面试题手册

在 Jest 中测试 API 调用和网络请求需要使用 Mock 来隔离外部依赖：1. Mock fetch API：global.fetch = jest.fn(() => Promise.resolve({ json: () => Promise.resolve({ data: 'test' }) }));test('fetches data from API', async () => { const data = await fetchData(); expect(data).toEqual({ data: 'test' }); expect(fetch).toHaveBeenCalledTimes(1);});2. Mock Axios：import axios from 'axios';jest.mock('axios');test('fetches user data', async () => { const mockData = { name: 'John', age: 30 }; axios.get.mockResolvedValue({ data: mockData }); const result = await getUser(1); expect(result).toEqual(mockData); expect(axios.get).toHaveBeenCalledWith('/users/1');});3. Mock 模块导出：// api.jsexport const fetchData = () => fetch('/api/data');// api.test.jsimport { fetchData } from './api';import fetch from 'node-fetch';jest.mock('node-fetch');test('fetches data', async () => { fetch.mockResolvedValue({ json: () => ({ data: 'test' }) }); const result = await fetchData(); expect(result).toEqual({ data: 'test' });});4. 测试错误处理：test('handles API errors', async () => { axios.get.mockRejectedValue(new Error('Network Error')); await expect(getUser(1)).rejects.toThrow('Network Error');});5. 测试不同的响应状态：test('handles 404 error', async () => { axios.get.mockRejectedValue({ response: { status: 404, data: { message: 'Not found' } } }); await expect(getUser(1)).rejects.toMatchObject({ response: { status: 404 } });});6. 使用 MSW（Mock Service Worker）：import { rest } from 'msw';import { setupServer } from 'msw/node';const server = setupServer( rest.get('/api/users', (req, res, ctx) => { return res(ctx.json({ name: 'John' })); }));beforeAll(() => server.listen());afterEach(() => server.resetHandlers());afterAll(() => server.close());test('fetches user with MSW', async () => { const user = await fetchUser(); expect(user).toEqual({ name: 'John' });});最佳实践：使用 Mock 隔离外部 API 依赖测试成功和失败场景验证请求参数和响应处理清理 Mock 以避免测试污染考虑使用 MSW 进行更真实的 API 模拟

在 Jest 中测试 React 组件需要结合测试工具和渲染方法：常用测试工具：@testing-library/react：官方推荐的 React 测试库react-test-renderer：用于快照测试enzyme：传统的 React 组件测试工具（较少使用）基本测试示例：import { render, screen, fireEvent } from '@testing-library/react';import Button from './Button';test('renders button with text', () => { render(<Button>Click me</Button>); expect(screen.getByText('Click me')).toBeInTheDocument();});test('calls onClick when clicked', () => { const handleClick = jest.fn(); render(<Button onClick={handleClick}>Click me</Button>); fireEvent.click(screen.getByText('Click me')); expect(handleClick).toHaveBeenCalledTimes(1);});常用查询方法：getByText()：通过文本查找元素getByRole()：通过角色查找元素getByTestId()：通过 data-testid 属性查找queryByText()：查找元素，不存在时返回 nullfindByText()：异步查找元素测试异步组件：test('loads and displays data', async () => { render(<UserList />); expect(screen.getByText('Loading...')).toBeInTheDocument(); await waitFor(() => { expect(screen.getByText('John')).toBeInTheDocument(); });});最佳实践：测试用户行为，而不是实现细节使用 @testing-library/react 而不是 enzyme使用 data-testid 作为最后的选择避免测试内部状态，测试可见输出保持测试简单和可读

Ollama 的安装非常简单，支持多种操作系统：macOS 安装：brew install ollamaLinux 安装：curl -fsSL https://ollama.com/install.sh | shWindows 安装：从官网下载安装包并运行安装程序。常用命令：运行模型：ollama run llama2ollama run mistralollama run codellama列出已安装的模型：ollama list下载模型：ollama pull llama2删除模型：ollama rm llama2查看模型信息：ollama show llama2启动 API 服务：ollama serve查看日志：ollama logsAPI 调用示例：curl http://localhost:11434/api/generate -d '{ "model": "llama2", "prompt": "Why is the sky blue?"}'

Ollama 支持多种开源大语言模型，主要包括：1. Meta Llama 系列：llama2 - Llama 2 7B/13B/70Bllama3 - Llama 3 8B/70Bllama3.1 - Llama 3.1 8B/70B/405Bllama3.2 - Llama 3.2 1B/3B2. Mistral AI 系列：mistral - Mistral 7Bmixtral - Mixtral 8x7Bmixtral:8x22b - Mixtral 8x22B3. Google Gemma 系列：gemma - Gemma 2B/7Bgemma2 - Gemma 2 9B/27B4. 代码专用模型：codellama - Code Llama 7B/13B/34Bdeepseek-coder - DeepSeek Coder5. 其他流行模型：qwen - 通义千问系列phi - Microsoft Phi 系列gemma2:9b - 轻量级模型tinyllama - TinyLlama 1.1B模型选择建议：通用对话：推荐 llama3.1:8b 或 mistral:7b代码生成：推荐 codellama:13b 或 deepseek-coder轻量级应用：推荐 phi:3.8b 或 gemma2:9b高质量输出：推荐 llama3.1:70b（需要更多内存）模型版本指定：ollama run llama3.1:8bollama run mistral:7b-instructollama run codellama:13b-python查看可用模型：访问 https://ollama.com/library 查看所有可用模型及其变体。

Ollama 支持流式响应，这对于需要实时显示生成内容的应用场景非常重要。1. 启用流式响应：在 API 调用时设置 "stream": true 参数：curl http://localhost:11434/api/generate -d '{ "model": "llama3.1", "prompt": "Tell me a story about AI", "stream": true}'2. Python 流式响应示例：import ollama# 流式生成文本for chunk in ollama.generate(model='llama3.1', prompt='Tell me a story', stream=True): print(chunk['response'], end='', flush=True)# 流式对话messages = [ {'role': 'user', 'content': 'Explain quantum computing'}]for chunk in ollama.chat(model='llama3.1', messages=messages, stream=True): if 'message' in chunk: print(chunk['message']['content'], end='', flush=True)3. JavaScript 流式响应示例：import ollama from 'ollama-js'const client = new ollama.Ollama()// 流式生成const stream = await client.generate({ model: 'llama3.1', prompt: 'Tell me a story', stream: true})for await (const chunk of stream) { process.stdout.write(chunk.response)}4. 使用 requests 库处理流式响应：import requestsimport jsonresponse = requests.post( 'http://localhost:11434/api/generate', json={ 'model': 'llama3.1', 'prompt': 'Hello, how are you?', 'stream': True }, stream=True)for line in response.iter_lines(): if line: data = json.loads(line) print(data.get('response', ''), end='', flush=True)5. 流式响应的优势：更好的用户体验：实时显示生成内容，减少等待时间更低的内存占用：不需要缓存完整响应更快的首字时间：立即开始显示内容更好的交互性：用户可以提前看到部分结果6. 处理流式响应的注意事项：正确处理 JSON 行，每行都是一个独立的 JSON 对象处理连接中断和重连逻辑考虑添加超时机制实现取消功能以停止生成7. 高级流式处理：import ollamafrom queue import Queuefrom threading import Threaddef stream_to_queue(queue, model, prompt): for chunk in ollama.generate(model=model, prompt=prompt, stream=True): queue.put(chunk['response']) queue.put(None) # 结束标记# 使用队列处理流式响应queue = Queue()thread = Thread(target=stream_to_queue, args=(queue, 'llama3.1', 'Tell me a story'))thread.start()while True: chunk = queue.get() if chunk is None: break print(chunk, end='', flush=True)thread.join()

Ollama 支持多模型并发运行，这对于需要同时处理多个请求或使用不同模型的应用场景非常有用。1. 查看运行中的模型：# 查看当前加载的模型ollama ps输出示例：NAME ID SIZE PROCESSOR UNTILllama3.1 1234567890 4.7GB 100% GPU 4 minutes from nowmistral 0987654321 4.2GB 100% GPU 2 minutes from now2. 并发请求处理：Ollama 自动处理并发请求，无需额外配置：import ollamaimport concurrent.futuresdef generate_response(prompt, model): response = ollama.generate(model=model, prompt=prompt) return response['response']# 并发执行多个请求with concurrent.futures.ThreadPoolExecutor(max_workers=3) as executor: futures = [ executor.submit(generate_response, "Tell me a joke", "llama3.1"), executor.submit(generate_response, "Explain AI", "mistral"), executor.submit(generate_response, "Write code", "codellama") ] for future in concurrent.futures.as_completed(futures): print(future.result())3. 配置并发参数：在 Modelfile 中设置并发相关参数：FROM llama3.1# 设置并行处理数量PARAMETER num_parallel 4# 设置批处理大小PARAMETER num_batch 5124. 使用不同模型处理不同任务：import ollama# 使用不同模型处理不同类型的任务def process_request(task_type, input_text): if task_type == "chat": return ollama.generate(model="llama3.1", prompt=input_text) elif task_type == "code": return ollama.generate(model="codellama", prompt=input_text) elif task_type == "analysis": return ollama.generate(model="mistral", prompt=input_text)5. 模型切换和卸载：# 手动卸载模型（释放内存）ollama stop llama3.1# 重新加载模型ollama run llama3.16. 资源管理策略：内存管理：监控内存使用情况根据硬件资源调整并发数量定期卸载不常用的模型GPU 分配：# 指定 GPU 层数PARAMETER num_gpu 35# 完全使用 GPUPARAMETER num_gpu 997. 高级并发模式：import ollamafrom queue import Queueimport threadingclass ModelPool: def __init__(self, models): self.models = models self.queue = Queue() def worker(self): while True: task = self.queue.get() if task is None: break model, prompt = task response = ollama.generate(model=model, prompt=prompt) print(f"{model}: {response['response'][:50]}...") self.queue.task_done() def start_workers(self, num_workers=3): for _ in range(num_workers): threading.Thread(target=self.worker, daemon=True).start() def add_task(self, model, prompt): self.queue.put((model, prompt))# 使用模型池pool = ModelPool(["llama3.1", "mistral", "codellama"])pool.start_workers(3)pool.add_task("llama3.1", "Hello")pool.add_task("mistral", "Hi")pool.add_task("codellama", "Write code")

Ollama 使用 Modelfile 来定义和自定义模型。Modelfile 是一个文本文件，类似于 Dockerfile，用于描述如何构建和配置模型。Modelfile 基本结构：FROM llama3.1PARAMETER temperature 0.7PARAMETER top_p 0.9PARAMETER num_ctx 4096SYSTEM You are a helpful assistant.TEMPLATE """{{- range .Messages }}{{- if eq .Role "user" }}User: {{ .Content }}{{- else if eq .Role "assistant" }}Assistant: {{ .Content }}{{- end }}{{- end }}Assistant:"""常用指令：FROM - 指定基础模型FROM llama3.1:8bPARAMETER - 设置模型参数PARAMETER temperature 0.7PARAMETER top_p 0.9PARAMETER num_ctx 4096PARAMETER repeat_penalty 1.1SYSTEM - 设置系统提示词SYSTEM You are an expert Python developer.TEMPLATE - 自定义提示词模板TEMPLATE """<|user|>{{ .Prompt }}<|end|><|assistant|>"""LICENSE - 添加许可证信息LICENSE MITMESSAGE - 添加示例对话MESSAGE user HelloMESSAGE assistant Hi there!创建自定义模型：# 创建 Modelfilecat > Modelfile << EOFFROM llama3.1SYSTEM You are a coding assistant specialized in Python.PARAMETER temperature 0.5EOF# 构建模型ollama create my-coder -f Modelfile# 运行自定义模型ollama run my-coder查看模型的 Modelfile：ollama show --modelfile my-coder

Ollama 可以轻松集成到各种编程语言和框架中：Python 集成：使用 ollama Python 库：import ollama# 生成文本response = ollama.generate(model='llama3.1', prompt='Hello, how are you?')print(response['response'])# 对话messages = [ {'role': 'user', 'content': 'Hello!'}, {'role': 'assistant', 'content': 'Hi there!'}, {'role': 'user', 'content': 'How are you?'}]response = ollama.chat(model='llama3.1', messages=messages)print(response['message']['content'])# 流式响应for chunk in ollama.generate(model='llama3.1', prompt='Tell me a story', stream=True): print(chunk['response'], end='', flush=True)JavaScript/Node.js 集成：使用 ollama-js 库：import ollama from 'ollama-js'const client = new ollama.Ollama()// 生成文本const response = await client.generate({ model: 'llama3.1', prompt: 'Hello, how are you?'})console.log(response.response)// 对话const chat = await client.chat({ model: 'llama3.1', messages: [ { role: 'user', content: 'Hello!' }, { role: 'assistant', content: 'Hi there!' }, { role: 'user', content: 'How are you?' } ]})console.log(chat.message.content)Go 集成：package mainimport ( "bytes" "encoding/json" "fmt" "net/http")type GenerateRequest struct { Model string `json:"model"` Prompt string `json:"prompt"`}type GenerateResponse struct { Response string `json:"response"`}func main() { req := GenerateRequest{ Model: "llama3.1", Prompt: "Hello, how are you?", } body, _ := json.Marshal(req) resp, _ := http.Post("http://localhost:11434/api/generate", "application/json", bytes.NewBuffer(body)) var result GenerateResponse json.NewDecoder(resp.Body).Decode(&result) fmt.Println(result.Response)}LangChain 集成：from langchain_community.llms import Ollamallm = Ollama(model="llama3.1")# 简单调用response = llm.invoke("Tell me a joke")print(response)# 链式调用from langchain.prompts import ChatPromptTemplatefrom langchain.schema import StrOutputParserprompt = ChatPromptTemplate.from_template("Tell me a {adjective} joke about {topic}")chain = prompt | llm | StrOutputParser()print(chain.invoke({"adjective": "funny", "topic": "programming"}))REST API 集成：任何支持 HTTP 的语言都可以直接调用 REST API：curl http://localhost:11434/api/generate -d '{ "model": "llama3.1", "prompt": "Hello, how are you?", "stream": false}'

Ollama 提供了完整的 RESTful API，默认运行在 http://localhost:11434。主要 API 端点包括：1. 生成文本（POST /api/generate）：curl http://localhost:11434/api/generate -d '{ "model": "llama2", "prompt": "Hello, how are you?", "stream": false}'2. 对话（POST /api/chat）：curl http://localhost:11434/api/chat -d '{ "model": "llama2", "messages": [ { "role": "user", "content": "Hello!" }, { "role": "assistant", "content": "Hi there!" }, { "role": "user", "content": "How are you?" } ]}'3. 列出模型（GET /api/tags）：curl http://localhost:11434/api/tags4. 查看模型信息（POST /api/show）：curl http://localhost:11434/api/show -d '{ "name": "llama2"}'5. 复制模型（POST /api/copy）：curl http://localhost:11434/api/copy -d '{ "source": "llama2", "destination": "my-llama2"}'6. 删除模型（DELETE /api/delete）：curl -X DELETE http://localhost:11434/api/delete -d '{ "name": "llama2"}'7. 拉取模型（POST /api/pull）：curl http://localhost:11434/api/pull -d '{ "name": "llama2"}'流式响应：设置 "stream": true 可以获得流式响应，适合实时显示生成内容。Python 集成示例：import requestsresponse = requests.post('http://localhost:11434/api/generate', json={ 'model': 'llama2', 'prompt': 'Tell me a joke', 'stream': False})print(response.json()['response'])

Ollama 在生产环境部署时需要考虑以下关键方面：1. 系统要求：硬件要求：CPU：支持 AVX2 指令集的现代处理器内存：至少 8GB RAM，推荐 16GB+存储：SSD 存储，每个模型 4-20GBGPU（可选）：NVIDIA GPU（CUDA 11.0+）或 Apple Silicon（M1/M2/M3）操作系统：Linux（推荐 Ubuntu 20.04+）macOS 11+Windows 10/112. 部署架构：单机部署：# 安装并启动服务ollama serve# 默认监听 0.0.0.0:11434Docker 部署：FROM ollama/ollama# 复制自定义模型COPY my-model.gguf /root/.ollama/models/# 启动服务CMD ["ollama", "serve"]# 运行容器docker run -d -v ollama:/root/.ollama -p 11434:11434 --gpus all ollama/ollama3. 负载均衡：使用 Nginx 作为反向代理：upstream ollama_backend { server 192.168.1.10:11434; server 192.168.1.11:11434; server 192.168.1.12:11434;}server { listen 80; server_name ollama.example.com; location / { proxy_pass http://ollama_backend; proxy_set_header Host $host; proxy_set_header X-Real-IP $remote_addr; }}4. 监控和日志：健康检查：curl http://localhost:11434/api/tags日志管理：# 查看实时日志ollama logs -f# 配置日志级别export OLLAMA_LOG_LEVEL=debug5. 安全配置：API 认证：使用反向代理添加认证：location /api/ { auth_basic "Restricted"; auth_basic_user_file /etc/nginx/.htpasswd; proxy_pass http://localhost:11434/api/;}防火墙配置：# 只允许特定 IP 访问ufw allow from 192.168.1.0/24 to any port 114346. 性能优化：模型预加载：# 启动时预加载模型ollama run llama3.1 &并发处理：# Modelfile 中设置PARAMETER num_parallel 47. 备份和恢复：# 备份模型tar -czf ollama-backup.tar.gz ~/.ollama/# 恢复模型tar -xzf ollama-backup.tar.gz -C ~/