有。 |
| 多租户隔离 | 租户数据互相不可见。三档：共享表加行级安全（RLS）最常用、独立 schema、独立库最硬最贵，按合规要求选档。 |
交付与可观测
| 词条 | 一句话版 |
|---|---|
| Docker 多阶段构建 | 编译阶段用全量镜像装工具链，运行阶段只 COPY 产物进精简镜像。体积从 GB 级降到百 MB 级，攻击面也小。 |
| CI | push 或 PR 自动触发测试和构建：坏代码进不了主干，问题在合并前暴露。 |
| CD | CI 的产物自动部署到测试或生产：发布从人肉脚本变成流水线，可回滚、可审计。 |
| 结构化日志 | 日志写成带字段的对象（trace_id、user_id、level）而不是自由文本，日志平台才能按字段过滤聚合。 |
| 四黄金指标 | 延迟、流量、错误率、饱和度。Google SRE 的最小监控集，任何服务先有这四个再谈别的。 |
Agent 核心
| 词条 | 一句话版 |
|---|---|
| Function Calling | 模型不执行任何东西，只输出"调哪个函数加什么参数"的结构化 JSON，执行权在你的代码。模型点菜，应用炒菜。 |
| 结构化输出 | 用 JSON Schema 约束模型输出，保证下游能 parse。是 Function Calling 的底层机制，也是 Agent 间通信的地基。 |
| ReAct | Reason 加 Act 的循环：思考一步、调一次工具、读结果、再思考，直到给出最终答案。几乎所有 Agent 的执行骨架。 |
| LangGraph 四概念 | State（全局共享状态）、Node（改状态的函数）、Edge（固定流转）、Conditional Edge（按状态动态选路）。用图和状态机建模流程。 |
| Checkpointer | 每步执行后把 State 持久化到外部存储（如 Postgres）：会话可恢复、可回放调试，多轮记忆也架在它上面。 |
| interrupt | 把图暂停在某个节点，等外部输入（人工审批、补充信息）后从断点继续。Human-in-the-loop 的标准做法。 |
| 多 Agent | 一个大脑拆成多个职责单一的 Agent，supervisor 调度或手递手传递：上下文不再互相污染，可并行可扩展。但单 Agent 够用就别拆。 |
| RAG 全链路 | 文档、切块、embedding、向量库、检索 top-k、重排、拼上下文、生成。答案质量的上限在检索，不在生成。 |
| Hybrid 检索 | 向量召回管语义、BM25 管关键词，双路并行后用 RRF 融合。专有名词和精确匹配这些向量搞不定的场景靠 BM25 补。 |
| 重排序 | 用 cross-encoder 对初筛出的几十条精排出前几条。准但慢，所以只排不检。检索求召回，重排求精度。 |
| 评估三层 | 组件级（检索命中率、忠实度）、链路级（端到端答案质量）、系统级（延迟、成本、线上指标）。每层都要有数字，没数字的优化是玄学。 |
| LLM-as-judge | 用强模型按 rubric 给输出打分，解决人工评估贵和慢。两个前提：评分标准写清楚，定期抽样人审校准防漂移。 |
| MCP 三原语 | tools（模型可调的函数）、resources（模型可读的数据）、prompts（可复用的提示模板）。Agent 连外部的标准接口，人称 AI 应用的 USB-C。 |
| 记忆四分类 | 短期（当前上下文）、长期（跨会话持久化）、情景（带时间的经历）、语义（沉淀的事实与偏好）。落地：短期靠 State，长期靠向量库加结构化画像。 |
生产化
| 词条 | 一句话版 |
|---|---|
| 模型路由 | 按任务难度和成本把请求分给不同档位：分类抽取走小模型，复杂推理走旗舰，网关层统一调度，成本能砍一个量级。 |
| 死循环防御 | Agent 循环失控要分层兜底：环检测（识别重复状态和重复调用）、单步超时、预算上限在前，recursion_limit 硬上限是最后防线。 |
| 语义缓存 | 请求先 embedding，和历史问题比相似度，过阈值直接返回缓存答案，省 token 省延迟。阈值定低会答非所问，宁缺勿滥。 |
速查卡·二：高频"为什么"速答（10 条）
1. 为什么选 LangGraph，不裸调 API？ 裸调 API 就是自己写一个 while 循环，循环、分支、人工介入、断点恢复全要自己造。LangGraph 用图显式建模流程，State 集中管理，条件路由、interrupt、checkpointer 都是一等公民，生产级复杂流程的工程量小一个量级。
2. 为什么向量库用 pgvector，不上专用向量库？ 数据库本来就是 Postgres，pgvector 一个扩展装完，向量、业务表、元数据同库，事务和权限直接复用，运维零新增。专用库要到亿级向量、超高 QPS 才有优势，到那个规模再迁不迟。
3. 为什么流式输出用 SSE 不用 WebSocket？ LLM 流式只需要服务器往客户端单方向推 token。SSE 基于 HTTP：不用升级协议、过代理无障碍、自带重连。WebSocket 的双向能力和连接管理成本，这个场景用不上。
4. 为什么评估先行？ 没有评估集，改一版 prompt、换个模型，说不出是好是坏，等于蒙眼调参。先攒几十上百条测试样本建基线，之后每个改动跑一遍，优化才有方向和证据。顺序反了，前面全白干。
5. 为什么加一层 BFF？ 后端接口按领域切，前端要的屏按页面拼。BFF 替前端聚合、裁剪、重组接口，一个页面一次请求；前端迭代不用等后端排期。代价是多一跳延迟、多一层维护。
6. 为什么补知识用 RAG 不用微调？ 知识要频繁更新、要溯源、要控权限，这三件事微调都不擅长：注入事实贵、易幻觉、给不出引用来源。微调改的是行为和风格，知识常变走 RAG，风格和能力才考虑微调。
7. 为什么检索后还要重排，直接多召回一些不行吗？ 初检（bi-encoder）快但粗，cross-encoder 逐对精算相关性、准但慢，只能处理小候选集。多召回等于往 prompt 里塞更多平庸内容，稀释注意力还贵。分工是：向量粗筛几十条，重排取三五条。
8. 为什么 access token 不做长效，加个黑名单不行吗？ 黑名单要求每次请求查一次 Redis，JWT 无状态的优势就没了，等于把状态加回来还多一套设施。双 token 用短寿命自然过期替代吊销：泄露窗口分钟级，成本为零。
9. 为什么写库后是删缓存，不是更新缓存？ 并发写时"更新缓存"容易把旧值覆盖回缓存，且缓存值常是查询算出来的结果，更新逻辑复杂。删除是懒加载：下次读 miss 用库里的新值回填，最多多一次查询，保证最终一致。
10. 为什么拆多 Agent，单 Agent 多挂工具不行吗？ 工具一多，说明书全挤在一个上下文里，模型选工具的准确率往下掉。拆成职责单一的 Agent，各自上下文干净，还能并行。代价是通信开销，所以单 Agent 能解决就别拆。
速查卡·三：数字速记
| 数字 | 含义 |
|---|---|
| 25 | LangGraph recursion_limit 默认值 |
| 15~30 | 生产环境 recursion_limit 建议区间，宁可收紧别放开 |
| >80% | LLM-as-judge 与人工标注的一致性标准，低于这条线 judge 不可信 |
| 3% | 评估门禁：评估集分数跌幅超过 3% 就拦下这次发布 |
| 10% | 在线采样：线上流量抽 10% 进评估管道，盯真实效果 |
| 0.95 | 语义缓存相似度阈值，达到才命中，低于它宁可不缓存 |
| 90 秒 | 自我介绍时长，练到卡着秒说完 |
| 5 题 | 反问环节备好的提问数，用掉 3 题还有余量 |
面试里能随口报出具体数字的人不多，这张表是便宜的分。
速查卡·四：面试当天 checklist（8 项）
- 速查卡过一遍：就是本篇，30 分钟，从一扫到五，标记过的词条多停一眼
- 架构图手画一遍：纸笔默画简历上那个系统的图，节点、边、数据流，10 分钟，边画边说出声
- 数字表过一遍：第三节那八行
- 设备与链接备好：线上提前测摄像头、麦克风、耳机，会议链接存进日历；线下确认路线，提前 10 分钟到
- 90 秒自我介绍出声练一遍：掐表，最后留一遍给自己听
- 反问 5 题带好：团队在做什么、技术栈、这个岗位怎样算成功、入职第一个月的期待、面试官本人的感受
- 简历和 JD 对一遍：每条经历备好 2 分钟展开，JD 关键词和你的项目对得上
- 心态：你是做过真系统的人。对面问的每一块你都真踩过坑，这不是壮胆，是 23 周换来的事实
速查卡·五：毕业寄语
写在第 161 天
23 周前的 Day 1，你在琢磨 T extends 到底约束了什么；今天你在拆多 Agent 的拓扑、定评估门禁。从一行泛型到一套真系统，这条弧线是一天一天写出来的，没有捷径的那部分，你全走完了。
但真正的学习现在才开始。工作里的坑不按教程顺序出现，模型会换代，框架会更名，带得走的只有这 23 周练出的习惯：动手、复盘、用输出逼出理解。
速查卡会过时，你不会。去工作里继续写你的第 24 周吧。毕业快乐。
常见踩坑
把速查卡当新教材背。 卡是索引不是课文。看着词条能顺嘴说两句就过，卡壳的才回读教程。面试前夜还在逐字背，说明筛选没做。
面试前夜熬夜刷题。 30 分钟过完卡就去睡。反应速度和思路清晰比多记三个词条值钱，睡够的人赢熬夜的人。
卡越写越厚。 进卡标准是"会问但说不出"，不是"重要就放进来"。半小时过不完的卡就不是速查卡，删。
延伸阅读
- 第 1 周 Day 7：周复盘方法论：提取训练从那天开始，今天收尾
- 第 23 周总览：本周前六天的八股笔记、模拟面试反馈，是这张卡的原料
23 周，161 天，到此收口。