# 1. AI 流式渲染的 Markdown 分块与代码块语法高亮的边界 A 以完整行/块为切分边界，代码块按围栏成对状态判断闭合，未闭合不高亮、闭合后异步高亮并缓存 ✓ 正确答案 B 流式分块可以任意切分，无需关心结构 C 代码块未闭合时也应立即高亮 D 分块粒度只影响性能，不影响正确性
# 2. 键盘操作、焦点管理、aria-live、减少动态效果、prefers-reduced-motion A 键盘可达、焦点圈定与归还、aria-live 节流播报、prefers-reduced-motion 关闭动效，共同构成无障碍基线 ✓ 正确答案 B 新消息出现时应自动抢焦点提示用户 C aria-live 应逐 token 播报保证即时 D 动画效果与无障碍无关
# 3. 模型输出 HTTPS 旁路校验（MCP/工具调用身份）的工程价值 A 只要 URL 是 https 就绝对安全 B 模型输出的链接与工具调用都需校验：协议/域名白名单、工具注册表与参数 schema、会话级权限令牌 ✓ 正确答案 C MCP 工具调用无需身份校验 D 重定向目标无需检查
# 4. AI 输出中的 PII 过滤与提示注入（Prompt Injection） A 外部文档内容可以视为可信指令 B 提示注入只影响服务端 C PII 按场景分级脱敏与审计，提示注入通过内容隔离、不可信标记、工具白名单与输出检测防御 ✓ 正确答案 D PII 检测只能靠正则
# 5. 提示注入对前端的影响（外部文档不可信标识、来源标签） A 外部文档内容渲染时无需特殊标识 B 提示注入只影响模型回答质量 C 前端按来源分级标记内容，外部内容加不可信标识且不执行其指令，并结合引用溯源让用户对比原文 ✓ 正确答案 D 来源标签无法持久化
# 6. WebNN（W3C Web Machine Learning）的定位、算子抽象与浏览器支持现状，及其与 WebGPU compute 的分工 A WebNN 与 WebGPU 功能完全相同 B WebNN 在所有浏览器上都可用 C WebNN 用声明式算子图交给系统后端编译优化，WebGPU 手写内核更可控，可组合使用（WebNN 快速路径 + WebGPU 兜底） ✓ 正确答案 D WebNN 的算子覆盖无限制
# 7. WebLLM/mlc-llm 的架构（编译到 WebGPU 的模型 + WASM 运行时）与生产环境选型矩阵 A 选型只需看模型参数量 B WebLLM 依赖服务器推理 C WebLLM 把模型编译为 WebGPU 内核，由 WASM 运行时调度执行 ✓ 正确答案 D WebGPU 在所有设备上表现一致
# 8. 工具调用最小权限与用户确认（高风险操作必须人工审批） A 高风险操作由模型自行决定是否执行 B 工具按风险分级授权，高风险操作强制人工审批（展示参数、超时默认拒绝），并全程审计可撤销 ✓ 正确答案 C 工具授权一次生效永久有效 D 审批记录不需要保存
# 9. 浏览器端不存放模型密钥（BFF 持有 Provider 密钥） A 密钥放前端通过环境变量注入即可安全 B 密钥由 BFF 持有并注入请求，前端只持短期会话令牌，配额、限流与审计集中在 BFF ✓ 正确答案 C 密钥放前端可以省去代理层 D 用户可直接访问的密钥无需担心滥用
# 10. 前端日志中的敏感信息如何识别与脱敏，脱敏规则与审计的平衡如何把握？ A 日志中保留完整敏感信息便于排查 B 脱敏规则越严格越好，无需考虑可调试性 C 用字段模式+值模式识别敏感信息，分级脱敏（掩码/哈希/删除），保留元数据与 requestId 关联，审计不依赖明文 ✓ 正确答案 D 哈希脱敏可以还原原文
# 11. C2PA（Coalition for Content Provenance and Authenticity） A C2PA 是防篡改水印，不可剥离 B C2PA 用加密签名的来源链记录内容生成与编辑历史，前端可校验并展示"AI 生成"标识，但凭证可能被截屏剥离，需与水印互补 ✓ 正确答案 C C2PA 只适用于视频 D 内容凭证校验结果可完全信任
# 12. AI 输出在 iframe sandbox 内呈现以避免 DOM XSS 的工程价值 A sandbox 允许脚本访问父页面 DOM B 渲染进 iframe 后父组件可以直接操作其 DOM C 用无脚本权限的 sandbox iframe 承载不可信内容，经 postMessage 白名单通信，作为纵深防御但不能替代输入清洗 ✓ 正确答案 D sandbox 会降低所有安全性
# 13. WebGPU/WebNN 在浏览器端 LLM 推理的工程价值 A 端侧推理可以完全替代云端推理 B 端侧推理没有延迟优势 C 端侧推理带来隐私、成本、离线可用与延迟价值，但受显存与性能限制，需与云端分级降级组合 ✓ 正确答案 D WebGPU 只能做渲染，不能做计算
# 14. 浏览器内置 Gemini Nano（window.ai）的客户端本地推理在隐私敏感场景的工程价值 A 本地推理意味着数据绝对不可能离开设备 B 隐私敏感场景应优先使用云端模型 C 本地推理把数据留在设备带来隐私与合规价值，但需探测能力并管理遥测、日志、剪贴板等旁路，如实告知边界 ✓ 正确答案 D 本地推理不需要能力探测
# 15. 内置模型（Gemini Nano）的会话管理与多轮上下文维护，以及模型版本切换后的会话失效处理 A 模型升级后旧会话可以直接继续使用 B 会话持久化会降低可用性 C 多轮上下文无需管理长度 D 用会话创建 API 维护多轮上下文并持久化，会话记录模型版本，升级后安全失效并迁移关键上下文 ✓ 正确答案
# 16. 端侧模型下载进度、磁盘配额管理与 PWA 缓存的协同（区分应用缓存与模型缓存） A 模型与应用资源共用同一缓存策略即可 B 磁盘配额不需要前端监控 C 应用缓存与模型缓存职责分离，下载进度持久化，用 estimate 预检配额并申请 persist，回收后自动重下 ✓ 正确答案 D 模型下载与 SW 更新可以同时进行
# 17. 端侧推理能力不足时回退云端模型的降级策略设计与失败关闭（fail closed）原则 A 降级分能力/质量/失败三类触发，按阶梯切换并透明提示，隐私敏感数据降级需确认，无法保证安全时 fail closed ✓ 正确答案 B 端侧失败时应无条件静默切换云端 C fail closed 是指永远不降级 D 降级决策无需审计
# 18. 端侧推理的隐私合规边界，输入仍可能进入遥测、崩溃日志、剪贴板或持久化缓存的泄漏防护 A 输入仍可能进入遥测、崩溃日志、剪贴板、扩展与缓存，需脱敏上报、加密持久化并显式管理剪贴板 ✓ 正确答案 B 本地推理的输入绝不会离开设备 C 崩溃日志可以包含完整输入 D IndexedDB 默认加密
# 19. AI 输出 HTML 的 sanitize 管线，DOMPurify 的标签/属性白名单配置、链接协议过滤与 markdown 渲染库的 XSS 面如何收敛？ A 默认不解析内联 HTML，需要时经 DOMPurify 白名单清洗（标签/属性/URI），链接组件统一拦截协议与域名 ✓ 正确答案 B 启用 rehype-raw 后无需 sanitize C style 属性可以全部放行 D sanitize 应在插入 DOM 之后执行
# 20. Prompt API（LanguageModel）的能力探测（availability 三态，available/available-after-download/unavailable）与 create 会话管理 A availability 探测一次即可永久使用 B 下载完成后无需重新探测 C create 会话不需要 systemPrompt D 按 available/available-after-download/unavailable 三态分流并管理下载，create 创建会话维护上下文，探测结果变化时重新探测 ✓ 正确答案
# 21. Token 用量估算与上下文窗口可视化在前端的应用 A 不同模型的 token 计数结果相同 B 用目标模型 tokenizer 实时估算并可视化上下文占用分布，阈值预警驱动清理/压缩/换模型，以服务端实际用量为准 ✓ 正确答案 C 用量展示只需要输出侧 D 可视化数据可以随意估算
# 22. AI 输出内容审计与 Red Team 在生产环境的工程价值 A 输出抽检分级评估与告警，Red Team 构造对抗样本验证防线，两者形成"发现-修复-回归"的持续闭环 ✓ 正确答案 B 上线前测试一次即可 C 审计只需要规则匹配 D Red Team 结果无需回归验证
# 23. 医疗数据在端侧推理并不等于绝对不出设备，输入还可能进入遥测、崩溃日志、剪贴板、浏览器扩展或持久化缓存。 A 端侧推理的医疗数据绝对不会离开设备 B 输入仍可能经遥测、崩溃日志、剪贴板、扩展与缓存等旁路泄漏，需加密、脱敏、可删除并如实告知边界 ✓ 正确答案 C 崩溃日志包含输入也没有关系 D 本地缓存不需要加密
# 24. 金融场景在 Gemini Nano 能力不足时准备回退云端模型，怎样在发送前做 PII/账户数据分类、最小化与用户同意，并保证策略失败时是 fail closed 而不是静默外传 A 端侧失败时自动静默切换到云端继续处理 B 发送前做 PII/账户数据分类与最小化，降级云端需用户显式同意，策略不确定时 fail closed 拒绝而非静默外传 ✓ 正确答案 C 用户同意可以事后补签 D 无法分类的内容可以照常发送
# 25. 端侧 LLM 性能基线测量（冷启动、预热后 TTFT、tokens/s、峰值内存、耗电、页面 FPS）与禁用/降级阈值设定 A 按设备分层跑统一脚本测六项指标取 P50/P95，把体验目标映射为禁用/降级阈值并灰度验证、线上校准 ✓ 正确答案 B 用开发机测一次即可设定阈值 C 阈值设定后固定不变 D FPS 与端侧推理无关
# 26. Transformers.js 与 ONNX Runtime Web 在浏览器端推理的协作关系与算子覆盖边界 A Transformers.js 自己实现所有算子 B Transformers.js 封装高层 API，底层由 ONNX Runtime Web（WASM/WebGPU 后端）执行，算子超出覆盖时用 WASM 兜底或换模型 ✓ 正确答案 C 所有 ONNX 模型都支持全部后端 D 算子缺失时会静默输出错误结果
# 27. AI 工具调用的参数校验，对模型生成的工具参数做 schema 校验与白名单约束，防止工具调用注入任意参数或越权操作？ A 模型生成的参数可以信任并直接执行 B 越权检查由模型自己保证 C 参数校验只需检查类型 D 执行前做 schema 校验、值域白名单与越权检查，非法与越权默认拒绝（fail closed）并审计，高风险变更走人工审批 ✓ 正确答案
