面试官：后端岗也得会 Agent、RAG、MCP、Skill、Prompt！我：？？？

本文由 #公众号：一个正经的程序员 原创 作者：散淡样子 GitHub：https://github.com/LouisLiu00

现在的后端面试，早就跳出纯 CRUD、纯业务接口的范畴了。

很多公司的后端岗位描述看着很普通，只写微服务、业务开发，完全不提 AI，但面试大概率都会问到这几个核心知识点：Agent、RAG、MCP、Skill、Prompt。

很多人都疑惑：明明不是AI开发岗，为什么要考这些？

其实行业共识已经很明确了：现在没有完全脱离 AI 的后端开发。

企业根本不需要后端去训练大模型、调参优化模型效果，也不用做模型微调。但所有业务系统对接大模型后，产生的数据泄露、权限失控、模型乱输出、线上故障等问题，全部都要靠后端兜底解决。

简单说来：AI 负责智能应答、自动做事，后端负责把控边界、守住安全、稳住稳定性，不让 AI 闯祸。

今天就用大白话和极简落地代码，拆解这几个高频考点，不用背八股文，全是面试和做项目时能用的干货。

Agent：模型是打工调度员，决策权全在后端

别再迷信 Agent 全自动智能执行，真正的生产环境，绝对不会让 AI 自主操作核心业务。

自动删数据、自动退款、自动改订单、自动发福利，这些高危操作一旦交给 AI 自主执行，分分钟引发资损事故。

落地版 Agent 核心思路：模型只负责分析需求、规划步骤，所有真实业务操作，全部由后端接管校验执行。

极简工具路由管控代码：

// Agent 工具调用统一拦截
public ToolResult callTool(String userId, ToolCall call) {
    // 校验工具是否合法
    AgentTool tool = toolMap.get(call.getName());
    if (tool == null) {
        return ToolResult.fail("未知工具，禁止执行");
    }
    // 校验用户权限
    if (!tool.hasPermission(userId)) {
        return ToolResult.fail("权限不足");
    }
    // 高危操作二次确认
    if (tool.isHighRisk() && !call.isConfirmed()) {
        return ToolResult.fail("高风险操作，需手动确认");
    }
    return tool.execute(call.getArgs());
}

模型没有事务、幂等和风险概念，容易重复调用、参数错乱。Agent 落地的核心从来不是智能，是可控、可拦截、可溯源。

RAG：根本不是检索知识，是管住模型别瞎编

绝大多数人面试答 RAG，只会死板背诵“检索增强生成”，面试官一听就知道是纸上谈兵。

线上落地 RAG，最大的坑从来不是检索不到内容，而是模型凭空编造信息，看似回答得有理有据，实则全是错的，也就是模型幻觉。

后端做 RAG 的核心逻辑很简单：知识库有内容就精准作答，没内容直接拒绝回答，绝不允许模型自由发挥。

给大家贴一段极简的核心代码，看懂就吃透 RAG 工程核心：

// 核心问答兜底逻辑
public String answerQuery(String userId, String question) {
    // 带用户权限检索文档，避免跨权限查数据
    List chunks = docIndex.search(question, userId, 5);
    // 无知识库内容，直接降级
    if (chunks.isEmpty()) {
      return "暂无相关资料，无法解答";
    }
    // 组装强约束 Prompt
    String prompt = buildStrictPrompt(question, chunks);
    String res = llmClient.chat(prompt);
    // 校验回答是否有资料依据，杜绝幻觉
    if (!checkEvidence(res, chunks)) {
        return "资料依据不足，建议转人工";
    }
    return res;
}

说白了，RAG 的本质不是提升 AI 智商，是后端给模型划定回答边界，强制模型只做“有依据的回答”。

MCP：别背协议，重点是安全和审计

很多人面试被问 MCP，只会机械背诵“模型上下文协议”，这种回答基本拿不到高分。

MCP 的核心价值，是统一了模型和后端工具、上下文数据的交互标准，让 AI 可以标准化调用各类业务接口。

但标准化带来的最大问题就是权限失控，所以后端关注的重点从来不是协议本身，而是安全管控。

核心落地逻辑就三点：工具调用身份鉴权、敏感数据自动脱敏、全量操作日志审计。

比如查询用户信息的工具，通过 MCP 被模型调用时，后端必须拦截手机号、身份证、余额等隐私字段，同时记录调用人、调用时间、调用内容，方便后续合规排查，这才是 MCP 的工程落地重点。

Skill：就是给模型用的后端接口，校验必须更严

Skill 是几个概念里最简单的，没任何技术门槛，本质就是封装好的标准化后端业务能力。

我们平时写的查询订单、生成工单、统计用户数据的接口，普通人手动调用叫普通接口，交给 AI 模型自动调用，就叫 Skill。

最大的区别：人用接口会规避错误，模型传参极其随意，空参数、格式错乱、非法字段是常态。所以 Skill 的参数校验，要比前端调用的接口严格十倍。

// 模型调用 Skill 入参强制校验
public void checkOrderParam(Long userId, String orderNo) {
    if (userId == null) {
        throw new IllegalArgumentException("用户ID不能为空");
    }
    // 强制校验订单号固定格式
    if (!orderNo.matches("OD\\d{12}")) {
        throw new IllegalArgumentException("订单号格式错误");
    }
}

参数校验看着基础，但能杜绝 AI 多轮调用引发的连锁报错，是 Skill 稳定运行的关键。

Prompt：不是写话术，是可维护的配置规则

很多新手写 Prompt，喜欢直接把大段文本硬编码写在业务代码里，这是非常业余的写法。

后续改回答话术、加免责声明、调整输出风格，每次优化都要改代码、提版本、重新部署，维护成本极高。

工程化的 Prompt，是可版本、可配置、可清洗的模板，简单示例：

// 标准化 Prompt 模板
public String renderPrompt(Map params) {
    // 读取配置中心的模板文本，不写死在代码
    String template = config.getPromptTemplate("qa_v1.0");
    // 清洗脏数据、替换变量
    String cleanText = cleanIllegalChar(params.get("question"));
    return template.replace("${question}", cleanText);
}

Prompt 从来不是比拼文案功底，而是可迭代、可回滚、不用改代码就能优化的工程规则。

最后聊句实在的

后端岗考察 AI 相关能力，真不是企业刻意为难人。

大模型本身的出错概率很低，线上绝大多数 AI 相关事故，全是后端收口不到位导致的：权限混乱、数据泄露、参数异常、重复执行、无降级兜底。

未来容易被淘汰的后端，不是不懂 AI 的人，是只会写 CRUD、不会对接 AI、不懂风险管控的纯业务开发。

面试遇到这几个知识点，别死背概念，结合代码、聊落地、聊兜底、聊安全，绝对是高分答案。

你们面试后端，被这些 AI 新考点卡过吗？评论区聊聊~