Emerging_Others 面试专题手册
💡 本章节共收录 2585 道面试真题，建议每天复习 10-20 题。
Q1: 请解释SSE（Server-Sent Events）的工作原理、优势以及如何实现心跳保活机制。
【核心解析】 单向数据流（服务器推送）；基于HTTP长连接；EventSource API；优势：简单、自动重连、文本协议；心跳保活：定期发送注释或自定义事件；与WebSocket对比
Q2: 跨端动态化方案中，编译时和运行时的前端技术选型、数据结构设计和状态管理如何考虑？
【核心解析】 编译时（如Taro编译到各平台）；运行时（如React Native）；数据结构设计（统一数据模型）；状态管理（Redux, MobX）；性能与兼容性权衡
Q3: H5项目中如何实现动画？
【核心解析】 CSS动画（transition, animation）；JS动画（requestAnimationFrame）；Canvas/WebGL；性能优化（GPU加速、避免重排）
Q4: 请介绍大模型参数temperature、top_k、top_p的作用。
【核心解析】 temperature控制随机性（高则随机，低则确定）；top_k限制候选词数量（取概率最高的k个）；top_p核采样（累积概率阈值）；三者共同调节生成多样性
Q5: WebAssembly相比JavaScript有哪些优势？JS一定比WebAssembly慢吗？WebAssembly适用哪些场景？
【核心解析】 接近原生性能；无GC开销；适合计算密集型；JS在DOM操作、I/O方面更快；适用场景：游戏、音视频处理、加密算法
Q6: 你是否了解Transformer原理？请简要说明其核心机制。
【核心解析】 自注意力机制；多头注意力；位置编码；编码器-解码器结构；并行计算优势；在NLP和CV中的应用
Q7: AI智能体如何读取当前页面信息并渲染AI返回的Markdown格式内容？使用了HTTP、SSE还是WebSocket？Token存储在哪里？
【核心解析】 读取页面信息：通过DOM API或Chrome扩展；渲染Markdown：使用marked库或自定义解析器；通信方式：SSE适合流式输出，WebSocket适合双向；Token存储：localStorage或sessionStorage
Q8: 请描述你项目中数据可视化的实现方式，是自绘还是使用第三方库？
【核心解析】 ECharts/D3.js等库；Canvas/SVG自绘；性能对比；定制化需求；交互实现
Q9: 请解释AI对话项目中流式输出的前端实现方式，除了SSE还有哪些替代方案？
【核心解析】 SSE单向推送；WebSocket双向通信；Fetch ReadableStream；轮询；长轮询
Q10: 请介绍你项目中的性能监控亮点和难点。
【核心解析】 首屏加载时间；API耗时监控；错误捕获；性能指标采集；数据可视化；难点：跨域、采样率、存储
Q11: Expo怎么实现原生交互的？
【核心解析】 Expo模块系统；原生模块桥接；JavaScript与原生通信；Expo SDK；自定义原生插件
Q12: 大语言模型相关，了解哪些技术？
【核心解析】 RAG（检索增强生成）；微调（Fine-tuning）；Prompt工程；模型部署；应用场景
Q13: 为什么要使用RAG+微调的手段？
【核心解析】 RAG提供外部知识；微调适应特定任务；互补优势；减少幻觉；灵活性与成本平衡
Q14: 如何看待AI与程序员的关系？AI是否会取代程序员？
【核心解析】 AI是放大器，不是替代品；AI擅长执行明确任务，人负责决策；AI生成初稿，人负责Review和优化；持续学习AI工具和不可替代的能力（架构、业务理解、团队协作）
Q15: 如何保证AI生成代码的质量？请描述你的质量保障体系。
【核心解析】 开发前：规范与架构约束（Rule文件、MCP服务）；开发中：高质量Prompt、充分上下文、实时反馈；提交时：自动化测试（Jest、Playwright）、Code Review；运行时：监控与反馈、持续优化
Q16: 请解释RAG（检索增强生成）和向量知识库的理解，以及两个向量的距离如何计算？
【核心解析】 RAG：检索+生成，提升LLM准确性；向量知识库：将文档转为向量存储；距离计算：余弦相似度、欧氏距离、点积；向量数据库：Pinecone、Weaviate；应用场景：问答系统
Q17: 请介绍一下Chrome插件开发的完整流程，包括文档查阅、开发规范到上架。
【核心解析】 manifest.json配置；核心组件：background script、content script、popup；开发调试：chrome://extensions；打包与签名；上架Chrome Web Store；更新维护
Q18: 对跨端开发框架（如Taro、Uni-app、React Native）有哪些了解？
【核心解析】 Taro：多端统一开发，基于React；Uni-a基于Vue，支持多端；React Native：原生渲染；Flutter：自绘引擎；选型考虑：性能、生态、团队技术栈
Q19: 请解释Transformer中的Attention机制。
【核心解析】 自注意力（Self-Attention）；QKV矩阵计算；缩放点积注意力；多头注意力；位置编码
Q20: 请解释Prompt、Token、Context和Context Window的概念。
【核心解析】 Prompt：输入提示；Token：文本最小单元；Context：模型考虑的上下文；Context Window：最大上下文长度
Q21: 富文本编辑通常使用什么插件？
【核心解析】 Quill；TinyMCE；CKEditor；Slate；ProseMirror；功能对比；自定义扩展
Q22: 如何在项目中使用AI工具提升效率？在什么场景下AI效果不好？如何优化？
【核心解析】 代码生成、自动补全、测试生成；AI可能产生错误代码；需要人工审查；优化提示词；结合上下文
Q23: Web Speech API如何实现麦克风录制控制和语音转写？
【核心解析】 使用SpeechRecognition接口进行语音识别；MediaRecorder API录制音频；获取用户媒体流（getUserMedia）；处理音频数据；优化：降噪、采样率、实时性
Q24: 说说你使用过的Vue、React、Svelte三个框架，更擅长和喜欢哪一个？为什么？
【核心解析】 比较响应式原理；学习曲线；性能；生态；适用场景；个人偏好
Q25: SEO在AI时代有哪些变革？引出了GEO，GEO是怎么做的？大模型投毒的原理？
【核心解析】 AI生成内容影响搜索；GEO针对生成引擎优化；结构化数据；大模型投毒通过训练数据注入恶意样本
Q26: RAG怎么处理用户的query？如何处理文档中的敏感数据？
【核心解析】 query解析与检索；向量化；文档分块；敏感数据脱敏；权限控制；加密存储
Q27: 请解释RAG（检索增强生成）在项目中的作用，以及向量检索与关键词检索的区别。
【核心解析】 RAG：结合检索与生成模型，提升回答准确性；向量检索：基于语义相似度，适合模糊匹配；关键词检索：基于精确匹配，适合精确查询；对比：向量检索需训练模型，关键词检索简单高效；实际应用可结合两者
Q28: 请解释Claude、Agent、MCP（Model Context Protocol）的概念，以及OpenClaw Skills与MCP的区别和联系。
【核心解析】 Claude：AI助手；Agent：自主执行任务的AI系统；MCP：模型上下文协议，标准化AI与工具交互；OpenClaw Skills：可组合的技能模块；MCP是协议层，Skills是具体实现；联系：Skills可通过MCP与AI交互
Q29: 请解释WebRTC是什么，以及它的主要应用场景。
【核心解析】 WebRTC：网页实时通信技术，支持音视频通话、数据传输；核心API：getUserMedia、RTCPeerConnection、RTCDataChannel；应用场景：视频会议、在线教育、远程协作；需要信令服务器建立连接
Q30: Three.js了解吗？主要应用场景有哪些？
【核心解析】 Three.js是WebGL库；用于3D可视化、游戏、大屏展示；核心概念：场景、相机、渲染器；支持几何体、材质、光照；动画循环与性能优化
Q31: 如何计算转盘组件转动的角度？
【核心解析】 获取触摸/鼠标坐标；计算向量；使用余弦定理求夹角；考虑方向（叉积）；atan2更常用
Q32: 请详细介绍一下实习项目中的Memory复用机制，包括设计初衷、核心实现、存储与管理方案，以及为什么选择主从多Agent架构？
【核心解析】 Memory复用设计初衷；核心实现方式；存储与管理方案；主从多Agent架构的选择原因；ReAct、Self-Discovery、Plan-and-Execute等架构的核心原理与适用场景
Q33: 请解释MCP和Tool Calling的区别是什么？
【核心解析】 MCP（Model Context Protocol）定义；Tool Calling概念；两者在功能、使用场景上的区别
Q34: 你们是怎么实现过往Agent经验的复用和Memory优化的？
【核心解析】 经验复用的策略；Memory优化方法；具体实现技术
Q35: 请详细介绍一下电商RAG智能导购项目，包括核心功能、完整实现链路、落地效果，以及召回准确率的优化过程和测量方法。
【核心解析】 核心功能；完整实现链路；落地效果；召回准确率优化过程；召回率测量方法
Q36: 请解释SSE和WebSocket的区别，为什么用SSE做流式输出而不是WebSocket？
【核心解析】 SSE单向、基于HTTP；WebSocket双向、全双工；SSE适合流式场景（简单、自动重连、文本数据）；WebSocket适合双向实时通信
Q37: 在流式输出过程中，如果用户刷新页面或切换对话，如何保证对话继续？SSE断掉后没有重连概念，如何保证？如果只是前端取消，后端还在发送SSE怎么办？
【核心解析】 前端恢复策略（保存状态、重新请求）；后端处理（取消信号、清理资源）；SSE重连机制（EventSource自动重连）
Q38: 为什么需要使用SWR？如果缓存了但还是要调接口才能拿到新数据，缓存还有必要吗？
【核心解析】 SWR（stale-while-revalidate）策略；缓存必要性（减少加载时间、离线支持）；数据新鲜度与缓存平衡
Q39: 请解释NestJS中的DTO和装饰器的作用。
【核心解析】 DTO（数据传输对象）定义；装饰器（如@Body、@Param）作用；验证与转换
Q40: 请解释在SVG和Canvas中如何保证不同节点互不影响？对于scale和rotate，调换顺序会造成什么结果？
【核心解析】 SVG节点独立；Canvas状态管理（save/restore）；变换顺序影响（先缩放后旋转与先旋转后缩放结果不同）
Q41: 请解释命中检测算法及其优化方法。给定二十个点，如何判断用户是否点击到？如果成千上万条路径，如何优化全量遍历算法？
【核心解析】 点命中检测（距离计算）；路径命中检测（射线法、包围盒）；空间索引（四叉树、网格）；剪枝优化
Q42: 请谈谈你对AI Coding工具（如Cursor、Copilot）的理解，以及如何利用AI提升前端开发效率。
【核心解析】 AI辅助代码生成、补全、重构；规范约束（AGENTS.md、README）；RAG（检索增强生成）在项目中的应用；Skill与MCP（Model Context Protocol）的区别；AI对程序员角色的影响
Q43: 在日常编码中，你如何借助AI工具或Web Coding来实践？
【核心解析】 代码生成与补全；调试辅助；文档查询；代码审查；学习新框架；注意事项（验证输出、隐私）
Q44: 进程和线程的区别是什么？
【核心解析】 进程是资源分配最小单位；线程是CPU调度最小单位；进程间相互独立，线程共享进程资源；多进程更稳定，多线程更高效
Q45: 并行和并发的区别是什么？哪个更快，为什么？
【核心解析】 并发是逻辑上同时执行（交替执行），并行是物理上同时执行；并行更快因为多核同时处理；并发适用于I/O密集型，并行适用于CPU密集型
Q46: AI Coding有哪些应用场景？
【核心解析】 代码生成与补全；代码审查与优化；自动化测试生成；文档生成；代码重构；Bug检测与修复
Q47: Nest.js依赖注入（DI）的核心理念是什么？与Java IOC/Spring的关联是什么？
【核心解析】 DI：通过构造函数或属性注入依赖；IoC容器管理对象生命周期；模块化组织；与Spring类似：装饰器、模块系统、AOP；提高可测试性和解耦
Q48: PostgreSQL和MongoDB的区别是什么？
【核心解析】 关系型与非关系型；SQL与NoSQL；ACID与BASE；数据结构灵活性；适用场景（结构化数据vs文档型）
Q49: Taro 多端跨端是如何实现的？
【核心解析】 编译时转换（AST 转换）；运行时适配（不同端 API 差异抹平）；统一组件库；条件编译；插件机制
Q50: WebAssembly 的实现原理是什么？B 站使用 WebAssembly 主要做什么？
【核心解析】 二进制指令格式；线性内存；栈式虚拟机；通过 JS 调用；B 站用于视频解码（如 av1 解码）以提升性能
Q51: Cursor 从对话框输入到代码修改中间经过了哪些步骤？了解 RAG 吗？Cursor 中是如何使用 RAG 的？
【核心解析】 输入解析；上下文收集（当前文件、项目索引）；调用 LLM 生成代码；RAG（检索增强生成）通过检索相关代码片段辅助生成；Cursor 使用索引和嵌入向量进行检索
Q52: 实现一个简单的 AI Agent 任务编排逻辑，前端如何处理多个 Tool Call 的串行或并行调用？
【核心解析】 串行：Promise chain 或 async/await；并行：Promise.all；任务依赖图；错误处理与回滚；状态管理（pending、success、fail）
Q53: 随着AI的发展，对前端面试的考核会不会有AI Coding？你对AI对前端岗位影响的看法是什么？
【核心解析】 AI Coding可能成为面试环节；AI辅助开发工具（Copilot等）；前端岗位价值转型（更注重架构/用户体验）；AI降低重复编码门槛；需要提升抽象与设计能力
Q54: AI Agent兴起，你对这个有什么了解和看法？
【核心解析】 AI Agent概念（自主决策/执行任务）；前端结合AI Agent（智能交互/自动化）；挑战（安全性/可靠性）；未来趋势（低代码/自然语言编程）
Q55: 插件项目开发的难点（V2迁移V3，权限适配，低心跳保活）？如何检测浏览器安全问题（脚本注入、废弃API等）？
【核心解析】 V2到V3迁移（Manifest差异/Service Worker）；权限适配（host_permissions）；低心跳保活（alarms API）；安全检测：CSP、内容脚本隔离、API版本检测、编辑距离算法检测废弃API
Q56: 为什么项目用Electron？普通Web也可以实现对应功能，对比Electron和Web。
【核心解析】 Electron桌面应用（系统API/离线能力/性能）；Web跨平台/易分发；Electron包体积大；Web受限浏览器沙箱；场景：需要本地文件/硬件访问时选Electron
Q57: 如何实现异地数据同步？本地数据库用的什么？IndexDB与Dexie的对比？
【核心解析】 同步策略（CRDT/OT）；本地存储IndexedDB；Dexie封装IndexedDB（简化API/支持Promise）；IndexedDB原生复杂；Dexie易用性高
Q58: 对OpenClaw的看法？日常使用什么AI工具？
【核心解析】 OpenClaw（可能指OpenAI/Claude？）；AI工具：ChatGPT、Copilot、Claude等；AI辅助编码/调试/文档；对前端开发效率提升
Q59: 前端技术迭代很快，说说近半年的一个新技术？
【核心解析】 例如：React Server Components、Next.js App Router、Vite 5、Biome、Tailwind CSS v4、WebGPU等；结合实际项目理解
Q60: MCP自动生成组件文档库这个你是怎么实现的？团队开发中有很多分支，你是怎么确保更新的组件文档是最新的？
【核心解析】 MCP协议与工具链集成；文档生成流程（解析源码、提取注释、生成Markdown）；分支管理与文档同步策略（如CI触发、Git Hooks）；版本控制与文档版本对应
Q61: 线程和进程的区别是什么？C++和JS的区别？
【核心解析】 进程资源分配最小单位，线程CPU调度最小单位；进程独立，线程共享内存；C++编译型、手动内存管理，JS解释型、自动垃圾回收
Q62: canvas元素了解吗？如何用它实现图片编辑？
【核心解析】 canvas是位图画布；通过getContext('2d')获取绘图上下文；绘制图片使用drawImage；编辑包括裁剪/旋转/滤镜等；可导出为DataURL或Blob；结合鼠标事件实现交互
Q63: 后端RAG和Agent的流程是怎样的？
【核心解析】 RAG（检索增强生成）：检索相关文档+生成回答；Agent：自主决策、调用工具；流程：用户输入→检索→上下文构建→LLM生成→输出；RAG优化：分块、向量化、相似度计算
Q64: RAG中怎么计算chunk相似度的？
【核心解析】 向量化（Embedding模型）；余弦相似度、点积、欧氏距离；近似最近邻搜索（如FAISS）；结合BM25等传统方法；混合检索策略
Q65: RAG效果不好怎么优化？如果AI胡言乱语怎么办？
【核心解析】 优化检索质量（分块策略、重排序）；优化提示词；引入知识图谱；增加验证步骤；胡言乱语处理：设置置信度阈值、人工审核、限制输出格式
Q66: 如何设计一个通用的AI组件库（AI UI Kit）？需要考虑哪些特殊组件？
【核心解析】 组件分类（输入、输出、交互）；流式文本渲染组件；对话气泡组件；加载与状态指示器；可扩展性与主题化；与模型API的集成
Q67: 解释一下Function Calling（函数调用）的原理，前端如何配合模型完成一次完整的工具调用？
【核心解析】 模型输出结构化函数调用请求；前端解析并执行对应函数；将结果返回给模型；处理异步与错误；安全性与权限控制
Q68: 谈谈Web Worker在AI前端应用中的实际应用场景。
【核心解析】 模型推理计算；数据处理与预处理；避免阻塞主线程；与主线程通信（postMessage）；资源管理与终止
Q69: 微信小程序的缓存为什么存在前端而不存在后端？
【核心解析】 前端缓存减少网络请求；提升用户体验；后端缓存用于数据持久化；小程序存储限制；数据同步策略
Q70: 你平时使用AI写代码吗？用过哪些功能？觉得哪个AI编辑器好用？
【核心解析】 代码补全；代码生成；错误修复；重构；Copilot, Codeium, Tabnine；优缺点；如何有效使用
Q71: langchain.js框架解决了什么事情？
【核心解析】 LangChain.js是一个用于构建LLM应用的框架；提供链式调用、提示模板、记忆管理、工具集成等功能；简化与语言模型的交互，支持多步骤工作流
Q72: HTML5中有哪些对前端体验提升很有用的新标签或API？请举例说明IntersectionObserver的用途。
【核心解析】 语义化标签（header、nav、article等）；Canvas、SVG；Web Speech API；IntersectionObserver用于懒加载、无限滚动、曝光统计；性能优于滚动监听
Q73: Three.js中如何进行性能优化？
【核心解析】 合并几何体减少draw call；使用LOD（细节层次）；纹理压缩；使用BufferGeometry；限制光源数量；使用性能监测工具
Q74: 你接了腾讯地图的组件，为什么不用这个组件自己的导航服务呢？
【核心解析】 业务需求定制；性能优化；避免依赖锁定；统一技术栈；成本考虑
Q75: 什么是敏捷开发？请结合你的项目经验说明敏捷开发的核心原则。
【核心解析】 快速迭代，先交付最小可行产品；持续获取用户反馈并调整；强调团队协作和响应变化；与传统瀑布模型对比
Q76: 请谈谈你的技术选型思路，例如在项目中选择Vue2还是Vue3，以及选择ECharts图表库的考虑。
【核心解析】 技术选型考虑因素：团队熟悉度、项目需求、生态成熟度、性能、长期维护；Vue3优势：Composition API、TypeScript支持、性能提升；ECharts：图表类型丰富、配置灵活、动态数据更新、地图支持
Q77: 请解释Transformer架构的核心原理，以及它在多模态AI中的应用。
【核心解析】 自注意力机制；编码器-解码器结构；多头注意力；位置编码；多模态中融合文本、图像等不同模态
Q78: 文生图模型（如Midjourney、剪映）背后通常采用什么架构？
【核心解析】 扩散模型；U-Net；CLIP文本编码器；潜在空间扩散；逐步去噪生成图像
Q79: 什么是调整图层？它在图像编辑或视频编辑中的用途是什么？
【核心解析】 调整图层是一种非破坏性编辑方式；可对下方所有图层应用滤镜或色彩调整；便于统一修改效果；不直接修改原始图层
Q80: 编译器中LLVM IR是什么结构？如何将LLVM IR转化为MIPS？
【核心解析】 LLVM IR是静态单赋值（SSA）形式的中间表示；结构为线性指令序列（类似三地址码）；通过后端指令选择、寄存器分配、指令调度等步骤生成MIPS
Q81: 操作系统的内存管理通常使用什么数据结构？进程阻塞是如何实现的？
【核心解析】 内存管理常用链表（空闲块链表）、位图、页表；进程阻塞通过将进程状态置为阻塞态，并移入等待队列，由调度器切换上下文
Q82: 请解释操作系统中的内核态和用户态，以及进程通信的方式。
【核心解析】 内核态有最高权限，用户态受限；系统调用切换；进程通信：管道、消息队列、共享内存、信号量、Socket
Q83: 文件更新了你是怎么检测到的？
【核心解析】 轮询（setInterval）；文件系统监听（如fs.watch）；WebSocket推送；Service Worker更新；版本号对比
Q84: 请谈谈你对Uni-app或Taro等跨端框架的理解，以及它们与Vue/React的关系。
【核心解析】 跨端框架原理：编译时转换或运行时适配；Uni-app基于Vue，Taro基于React；一套代码多端运行；各端差异处理（条件编译、API适配）；性能与原生开发对比
Q85: 你如何看待AI在前端开发中的应用？
【核心解析】 AI辅助编码（Copilot）；自动化测试生成；代码审查；设计稿转代码；智能监控与告警
Q86: 你对Transformer模型有了解吗？
【核心解析】 自注意力机制；编码器-解码器结构；位置编码；在NLP和CV中的应用；与前端的关系（如AI生成UI）
Q87: 如何使用 ECharts 实现图表，并处理响应式布局和数据更新？
【核心解析】 初始化实例（echarts.init）；配置option；响应式：监听resize事件调用chart.resize；数据更新：setOption合并新数据；销毁实例：dispose
Q88: ECharts 图表数据变化了怎么办？
【核心解析】 使用setOption合并新数据；增量更新（不覆盖已有配置）；清空后重新设置（不推荐）；动态更新时注意性能
Q89: 请解释前端安全如何保障？常见攻击及防御措施？
【核心解析】 XSS（跨站脚本攻击）：转义输入、CSP；CSRF（跨站请求伪造）：Token验证、SameSite Cookie；HTTPS；输入验证；安全头（X-Frame-Options等）
Q90: 请解释什么是Vibe Coding，以及它对前端开发的影响。
【核心解析】 AI辅助编程；自然语言生成代码；提高效率；代码质量风险；开发者角色转变
Q91: 请谈谈跨端开发的目的和常见方案（如Taro、Uni-app、React Native等）。
【核心解析】 一套代码多端运行；减少开发成本；一致性体验；性能差异；平台适配；热更新
Q92: 请解释i18n国际化工具的使用场景，以及它是否只面向to C端用户。
【核心解析】 i18n用于多语言支持；不仅面向to C，to B也需要；常用库：vue-i18n、react-intl；翻译文件管理；语言切换；日期/货币格式化
Q93: 请介绍Node.js的几大模块、SSR、SPA和MVC的概念。
【核心解析】 Node.js核心模块：fs、http、path、os；SSR服务端渲染，利于SEO；SPA单页应用，路由前端控制；MVC模型-视图-控制器架构
Q94: 请解释跨端方案（如Taro/Uni-app）、大模型在前端的应用、低代码平台。
【核心解析】 跨端方案（React Native、Flutter、Taro/Uni-app原理、优缺点）；大模型应用（AI生成UI、智能问答、代码补全）；低代码（可视化搭建、组件库、逻辑编排）
Q95: MCP 和 Function Call 的具体区别是什么？Function Call 是内置的吗？如果是内置的，有哪些内置的 Function Call？
【核心解析】 MCP（Model Context Protocol）是一种开放协议，用于连接AI模型与外部工具/数据源；Function Call是AI模型内置的函数调用能力，允许模型输出结构化函数调用参数；MCP是通用协议，Function Call是特定模型的内置特性；内置Function Call通常包括工具调用、API调用等，具体取决于模型实现
Q96: 你用过哪些 AI 工具？
【核心解析】 代码生成：GitHub Copilot、Codeium；对话助手：ChatGPT、Claude；代码审查：CodeRabbit；文档生成：Copilot for Docs；设计：Midjourney、Figma AI；测试：Testim、Mabl
Q97: 请解释 MCP（Model Context Protocol）是什么？
【核心解析】 MCP是一种开放协议，用于连接AI模型与外部工具、数据源和API；它定义了标准化的接口，使AI模型能够安全地访问外部资源；类似于AI领域的USB-C标准，统一了模型与外部世界的交互方式；由Anthropic提出，支持多种客户端和服务器实现
Q98: 你了解LangChain的DeepResearch吗？请简述其作用。
【核心解析】 LangChain是一个大模型应用开发框架；DeepResearch可能指深度研究功能（如自动搜索、分析）；结合工具链实现复杂任务；前端可集成AI能力
Q99: 你使用过哪些AI编程工具？请评价它们，并分享Prompt优化技巧。
【核心解析】 工具：GitHub Copilot、Cursor、Codeium；评价：提高效率但需验证代码质量；Prompt技巧：明确上下文、分步骤、提供示例、指定输出格式；负面影响：过度依赖、输出不准确
Q100: 什么是AI上下文工程？常见的上下文压缩手段有哪些？
【核心解析】 上下文工程：管理输入给大模型的上下文信息；压缩手段：摘要、截断、关键信息提取、滑动窗口；目的：减少token消耗、提高响应质量