Node篇
1. Node.js 在 2025 年的定位与竞品（金牌开场）
Node.js 是一个基于 V8 + libuv 的通用 JavaScript/TypeScript 运行时，默认单进程事件循环但可通过 Worker Threads、Cluster、Node-API 插件与容器编排实现横向扩容。2025 年的面试关注点：
- 对比 Deno、Bun、Cloudflare Workers 等新运行时，理解 Node 的长期优势（成熟生态、LTS 节奏、原生模块 ABI）与短板（冷启动、服务器级资源占用）。
- 明确 Node 20/22 LTS 的新能力：稳定的原生
fetch、Web Streams、test runner、Permission Model，以及对V8 12.x的优化。 - 结合 AI 时代的业务诉求，展示你如何在 Node 中同时对接 REST、GraphQL、gRPC 与向量检索、推理服务（OpenAI API、阿里通义、字节晓悟等）。
2. Node.js 运行时演进（热知识）
- Node 22 LTS（2024Q4 发布）首次将
--experimental-permission扩展为稳定 API，可为无服务器/多租户场景限制文件系统、网络访问权限。 corepack默认开启，企业面试常追问如何在 monorepo 中锁定pnpm/yarn版本并保证 CI 可重复。node:test与test_runnerAPI 已在多个大厂落地，无需依赖 Jest 也能完成覆盖率、子测试、快照；面试加分点是描述如何并行执行 e2e 与 AI mock（录制 LLM 响应）。
3. 并发模型与事件循环细节（高频深挖）
面试常见 follow-up：为什么“单线程”不是瓶颈？建议框架：
- libuv 提供事件循环的六个阶段（timers、pending、idle/prepare、poll、check、close callbacks），其中 microtask（
process.nextTick、queueMicrotask、Promise）在每个阶段后执行。 - I/O 密集型任务交由线程池（默认 4，可通过
UV_THREADPOOL_SIZE调整），CPU 任务使用Worker或移交消息队列/边缘函数。 - 实战回答可给出“使用
worker_threads跑 OpenAI Embedding，再把结果推送到 Kafka”的例子，体现 AI 时代的混合式架构能力。
4. Worker Threads、Cluster 与多实例策略（架构题）
cluster主要用于 fork 多进程共享端口 + 粗粒度负载均衡，Node 20 后推荐把入口迁移至基于node:cluster+undici的“无状态网关”。- Worker Threads 适合 CPU 密集与 AI 推理前后处理，可结合
MessageChannel或Atomics.wait解决数据一致性。 - 面试亮点：描述如何在 K8s/HPA 中通过
Pod指标扩容，再借助 Redis 或 NATS JetStream 做 session/任务协调。
5. 常见全局对象与 Web API 对齐（基础升级）
globalThis、process、Buffer、AbortController、TextEncoder/Decoder已经与浏览器同构，强化前后端一体开发体验。process.env结合dotenv-flow或 Vault 管理密钥；AI 项目要强调安全地注入 OpenAI、月之暗面等凭据。- 面试延伸：描述如何利用
AsyncLocalStorage做链路追踪或跨请求注入 requestId，尤其是在调用多模型链路时确保日志可追溯。
6. 计时器与微任务优先级（细节区分）
| 分类 | 典型 API | 触发时机 | 面试易错点 |
|---|---|---|---|
| 宏任务 | setTimeout、setInterval、setImmediate | timers/check 阶段 | setImmediate 在 poll 阶段后执行，常与 process.nextTick 混淆 |
| 微任务 | process.nextTick、queueMicrotask、Promise 回调 | 每个阶段末尾 | process.nextTick 优先级最高，不可滥用，否则阻塞事件循环 |
| 资源型 | worker_threads、timers/promises.setTimeout | 线程池调度 | 结合 AbortSignal 可实现 AI 请求超时/取消 |
7. 稳定性与异常处理（工程化硬指标）
- 必须强调“不要吞掉错误”。使用
process.on('uncaughtException')、process.on('unhandledRejection')做兜底，同时迅速上报并优雅退出。 - 推荐答案包含 Observability：
pino+ OpenTelemetry，将 AI 调用的提示词和日志打标，便于后续迭代。 - 若涉及 Serverless，补充 Cloudflare Workers、Vercel Edge、阿里 FC 的限制（冷启动、CPU 时间、
node:deps禁用）。
8. 包管理策略（从 npm 到 pnpm 的真实经验）
- 2025 年企业多采用
pnpm+ monorepo（TurboRepo、Nx、Rush）。解释nodeLinker=hoisted、workspace:协议以及如何通过.npmrc锁定私有源。 - 讲清
package.json的exports、types、engines字段，以及如何发布双模块（CJS + ESM）。示例：
{
"name": "@team/ai-gateway",
"type": "module",
"exports": {
".": {
"import": "./dist/index.mjs",
"require": "./dist/index.cjs",
"types": "./dist/index.d.ts"
}
},
"engines": {
"node": ">=20.11"
}
}
json
- 面试补充：如何使用
npm view或pnpm outdated管控漏洞，并借助npm audit signatures或 SLSA 保障供应链安全。
9. 文件与网络模块的现代写法（技能展示）
- 文件：优先使用
node:fs/promises+ 流式 API，处理大语言模型输出时常结合ReadableStream与stream/promises。 - 网络：Node 20 起内置 WHATWG
fetch，与undici共用底层；结合AbortController控制 AI 请求超时：
import { setTimeout as delay } from 'node:timers/promises';
const controller = new AbortController();
const timeout = delay(8000).then(() => controller.abort());
const response = await fetch('https://api.moonshot.cn/v1/chat', {
method: 'POST',
body: JSON.stringify({ messages, model: 'moonshot-v1-128k' }),
headers: { 'content-type': 'application/json', authorization: `Bearer ${token}` },
signal: controller.signal
});
await timeout;
ts
- 加分点：提及
HTTP/2、fetch keepalive与undici的连接池调优，或如何把 LangChain.js/AI SDK 托管在 Node 服务中。
10. 主流服务端框架与架构抉择（产品相关）
- Express 虽经典，但在性能、TS 体验上落后。面试中可以对比 Fastify（高性能 + schema 校验）、NestJS（企业级架构）、Hono（轻量 + Edge）。
- 讨论如何构建 BFF（Backend for Frontend）或 API Gateway，插入 AI 智能召回/重排逻辑，结合缓存（Redis、Upstash、Cloudflare KV）。
- 可附带部署经验：Docker 多阶段构建、持久化依赖缓存、
pnpm fetch预拉包、Slim 镜像。
11. 模块系统与构建工具链（理论 + 实践）
- 解释 CommonJS 与 ESM 的互操作限制：
require无法加载原生 ESM，需使用动态import()；面试官常追问如何在老项目逐步迁移。 - 介绍
tsx、esbuild、SWC、Rspack的构建差异，以及为什么很多 Node 工程切换到tsup/unbuild搭配pnpm实现秒级构建。 - AI 项目实际案例：对接 OpenAPI schema，使用
zod生成类型，再由ts-node/tsx在 CLI 工具中执行。
12. Node 事件循环 vs 浏览器（图景题）
关键点：浏览器有渲染阶段与任务队列，Node 没有 GUI 线程，但存在 process.nextTick 队列。可借助 node --trace-events-enabled 或 clinic.js 演示性能分析，体现你会用工具定位 AI 调用的延迟瓶颈。
13. Node 与 AI/大模型集成（热点问答）
- 对接策略：统一
LLMClient接口，支持 Azure OpenAI、字节大模型、智谱 AI；通过中间层实现 Token 统计、成本监控。 - 数据：结合向量数据库（Supabase Vector、Pinecone、Milvus、Zilliz Cloud）和 PostgreSQL/PlanetScale，描述如何用
Prisma+Drizzle+pgvector构建检索增强系统。 - 自动化：借助 LangSmith、OpenAI Realtime API、WebSocket 推流，为多模态聊天或副业运营（抖音脚本生成、客服机器人）提供实时能力。
14. 高频追问与案例拆解（建议准备）
- 如何实现灰度发布与回滚？示例：使用 GitOps + ArgoCD，在
values-canary.yaml中控制副本数。 - 如何构建“AI 增强”的后台：比如在 Node 服务中调用飞书多维表格的 Hook，根据业务指标触发 LLM 生成日报，并通过企业微信机器人发送。
- 面试官常要求给出“失败案例”：描述一次 Node 服务内存泄漏或 AI API 超额成本的排查过程，展示复盘与指标体系。
面试 TIP：面试结束时可反问“团队的 Node 版本/部署方式/是否接入大模型”，再补上一句“我有相关最佳实践可以落地”，释放积极信号。
↑