前端 AI 面试主要考什么？
- 重点不是训练大模型，而是如何把 AI 能力稳定、安全、低延迟地集成进前端产品。
- 高频方向包括流式响应、聊天 UI、RAG、工具调用、Agent、多模态、安全、成本和可观测性。
前端工程师需要懂大模型到什么程度？
- 需要理解模型输入输出、上下文窗口、token、流式返回、工具调用和结构化输出。
- 不一定要会训练模型，但要能把模型能力变成可靠的用户体验。
LLM 应用和传统前端应用最大的区别是什么？
- 传统应用输出相对确定，LLM 应用输出具有概率性和不确定性。
- 因此前端要额外处理加载过程、流式状态、错误兜底、结果校验和安全边界。
前端接入 AI 的常见架构是什么？
- 浏览器不直接调用模型密钥，而是请求自己的后端或边缘函数。
- 后端负责鉴权、拼 prompt、调用模型、处理工具、做审计和返回流式结果。
为什么不建议前端直连大模型 API？
- API Key 会暴露在浏览器里，任何用户都能提取并滥用。
- 业务规则、权限校验、限流、日志和安全过滤也不应该放在纯前端。
AI 应用里的 token 是什么？
- token 是模型处理文本的基本单位，可以理解为被切分后的文本片段。
- 输入和输出都会消耗 token，影响成本、延迟和上下文容量。
上下文窗口是什么？
- 上下文窗口是模型一次请求可处理的最大 token 范围。
- 聊天历史、系统提示、检索资料、工具结果和用户输入都会占用上下文。
上下文窗口越大越好吗？
- 不一定，上下文越大通常成本越高、延迟越大。
- 更好的做法是保留关键上下文、摘要历史、按需检索，而不是无脑塞全部内容。
Prompt 在前端 AI 产品中起什么作用？
- Prompt 定义模型角色、任务目标、输出格式、约束和可用上下文。
- 对前端来说，它是产品体验、业务规则和模型能力之间的接口。
System Prompt 和 User Prompt 有什么区别？
- System Prompt 通常放高优先级规则，比如身份、边界、格式和安全要求。
- User Prompt 是用户当前输入，应该被视为不可信内容。
为什么用户输入不能直接拼进系统指令？
- 用户输入可能包含 Prompt Injection，让模型忽略原规则或泄露信息。
- 应把用户输入作为数据处理，并明确分隔业务指令和用户内容。
Prompt Injection 是什么？
- 它是通过恶意输入诱导模型违反原始指令的攻击。
- 例如让模型忽略系统规则、泄露隐藏提示、调用不该调用的工具。
前端如何降低 Prompt Injection 风险？
- 不把敏感信息给模型，不信任模型输出，关键操作走后端权限校验。
- UI 上对工具调用、外部链接、危险操作增加确认和可解释提示。
RAG 是什么？
- RAG 是检索增强生成，先从知识库检索相关资料，再让模型基于资料回答。
- 它适合企业知识库、文档问答、客服、代码助手和政策查询。
RAG 为什么适合前端产品？
- 它能让模型回答业务私有数据和最新数据，而不依赖模型训练时的知识。
- 前端可以展示引用来源、检索片段和回答可信度，提升用户信任。
RAG 的基本流程是什么？
- 文档切分、向量化、入库，用户提问后做检索、重排、拼上下文、生成回答。
- 最后还要做引用展示、权限过滤、结果校验和反馈收集。
Embedding 是什么？
- Embedding 是把文本、图片等内容转成向量表示。
- 相似语义的内容在向量空间中距离更近，方便做语义检索。
向量数据库解决什么问题？
- 它用于存储向量并快速查找语义相似内容。
- 常用于知识库问答、推荐、相似文档、语义搜索。
RAG 中 chunk 切分为什么重要？
- chunk 太大容易引入无关内容，太小又可能丢上下文。
- 合理切分会影响检索准确率、引用质量和 token 成本。
RAG 为什么需要重排？
- 初步向量检索可能只保证大致相关。
- 重排可以把真正和问题最匹配的片段排到前面，减少模型读错上下文。
RAG 前端应该展示引用吗？
- 应该，引用能让用户知道答案依据来自哪里。
- 对知识库、法律、医疗、金融、企业制度类产品尤其重要。
RAG 答案不准怎么排查？
- 先看是否检索到了正确文档，再看 chunk、重排、prompt 和模型输出。
- 不要只怪模型，很多问题发生在数据清洗和检索阶段。
AI 聊天界面和普通聊天界面有什么区别？
- AI 聊天需要处理流式输出、停止生成、重新生成、编辑问题、引用、工具调用和失败恢复。
- 还要展示模型状态，比如思考中、检索中、调用工具中、生成中。
流式响应为什么重要？
- 它能让用户更快看到首字，降低等待焦虑。
- 对长回答和复杂任务，流式体验比等完整结果返回自然很多。
前端实现 AI 流式响应常用什么技术？
- 常用 Server-Sent Events、ReadableStream、Fetch Streams 或 WebSocket。
- 普通文本生成多用 SSE 或 Fetch Stream，实时语音和双向交互更适合 WebSocket 或 WebRTC。
SSE 是什么？
- SSE 是服务端向浏览器单向推送事件的机制。
- 它基于 HTTP，适合模型 token 流、状态事件、进度事件等服务端到客户端的场景。
SSE 和 WebSocket 有什么区别？
- SSE 是单向服务端推送，协议简单，自动重连友好。
- WebSocket 是双向长连接，适合实时协作、语音、游戏和频繁双向通信。
Fetch Stream 和 EventSource 怎么选？
- EventSource 使用简单，但只支持 GET 且自定义请求能力有限。
- Fetch Stream 更灵活，适合 POST、鉴权头、复杂请求和现代 AI 接口。
流式响应前端如何解析？
- 需要按 chunk 读取字节流，再按协议解析事件或文本片段。
- 要处理半包、换行、结束标记、错误事件和取消请求。
AI 流式输出为什么会乱码？
- 常见原因是把 UTF-8 字节流按错误边界解码。
- 应使用
TextDecoder的 stream 模式或成熟 SDK 处理增量解码。
如何实现“停止生成”？
- 前端用
AbortController取消请求。 - 后端收到 abort 后应中断模型调用、工具调用和资源占用。
停止生成后消息状态怎么处理？
- 应保留已生成内容，并标记为已停止或未完成。
- 可以允许用户继续生成、重新生成或复制已有片段。
AI 回复流式渲染时如何避免页面卡顿？
- 不要每个 token 都触发重渲染，可做节流、批量更新或使用 requestAnimationFrame。
- 长消息要虚拟列表、增量渲染 Markdown，并避免重复全量解析。
Markdown 流式渲染有什么难点？
- 模型输出是增量文本，代码块、表格、链接可能暂时不完整。
- 前端要容忍不完整语法，必要时在流结束后再做一次完整渲染。
AI 回复中的代码块怎么处理？
- 支持语法高亮、复制、折叠、运行提示和安全展示。
- 代码不要直接执行，特别是 HTML、JS、Shell 等高风险内容。
AI 消息列表为什么需要虚拟滚动？
- 长对话中 Markdown、代码块、图片和引用会让 DOM 很大。
- 虚拟滚动能减少渲染节点，提高滚动性能。
聊天界面的自动滚动要注意什么？
- 用户在底部时自动跟随新内容，用户向上阅读时不要强行拉回底部。
- 可以显示“回到底部”按钮，兼顾阅读和实时生成。
AI 应用中 Loading 不应该只显示转圈，为什么？
- AI 任务可能包含检索、分析、工具调用、生成多个阶段。
- 展示具体阶段能降低等待焦虑，也方便用户理解系统正在做什么。
Structured Outputs 是什么？
- 结构化输出是让模型按指定 JSON Schema 或类型结构返回结果。
- 它适合表单生成、信息抽取、配置生成、前端组件渲染和自动化流程。
为什么 AI 前端需要结构化输出？
- 自然语言难以直接驱动可靠 UI。
- 结构化输出能让前端安全解析字段、渲染组件、校验数据和处理错误。
JSON Mode 和 Structured Outputs 有什么区别？
- JSON Mode 主要保证输出是 JSON 格式。
- Structured Outputs 更强调符合指定 schema，适合强类型业务场景。
模型返回 JSON 还需要校验吗？
- 需要，模型输出仍可能字段缺失、类型不符或业务含义错误。
- 前端和后端都应使用 schema 校验，比如 Zod、JSON Schema。
AI 生成 UI 是什么？
- AI 根据用户意图或结构化数据生成界面片段。
- 实战中更推荐生成受控 JSON 配置，再由前端映射到白名单组件。
为什么不建议让模型直接生成可执行前端代码？
- 直接执行模型代码有 XSS、数据泄露和越权风险。
- 更安全的方式是让模型选择受控组件和参数，由系统渲染。
Generative UI 的安全边界是什么？
- 模型只能输出受限 schema，组件必须来自白名单。
- 数据、动作和权限由业务系统校验，不能让模型自己决定越权操作。
Tool Calling 是什么？
- Tool Calling 是模型根据任务选择调用外部函数或 API。
- 例如查询订单、搜索文档、创建日程、生成图表、调用数据库。
Function Calling 和 Tool Calling 有什么区别？
- Function Calling 通常指模型输出函数名和参数。
- Tool Calling 范围更宽，可以包括函数、搜索、文件、代码执行、浏览器操作等工具。
工具调用为什么要由后端执行？
- 工具通常涉及权限、密钥、数据库和真实副作用。
- 后端可以做鉴权、参数校验、审计、限流和人工确认。
前端如何展示工具调用过程？
- 可以显示工具名称、输入摘要、执行状态、结果摘要和错误信息。
- 对敏感操作应提供确认按钮，而不是静默执行。
Tool Calling 的参数为什么要用 schema？
- schema 能限制参数类型、必填字段和枚举范围。
- 它减少模型传错参数，也方便前后端类型推导。
Agent 是什么？
- Agent 是能围绕目标自主规划、调用工具、观察结果并继续执行的 AI 系统。
- 它不只是一次文本生成，而是多步骤任务执行流程。
Agent 和普通聊天机器人有什么区别？
- 普通聊天机器人主要回答问题。
- Agent 会调用工具、维护状态、拆解任务、处理失败并完成目标。
前端 Agent 产品要关注什么？
- 关注任务进度、可中断、可恢复、工具审批、错误解释和结果可追踪。
- 用户需要知道 Agent 做了什么、为什么做、能不能撤销。
Agent 为什么需要人类确认？
- 因为工具调用可能产生真实副作用，比如发邮件、下单、删除数据。
- 高风险动作必须让用户确认，后端也要校验权限。
Agent 的循环如何防止失控？
- 设置最大步数、最大耗时、最大成本、工具白名单和停止条件。
- 对重复失败的工具调用要中断并提示用户。
Subagent 是什么？
- Subagent 是专门负责某类子任务的 Agent。
- 它能把复杂任务拆给不同角色处理，比如检索、代码审查、总结、翻译。
多 Agent 前端怎么展示？
- 可以用任务时间线、分组卡片、步骤状态、子任务结果和最终汇总。
- 不建议把所有内部推理都暴露给用户，应展示可解释的工作摘要。
Chain-of-Thought 要不要展示给用户？
- 通常不展示完整隐藏推理。
- 可以展示简洁的过程摘要、引用依据、工具结果和决策理由。
Reasoning Model 对前端有什么影响？
- 推理模型可能延迟更高、成本更高，但复杂任务准确性更好。
- 前端要展示阶段状态，并为长任务提供后台执行、通知和取消能力。
模型选择应该考虑什么？
- 任务复杂度、延迟、成本、上下文长度、多模态能力、工具调用能力和输出稳定性。
- 简单分类、改写、摘要不一定要用最强模型。
多模型路由是什么？
- 根据任务类型、用户等级、成本预算或失败重试选择不同模型。
- 例如简单问题走轻量模型，复杂推理走高能力模型。
AI 应用如何做降级？
- 模型失败时可切备用模型、返回缓存答案、转人工、提供手动流程。
- 前端要把失败说清楚，并保留用户输入，避免让用户重打。
AI 应用如何做重试？
- 网络错误、限流、超时可指数退避重试。
- 对非幂等工具调用不能盲目重试，必须防重复执行。
Rate Limit 对前端有什么影响？
- 用户可能遇到请求过快、额度不足或并发限制。
- 前端应做按钮禁用、排队提示、重试倒计时和友好错误。
AI 成本由什么决定？
- 主要由输入 token、输出 token、模型价格、工具调用、检索、图片音频处理和重试决定。
- 前端产品设计会直接影响成本，比如是否无节制保留历史上下文。
前端如何帮助降低 AI 成本？
- 限制输入长度、裁剪历史、摘要上下文、缓存常见答案、按需检索。
- UI 上避免用户重复提交和无意识触发多次生成。
Prompt Caching 是什么？
- 它是复用重复前缀上下文来降低延迟或成本的能力。
- 适合固定系统提示、长文档上下文和重复知识库场景。
AI 应用为什么要做请求去重？
- 用户双击、网络重试、组件重复渲染都可能触发重复请求。
- 去重能降低成本，也避免生成多条冲突回答。
AI 应用如何做前端缓存？
- 可缓存 prompt 输入、检索结果、模型回答、结构化解析结果。
- 要注意用户权限、数据时效和隐私，不能把私有答案跨用户复用。
多轮对话历史怎么管理？
- 只保留关键上下文，长历史做摘要或按需检索。
- 系统提示、用户事实、工具结果和最终答案应分层管理。
聊天历史为什么不能无限传给模型？
- 会增加 token 成本和延迟，还可能把过期信息带入回答。
- 需要截断、摘要、引用关键事实或用检索恢复历史。
对话摘要有什么风险？
- 摘要可能遗漏细节或引入错误。
- 重要事实应结构化保存，必要时保留原始消息引用。
Memory 在 AI 应用中是什么？
- Memory 是系统长期保存的用户偏好、事实或业务上下文。
- 它必须可查看、可修改、可删除，并遵守隐私和权限规则。
前端如何设计 AI 设置页？
- 提供模型偏好、语气、历史记录、记忆开关、数据使用说明和清除入口。
- 用户应能理解 AI 保存了什么以及如何控制。
AI 应用中的隐私风险有哪些？
- 用户可能输入个人信息、公司机密、凭证、合同、代码等敏感数据。
- 系统要做脱敏、权限控制、数据保留策略和明确提示。
前端如何处理敏感信息输入？
- 对明显密钥、手机号、邮箱、身份证等做提示或脱敏。
- 真正的安全策略仍应在后端执行，前端只是第一层提醒。
AI 输出需要内容安全审核吗？
- 需要，尤其是面向公众用户、未成年人、医疗金融法律等场景。
- 可结合模型安全分类、关键词规则、人工审核和用户举报。
AI 输出的 XSS 风险来自哪里？
- 模型可能输出 HTML、脚本、危险链接或 Markdown 注入。
- 前端渲染前必须 sanitize，不要直接用不可信 HTML。
渲染 AI Markdown 如何防 XSS？
- 使用可信 Markdown 渲染器，并禁用或清洗 HTML。
- 链接要处理协议白名单，避免
javascript:等危险 URL。
AI 生成链接要注意什么？
- 展示真实 href，避免伪装链接。
- 外链可加安全提示、nofollow、noopener、noreferrer 和风险检测。
模型幻觉是什么？
- 幻觉是模型生成看似合理但不真实的信息。
- 解决思路包括 RAG、引用、结构化校验、规则约束和人工确认。
前端如何降低用户对幻觉的误信？
- 显示引用、置信提示、更新时间、适用范围和“请核对”提醒。
- 高风险领域不要把 AI 输出设计成绝对结论。
AI 结果为什么要提供反馈按钮？
- 用户反馈能帮助发现坏案例、幻觉、格式错误和产品体验问题。
- 反馈最好绑定 prompt、模型、版本、检索片段和输出。
AI 可观测性要记录什么？
- 记录请求 ID、用户场景、模型、token、延迟、错误、工具调用、检索命中和反馈。
- 避免记录敏感原文，必要时脱敏或做访问控制。
前端 AI 埋点有哪些关键指标？
- 首 token 时间、总耗时、停止率、重试率、复制率、点赞率、转人工率、任务完成率。
- 还要看每个模型和每个功能入口的成本。
First Token Latency 是什么？
- 它是用户发起请求到看到第一个输出片段的时间。
- 对聊天产品体验非常关键，通常比总耗时更影响体感。
AI 响应慢怎么优化？
- 使用流式返回、降低输入上下文、选择更快模型、缓存固定前缀、并行检索。
- 前端上要分阶段展示状态，避免用户感觉卡死。
AI 应用如何做超时设计？
- 设置连接超时、首 token 超时、总任务超时和工具调用超时。
- 超时后提供重试、后台继续、通知或降级答案。
多模态 AI 对前端提出什么要求？
- 前端要处理图片、音频、视频、文件上传、预览、压缩、权限和进度。
- 还要处理更复杂的隐私风险和更高的传输成本。
图片输入 AI 前端要注意什么？
- 上传前可压缩、裁剪、格式转换和限制尺寸。
- 用户隐私、EXIF 信息、图片敏感内容和上传进度都要处理。
文件问答前端要注意什么？
- 展示上传进度、解析状态、索引状态、失败原因和可问范围。
- 大文件要分片上传、断点续传或后台处理。
语音 AI 前端常用哪些技术？
- 常用 MediaRecorder、WebRTC、WebSocket、AudioWorklet 和浏览器音频 API。
- 实时语音更关注低延迟、回声、打断、权限和状态反馈。
实时语音助手为什么常用 WebRTC？
- WebRTC 适合低延迟音视频传输，并支持网络自适应。
- 对实时对话、打断和双向音频流更友好。
语音输入要处理哪些 UI 状态？
- 麦克风权限、录音中、识别中、网络异常、静音、打断、音量波形。
- 用户必须清楚知道什么时候正在录音。
AI 图片生成前端要注意什么？
- 处理 prompt、尺寸、风格、批量生成、进度、失败重试和内容安全。
- 生成结果要支持预览、下载、历史记录和版权/使用提示。
浏览器端运行 AI 模型可行吗？
- 可行，但受模型大小、设备性能、内存、电量和浏览器能力限制。
- 适合小模型、离线任务、隐私敏感或低延迟场景。
WebGPU 对浏览器端 AI 有什么价值？
- WebGPU 能让浏览器更高效使用 GPU 做并行计算。
- 它为端侧推理、图像处理和高性能计算提供基础。
WebNN 是什么？
- WebNN 是浏览器端神经网络推理 API 方向，目标是调用设备硬件加速能力。
- 生产使用要看浏览器支持和框架适配情况。
端侧 AI 和云端 AI 怎么选？
- 端侧隐私好、延迟低、可离线，但能力和设备稳定性受限。
- 云端能力强、易升级，但有成本、网络和隐私压力。
前端如何设计 AI 模型加载体验？
- 展示模型下载进度、初始化状态、设备要求和失败降级。
- 大模型端侧加载要避免阻塞主线程，并允许用户取消。
Web Worker 在 AI 前端中有什么用？
- 可把文本解析、embedding、小模型推理、音频处理等重任务移出主线程。
- 避免聊天输入、滚动和动画被计算任务卡住。
WASM 在 AI 前端中有什么用？
- WASM 可运行高性能推理、图像处理、音频处理或模型工具库。
- 要关注加载体积、线程、SIMD、内存和浏览器兼容。
AI SDK 对前端有什么价值？
- 它封装模型调用、流式协议、消息状态、工具调用和类型结构。
- 前端可以更快搭建 chat、completion、assistant 和 generative UI。
AI SDK UI 解决什么问题？
- 它提供面向 UI 的消息流、hooks 和流式数据协议。
- 能减少自己处理 SSE、消息状态、增量更新和错误恢复的成本。
useChat 通常负责什么？
- 管理消息列表、输入、提交、流式更新、加载状态和错误状态。
- 真实项目仍要结合鉴权、业务参数、埋点和自定义消息渲染。
useObject 适合什么场景？
- 适合流式生成结构化 JSON 对象。
- 比如生成表单配置、图表数据、筛选条件、页面模块配置。
AI UI Message 和普通 message 有什么区别？
- AI UI Message 可能包含文本、工具调用、工具结果、引用、进度和自定义数据片段。
- 它不是简单的
{ role, content }。
为什么 AI 消息要有稳定 id？
- 稳定 id 方便更新流式消息、重试、反馈、复制和日志关联。
- 没有 id 容易出现重复渲染和状态错乱。
AI 应用中如何处理并发提问？
- 可以限制同一会话一次只生成一个回答，或为每次请求建立独立任务。
- UI 上要明确哪个回答对应哪个问题，并支持取消。
React 中流式消息如何减少重渲染？
- 把输入框、消息列表、当前流式消息拆分组件。
- 对增量文本做节流更新，长列表使用虚拟滚动。
Vue 中流式消息如何减少性能问题？
- 避免每个 token 都深层响应式更新大数组。
- 可把当前流式文本单独维护，批量合并到消息列表。
Next.js 中 AI 接口常放在哪里？
- 常放在 Route Handler、Server Action 或独立后端服务。
- 需要根据运行环境选择 Node Runtime 或 Edge Runtime。
Edge Runtime 调用 AI 有什么优势？
- 更靠近用户，启动快，适合轻量代理和流式转发。
- 但 Node API、依赖兼容、执行时长和内存会有限制。
AI 接口为什么要支持流式透传？
- 后端不需要等模型完整输出后再返回，可以边收边转发给前端。
- 这能降低首 token 延迟，提升用户体验。
AI 接口如何处理鉴权？
- 用户请求先经过业务鉴权，确认会话、套餐、权限和额度。
- 模型 API Key 只放服务端，不能暴露给浏览器。
AI 应用为什么要做限流？
- 防止恶意刷接口、成本失控和模型服务被打满。
- 可按用户、IP、组织、功能和模型维度限流。
AI 功能如何做额度设计？
- 可按次数、token、模型类型、文件大小、并发任务和月度预算限制。
- UI 上要清晰展示剩余额度和升级路径。
AI 应用如何处理错误提示？
- 区分网络错误、鉴权失败、限流、模型超时、内容安全拒绝、工具失败。
- 错误文案要可行动，比如重试、缩短输入、稍后再试或联系管理员。
内容安全拒绝怎么设计体验？
- 不要只显示“失败”，应说明请求不符合安全策略。
- 可以建议用户换一种安全表达，但不要泄露绕过规则的方法。
AI 输出为什么要支持重新生成？
- 模型输出有随机性，用户可能想要不同版本。
- 重新生成应保留原问题，并记录不同回答版本，方便对比和反馈。
temperature 是什么？
- temperature 控制输出随机性。
- 值低更稳定，适合事实、结构化和代码；值高更发散，适合创意。
top_p 是什么？
- top_p 控制 nucleus sampling，从累计概率范围内采样。
- 通常不要同时大幅调整 temperature 和 top_p，避免结果不可控。
AI 应用中 seed 有什么用？
- seed 可帮助生成更可复现的结果。
- 但复现还受模型版本、参数、上下文和服务端实现影响。
AI 输出长度如何控制？
- 通过 max output tokens、prompt 约束、结构化字段长度和 UI 限制共同控制。
- 不要只依赖前端截断，模型侧也要限制成本。
AI 应用如何做国际化？
- UI 文案走传统 i18n，模型输出语言通过用户语言和系统提示控制。
- 对多语言知识库要考虑检索语言、翻译和引用一致性。
AI 翻译功能前端要注意什么？
- 保留原文、目标语言、术语表和上下文。
- 长文翻译要分段、保持格式，并支持人工校对。
AI 代码助手前端要注意什么？
- 展示 diff、解释、风险、测试建议和可回滚操作。
- 不要让模型直接改生产代码或执行命令，关键动作需要确认。
AI 表单助手适合做什么？
- 根据自然语言生成表单草稿、补全文案、抽取字段、校验输入。
- 最终提交前应让用户确认每个关键字段。
AI 搜索和传统搜索有什么区别？
- 传统搜索返回匹配结果列表，AI 搜索更倾向直接综合答案。
- AI 搜索必须提供引用和可追溯来源，否则容易让用户误信幻觉。
AI 推荐功能要注意什么？
- 关注推荐理由、可解释性、用户反馈和偏见控制。
- 不要把模型输出直接当排序真理，应结合业务规则和实验数据。
AI 客服前端要注意什么？
- 提供转人工、引用知识库、会话记录、用户身份和问题分类。
- 高风险回答要限制范围，不能让模型编造政策。
AI Copilot 和普通助手有什么区别？
- Copilot 更贴近当前页面上下文，帮助用户完成具体任务。
- 它通常需要读取页面状态，并通过工具调用执行操作。
页面级 Copilot 如何拿上下文？
- 可传当前路由、选中内容、表单状态、用户权限、业务对象摘要。
- 不要把整个页面 DOM 和敏感数据无差别传给模型。
AI 操作业务数据前端要怎么设计？
- 先预览操作计划，再让用户确认，最后展示执行结果。
- 删除、支付、发送、发布等高风险动作必须二次确认。
AI 生成 SQL 或查询条件要注意什么？
- 前端只展示意图和可编辑条件，后端做权限、字段白名单和查询限制。
- 不要让模型直接拼接可执行 SQL。
AI 生成图表前端怎么做更安全？
- 让模型输出受控图表 schema，比如图表类型、维度、指标、筛选条件。
- 前端用白名单图表组件渲染，不执行任意代码。
AI 生成页面配置要注意什么？
- schema 要限制组件类型、属性、数据源和动作。
- 渲染层必须做白名单映射和默认兜底。
AI 应用为什么要做版本管理？
- Prompt、模型、工具、检索库和前端 UI 任一变化都可能影响结果。
- 版本管理方便回溯问题、A/B 测试和灰度发布。
Prompt 需要像代码一样管理吗？
- 需要，Prompt 应有版本、评审、测试、回滚和变更记录。
- 重要 Prompt 不应散落在前端组件里。
Prompt 测试怎么做？
- 准备典型问题、边界问题、攻击问题和业务高风险问题。
- 对输出格式、事实准确性、安全性和用户体验做自动或人工评估。
AI Eval 是什么？
- Eval 是对模型或 AI 工作流效果的评估。
- 可以评估准确率、格式合规、引用正确、安全性、延迟和成本。
前端参与 AI Eval 的价值是什么？
- 前端最了解用户路径和真实输入。
- 可以从日志、反馈、复制、修改、转人工等行为中发现坏案例。
A/B 测试 AI 功能要注意什么？
- 要控制模型、prompt、检索、UI 变量，避免多个变化混在一起。
- 指标不只看点击率，还要看任务完成率、满意度、成本和安全事件。
AI 应用上线前要检查什么？
- 鉴权、限流、成本、日志、隐私、安全过滤、降级、错误提示、监控和回滚。
- 还要准备 Prompt Injection、越权工具调用和恶意输入测试。
AI 功能灰度发布怎么做？
- 按用户、组织、地区、套餐或功能开关逐步开放。
- 灰度期间重点看错误率、成本、延迟、安全拦截和用户反馈。
AI 应用如何做回滚？
- 可以回滚前端版本、Prompt 版本、模型路由、工具配置或知识库索引。
- 因为 AI 链路多，回滚点要比普通前端更多。
AI 前端安全面试高频点有哪些？
- API Key 保护、Prompt Injection、XSS、越权工具调用、敏感数据泄露、幻觉和供应链风险。
- 回答时要强调“模型输出不可信，用户输入不可信，关键操作后端校验”。
OWASP LLM Top 10 对前端有什么启发？
- 前端要把 Prompt Injection、敏感信息泄露、不安全输出处理、过度代理权限当作核心风险。
- UI 设计和交互确认也是安全控制的一部分。
Insecure Output Handling 是什么？
- 它指系统直接信任模型输出并用于渲染、执行或调用下游系统。
- 前端常见风险是直接渲染 HTML、执行代码、打开危险链接。
Excessive Agency 是什么？
- 它指给 AI Agent 过大的自主权限、工具范围或执行能力。
- 前端应对高风险操作做确认，后端要限制工具权限和参数范围。
AI 应用如何避免越权访问数据？
- 检索、工具调用和业务接口都必须基于当前用户权限过滤。
- 不能因为“模型需要上下文”就把用户无权访问的数据塞进去。
MCP 和前端 AI 有什么关系？
- MCP 是连接模型和外部工具/数据源的一种协议方向。
- 前端通常不直接实现全部 MCP，但需要展示工具连接状态、权限和调用结果。
AI 工具授权 UI 要展示什么？
- 展示工具名称、访问范围、将执行的动作、数据影响和撤销方式。
- 用户授权应尽量细粒度，而不是一次性授权所有能力。
AI 生成内容如何标记来源？
- 可以显示“AI 生成”、引用文档、模型版本、生成时间和人工审核状态。
- 对外发布内容尤其需要区分 AI 草稿和已确认内容。
AI 内容可追溯为什么重要？
- 出问题时需要知道输入、上下文、模型、工具、知识库和输出版本。
- 可追溯性是调试、合规和责任划分的基础。
AI 前端项目的技术栈常见组合是什么？
- React/Vue + Next/Nuxt + AI SDK/自研流式协议 + Node/Edge API + 向量检索服务。
- 监控通常会接入日志、埋点、错误追踪和模型调用统计。
前端 AI 项目简历怎么写更有含金量？
- 写清场景、架构、流式体验、RAG 准确率优化、安全策略、延迟优化和成本优化。
- 不要只写“接入 ChatGPT API”，那太薄了。
面试中如何回答“你做过 AI 项目吗”？
- 可以按业务目标、技术架构、关键难点、上线效果、风险控制来讲。
- 重点讲你如何把不确定的模型输出变成稳定产品体验。
前端 AI 面试最容易答水的点是什么？
- 只讲 prompt，不讲流式、状态、安全、成本和工程化。
- 真正加分的是能说出线上问题、权衡和兜底方案。
未来前端和 AI 的结合趋势是什么？
- AI 会从聊天框走向页面级 Copilot、智能表单、自动分析、生成式 UI 和 Agent 工作流。
- 前端价值会更多体现在交互设计、状态管理、安全边界和工程落地。
