AI求职记录

简历很重要，很多同学的简历现在都是偏陈列一些概念，有的时候技术能力都够的，项目也做了不少，但是不会提现在简历上。你做了8分，可以包装优化成10分，但是很多同学的项目写的只有五分。下面就给大家一些可以直接参考复用的话术，需要更定制的简历优化等可以私我。一、任务规划 / Agent 核心能力点：多步任务执行能力•设计基于 ReAct / Plan-and-Execute 的 Agent 执行框架，实现复杂任务的自动分解、逐步执行与结果整合•构建支持多轮决策的任务状态机，提升复杂流程下的执行稳定性与可控性⸻点：决策与路由•实现基于模型推理 + 规则约束的任务路由机制，动态选择工具调用路径•设计 tool routing 策略，提升工具选择准确率并减少无效调用⸻二、工具调用（Tool Use）点：工具链设计•封装统一工具调用接口，支持搜索、数据库查询、API 调用等多种能力扩展•构建可插拔工具层，支持快速接入业务系统（如 CRM / 工单系统 / 数据平台）⸻点：调用可靠性•引入参数校验与 schema 约束，显著降低工具调用错误率•设计工具调用重试与 fallback 机制，提升任务成功率⸻三、RAG + Agent 结合（高频加分项）点：检索增强•搭建 RAG 检索模块，结合向量检索与语义重排提升召回质量•将检索结果作为 agent 决策上下文，提高复杂问答准确率⸻点：协同架构（重点包装）•设计 RAG + Agent 协同架构，将“检索-推理-执行”解耦，提升系统可扩展性与稳定性•优化长上下文场景下的信息选择策略，降低噪声对决策的干扰⸻四、记忆（Memory）与上下文管理点：多轮对话能力•实现基于短期记忆 + 长期记忆的上下文管理机制，支持复杂多轮任务•设计 memory 压缩与摘要策略，降低 token 消耗并提升响应效率⸻点：用户状态•构建用户级上下文存储，实现个性化任务执行与历史行为复用⸻五、稳定性 / 防“翻车”（非常关键）点：防幻觉 / 防乱调用•通过输出约束（JSON schema / function schema）减少模型幻觉与格式错误•引入结果校验与二次确认机制，提高关键任务可靠性⸻点：异常处理•设计超时控制、异常捕获与降级策略，保障系统在不稳定情况下仍可运行•构建 fallback 逻辑（规则/模板回复），避免任务完全失败⸻六、评估与数据驱动（很多人不会写，但很加分）点：评估体系•构建 Agent 评估指标体系，包括任务完成率、工具调用准确率、响应延迟与 token 成本•设计离线评测集与自动化评估流程，支持模型与策略迭代⸻点：优化闭环•基于日志分析持续优化 prompt 与工具策略，提升整体执行效果⸻七、性能优化（工程感直接拉满）点：延迟 & 成本•优化 prompt 结构与上下文长度，使平均响应时间下降 X%•引入缓存与结果复用机制，降低 token 成本 X%⸻点：并发与吞吐•设计异步执行与任务队列，提高系统并发处理能力•支持多任务并行执行，提升复杂流程处理效率⸻八、工程化能力（决定你是不是“能进组的人”）点：可观测性•构建日志与 tracing 系统，记录 agent 决策路径与工具调用链路•实现任务级监控，支持问题快速定位与回溯⸻点：系统化落地•将 agent 服务化部署，提供标准 API 接口供业务调用•支持模块化扩展，降低后续功能迭代成本⸻九、业务价值（一定要写，不然像玩具）点：效率提升•将原本依赖人工处理的流程自动化，日均节省 X 小时人工成本•提升任务处理效率 X%，缩短响应时间 X%⸻点：场景覆盖•支持 X 类业务场景（如客服、数据查询、报告生成等），提升系统使用率⸻十、直接可用的“完整项目描述”（可复制）大家可以直接用这个版本👇项目：智能 Agent 平台（LLM + Tool Use + RAG）•设计并实现基于任务分解与工具调用的 Agent 执行框架，支持多步推理与复杂流程自动化•构建 RAG + Agent 协同架构，将检索、决策与执行解耦，提升复杂问题处理能力•封装统一工具接口，接入搜索、数据库与业务 API，实现多场景任务执行•引入参数校验、重试机制与 fallback 策略，显著提升任务执行稳定性•实现多轮对话记忆管理与上下文压缩，优化长任务下的性能与成本•构建评估体系（任务完成率 / 延迟 / token 成本），驱动持续优化成果：•任务完成率提升 XX%•平均响应时间降低 XX%•人工介入率下降 XX%

周五面的 1.你用openclaw做什么？2.用agent能不能做3.你现在研究的agent调用量很小，那如果调用量特别大，会出现什么问题，你怎么优化4.你提到了压缩上下文，怎么压缩，我传超大上下文有问题吗？上下文很杂乱怎么办，你怎么去查找你想要的5.你了解rag吗6.你怎么做的rag7.流式返回怎么做的，为什么选webflux，还有什么？8.如果你召回的精度不高，怎么提升9.es用什么存储向量10.你怎么去es查向量11.平常怎么用aicoding12.aicoding生成的代码不是你想要的你怎么办，不断问他？有什么提效方式问了5分钟实习八股：1.怎么优化慢sql2.索引失效直接结束了，无算法，反问聊了会儿ai全ai拷打，反问时候问了，面试官说他们部门全体转型ai最近变化会很大，对ai需求非常大，感觉应该要挂，因为我ai就是三脚猫功夫，其实不怎么懂，等等周一结果。

大家好我是@程序员花海，之前写过3篇Agent开发学习路线，收到广大牛友的一众好评，感谢大家的支持！！最近浏览了很多公司的招聘网站，我们搜一下技术岗，看下当前哪些岗位招的比较多。以淘天为例，搜一下社招开发岗位，好家伙一眼望去全部都是Agent开发相关。再看下字节，好家伙一眼望去也都是AI。说句实话，现在很多公司都在提倡AI coding，我司就在周会的时候大力提倡AI coding解放人力，但是大家想一个问题，AI都能写好代码了，那么你的意义是什么呢？其实并不是危言耸听，AI再如何发展，但是他对于业务的理解始终是跟不上人力的，我举个例子，涉及到支付、券这种场景，对于金额大小和频控有严格的限制，...

压力很大，面试官全程高压，问的问题不难，但是没有任何反馈，很慌张，也无算法。实习问了20分钟，一直问我你们做的有什么用，总时长一小时1.学校都有什么课程2.spring的ioc原理以及优点3.除了解耦还知道什么？4.springboot与spring区别，二者的源码看过没？Tomcat了解嘛？有没有具体看过5.spring的bean，面试官一直在重复一个思想问我懂不懂，完全没听过6.mybatis是干什么的？ibatis用过没？平常怎么写SQL？完全不写嘛？7.设计一个分布式双十一秒杀系统（前端，网关，缓存，数据库防超卖全设计）8.怎么做限流9.缓存与数据库一致性，你做异步要用户等你嘛？10.负载均衡怎么做11.多数据中心还是单数据中心，如果出现没卖完怎么做（到这完全不会了，面试官直接说换个话题吧）12.平常读书吗？13.上过哲学课嘛？14.兴趣爱好有没有15.对ai的看法16.来深圳有问题嘛？17.为什么不考研18.上大学带给了你什么？你提升在哪里，有没有具体的例子？反问：1.现在手机都有应用市场，应用宝怎么盈利？除了手机应用市场还是有人用，现在在做跨端，微软都有合作，之后会进军mac，主要做游戏，腾讯本身就是游戏大户。2.面试表现？整体评价一下会给到反馈。面完直接变HR面，今天HR面后，已经转为录用评估了，来牛客许个愿，暑期现在还没什么面试，希望能拿个offer之后再考虑要不要留在手子吧。

1.最近做 Agent 时，我最大的感受是：一个真正可跑的Agent应用，无论是B端还得C端产品，最耗时间的往往不是模型能力，而是接入链路。登录认证、权限控制、多协议对接、企业身份源接入、工具服务边界管理……这些事情单看都不难，但一旦分散在各个服务里，开发和维护成本会越来越高。2.但是最近在GitHub上找到的一个项目Casdoor，成熟高效的一站式解决了这些问题。官网:https://casdoor.ai/GitHub:https://github.com/casdoor/casdoorCasdoor主要拥有这些能力：统一身份与组织管理（Web UI 可视化）标准协议支持：OAuth/OIDC/SAML/CAS/LDAP/SCIM安全能力：MFA、WebAuthn、TOTP、审计日志AI 场景：MCP Gateway、A2A 相关接入能力开发友好：API + 多语言 SDK，方便快速落地3. 使用Casdoor之后最大的价值就是:  新应用接入更快，少走很多重复流程Agent/AI 服务调用边界更清晰安全策略集中管理，不再散落在各处团队协作成本和排障成本都下降了如果你也在做 AI 产品或 Agent 平台，这个项目非常值得看https://github.com/casdoor/casdoor

淘天 27 届暑期实习生正在招聘 各方向都有海量 HC 欢迎看我置顶帖子投递校招季翻了很多份 AI 方向的简历，发现一个规律：大家做的项目其实差不多——RAG、Agent、LLM 应用，技术栈也大同小异。但有的简历让人想立刻约面试，有的看完只记住了一串技术关键词。差距不在项目本身，在写法。同样是做了一个 RAG 系统，有人写"使用 LangChain 搭建了 RAG 系统"，有人写"对比了三种 chunking 策略后选用了基于段落结构的自适应切分，检索命中率从 62% 提升到 81%"。前者告诉我你用了什么，后者告诉我你思考了什么。面试官筛简历时真正在...

抖音基础架构团队 一面 90min1.自我介绍问实习：2.提示词模板是怎么构建的？3.单Agent还是多Agent的？子Agent任务是什么？4.分支覆盖率是怎么统计的？原理有没有了解过？代码插桩具体是怎么实现的？5.对于代码解析有没有前置分析？有效性判断怎么实现的？未来让你来优化这些指标你会怎么设计？6.有没有思考过哪些代码会让模型生成的代码准确度和覆盖率降低？这些用AST和LSP都生成不了单测的代码如何过滤？7.mock是怎么实现的？问项目：8.多维度的查询改写是什么？改写的时候遇到需要用户参与补充信息时怎么设计？技术上怎么实现？9.并行化意图识别是什么？为什么要并行化？如何实现的？10.讲一下项目里召回的流程11.对于上下文工程有什么经验吗？有没有做过to do list？为什么这样会让模型更聚焦，怎么实现的？12.skills的原理有没有了解过？怎么实现的？问八股：13.LLM的底层原理有没有了解？输入给模型的是什么？14.self attention怎么实现的有了解吗？为什么要分成QKV，怎么计算的？同一个token向量是一样的吗？15.python有没有多线程？为什么要有GIL，有没有了解过？多线程的锁都有什么？lock和Rlock有什么区别？16.信号量的底层是怎么实现的？17.cpp编译链接流程有没有了解？编译分哪些步骤？手撕：18.岛屿最大面积19.反问

4/20小厂agent一面复盘1、自我介绍，今天加了句 不知道我的技术栈对不对口 ，面试官就说他们也是go+agent，挺对口的，放松了一点点2、第二个项目2.1 LangGraph和LangChain的区别。LangGraph是状态机，对循环/分支的支持更好，比如我这里的路由会根据用户的问题走不同的分支，blabla面试官问用到循环了吗，我说效果不好的话会循环回去，但我这里比较简单【补充可控性/可观测行的差异】：状态显示、便于trace、调参。3.2 多agent了解吗没在项目里用过，只是了解。比如plan一个agent、执行一个agent、评估一个agent，她们各自分工又互相协作完成复杂的任务。【补充多agent适用场景、代价】适合做任务可分解、子结果可验证的场景，代价是token成本上涨、延迟变慢、调试复杂。3.3 学一下多agent的通信机制。函数调用、RPC。【消息格式】：需要包含role、内容、ctx等（json）【共享状态】：共享全局记忆，任务状态记录、中间过程记录【调度方式】：集中式、去中心【一致性】：冲突解决、投票/评分3.4 GraphRAG的优点传统的RAG只能做向量检索，GraphRAG的话加上实体抽取利用多跳机制，不需要检索全库的向量，而且通过扩展邻域检索更加相近的内容。【多跳关系推理】：不仅是相似度检索，更是 因果/关联链条【可解释性】：给出路径/邻居/证据块3.5 怎么做容错的？没做。只做了证据溯源，相当于肉眼判断吧。答得有点灾难【输入层】：提问非领域---澄清【检索层】：证据不足---换检索策略、调topk；图检索失败--回退向量检索。【生成层】：避免胡编/与证据不一致---触发检查【harness】：记录成样本3、第一个项目3.1 redis的缓存穿透和击穿。击穿用的singleflight、穿透用的空值缓存。别的防穿透方法就是布隆过滤器、加锁、或者也可以做非法请求校验（毕竟穿透解决的是非法请求）【缓存雪崩】：随机ttl抖动3.2 缓存在项目中是怎么用的？一个是用户个人页面的视频列表缓存，一个是姿态分析结果的缓存，通过前端轮询来获取分析数据。【补充key、val】：视频列表缓存，key是userID，val是视频元数据的json。分析结果缓存，key是视频id、val是结构化的建议。3.3 webSocket和SSE了解吗了解一点，但项目里没用到。一个是全双工，一个是流式传输。【如果要改进】可以用SSE试试推送分析进度3.4FFmpeg的瓶颈在cpu还是io答不上，面试官说在IO，可以利用redis的IO多路复用优化并发。【cpu】：top/htop---将分辨率【磁盘】：iostat----分片上传3.5 worker的数量如何确定记不清了，只记得和核有关。负载增加的话可以动态扩容。3.6 goroutine panic了会怎么样？栈展开、defer、recover捕获【补充配合ctx做取消】3.7 追问recover里面做了什么业务处理？没做业务处理，制作了错误输出。3.8 context父context取消，子也会取消。值传递的话http请求链用到了元数据传递以及tracer【加NACK】消息重试/放入死信队列4 aicoding代码质量、review怎么做的？我只回答了测试。面试官说可以借助rules、skill做限制【生成前】prompt/rules 限制技术选型、明确接口定义、必须做单测、必须错误处理【生成中】skill定义业务逻辑等等【生成后】：单测、并发安全

1.深挖实习项目，拷打了四十分钟内容大概如下：rag 构建，向量数据库原理选型，元数据过滤，混合检索怎么做的，重排，召回，评价指标，分层架构怎么设计的，兜底策略，工具调用失败或者顺序性怎么保证，非常全面，同时延伸场景题，如果设计一个可中断的智能体系统怎么做，用户多，点击次数频繁怎么做优化，rag 知识库文档有十几万，怎么办，以及如何不让大模型胡说以及说一些隐私数据AI coding 相关知识以及场景题，如何设计一个大项目代码与 agent 交互系统，大模型 token 有限情况下。transformer 原理，只说结构 qkv 还不行，继续问深的。skills，tool，mcp，openclaw 都有问到，以及自己在科研或者实习项目中怎么用，有什么心得八股：十五分钟bitmap ，缓存穿透，击穿，雪崩布隆过滤器原理es 倒排索引原理mysql 慢查询，如何排查，索引结构，索引失效情况消息队列保证消费唯一性以及顺序性。手撕：单词频率  十分钟反问：表现（AI 广度够了，深度还需加强，transformer 底层原理，一些参数含义等等）部门业务多久有通知美团很重视 AI 的问题，会一直问到不会的那种😭一面挂了被其他部门捞了，不想面了，拒了。

Casdoor 是一个面向 AI 时代的开源身份与访问管理平台，集成认证授权与 MCP/Agent 网关能力。也是GitHub 13kstar的明星项目，与casbin项目高度集成绑定，这个项目也是我目前看到的针对企业级落地AI应用工程化治理的最佳实践。刚把 Casdoor 跑通，我最大的感受是：Agent 真正落地，拼的不是“会不会聊天”，而是“能不能安全调用工具”。很多团队做 Agent 都卡在这一步：工具接得越多，风险越大权限边界不清，出了问题很难定位认证系统和 Agent 系统分裂，运维越来越乱Casdoor 这点很实用：它把 Agent 应用（MCP/A2A）+ MCP 网关接入 + 工具级权限控制 + 统一认证（OAuth/MFA） 放在一个平台里。说人话就是：让 Agent 不只是“聪明”，而且“可控、可管、可上线”。如果你在做 AI 应用、企业智能助手、多 Agent 协作，真的建议看下这条路线。下一波 Agent 竞争，核心不是模型参数，而是工程化治理能力。项目地址放在这里了:https://github.com/casdoor/casdoor

当下AI行业早已从“概念狂欢”转向“落地为王”，很多人想通过做AI项目提升能力、丰富简历，却陷入两难：要么项目太复杂，需要深厚的技术功底和高额算力，新手望而却步；要么项目太简单，缺乏技术含量，做完对求职、提升毫无帮助。结合2026年AI行业趋势，参考当下热门且易落地的项目案例，筛选出5个最值得做的AI项目——涵盖新手入门、进阶提升、求职加分三个维度，既有智能推荐Agent、行业垂直Agent、基于RAG的知识库问答系统这类热门方向，也有低成本、高实用的轻量化项目，无论你是零基础新手、在校学生，还是想转型AI领域的职场人，都能找到适合自己的项目，做完既能夯实能力，也能让简历更有竞争力。本文将详细拆解每个项目的核心价值、实现思路、落地难度和实操要点，避开“只做Demo、无实际价值”的坑，让你做一个成一个，真正实现“练技能、涨经验、加简历”的三重收益。一、新手入门首选：基于RAG的轻量化知识库问答系统（低难度、高落地）如果是零基础，想快速入门AI项目，基于RAG（检索增强生成）的轻量化知识库问答系统绝对是首选——它无需自建大模型，依托成熟工具和开源框架，组件完整且门槛低，既能掌握AI核心技能，又能快速看到落地效果，很多新手的第一个AI开源项目都选择它，甚至能轻松获得GitHub星标。核心价值：解决“特定领域知识问答”的痛点，比如个人知识库、企业内部文档问答、产品手册咨询等，替代传统的人工检索，提升查询效率。比如将PDF、TXT格式的文档导入系统，用户只需输入问题，就能快速获得精准、有依据的回答，避免无效信息干扰。实现思路：无需复杂开发，轻量化改造即可落地。核心分为7个环节：文档加载与解析（用pdfminer.six提取PDF文本）→ 文本切分（用langchain_text_splitters将长文本分割为小片段，避免超出模型上下文窗口）→ 文本向量化（用sentence-transformers加载预训练模型，将文本转为高维向量）→ 向量存储与索引（用FAISS-CPU构建索引，轻量化且依赖少，适合本地运行）→ 检索（结合语义检索和关键词检索，提升召回率）→ 上下文重排序（用交叉编码器优化结果相关性）→ 提示工程与LLM交互（调用开源大模型生成最终回答）。落地难度：★★☆（零基础可上手，1-2周可完成基础版本），可通过轻量化改造降低门槛，比如简化向量数据库配置，优先使用CPU版本工具，避免陷入复杂的环境配置。实操要点：优先选择开源工具，避免重复造轮子；重点掌握文本切分和向量化的核心逻辑，这是影响问答效果的关键；可搭建Gradio Web UI，让项目更直观，方便展示和后续优化；完成后可尝试优化检索策略，比如调整混合检索的权重，提升回答精准度。简历加分点：可量化项目成果，比如“搭建轻量化RAG知识库问答系统，支持PDF、TXT文档导入，检索响应速度≤1秒，问答准确率达90%，优化文本切分策略后，无效回答减少30%”，比单纯写“会用RAG技术”更有说服力。二、求职加分爆款：行业垂直Agent（中难度、高价值）智能Agent是当下AI领域的热门方向，而行业垂直Agent比通用Agent更具落地价值，也是企业招聘时重点关注的项目类型——它聚焦某一具体行业，解决真实场景痛点，无需复杂算力，依托成熟框架即可搭建，适合有一定基础、想提升简历竞争力的人群，也是2026年AI创业的黄金赛道之一。核心价值：替代行业内重复性工作，帮助企业降本增效，比如餐饮行业的智能客服Agent、教育行业的答疑Agent、电商行业的选品Agent、医疗行业的辅助诊断Agent，精准匹配行业需求，实用性极强，市场空白率高，落地后可直接产生价值。实现思路：以“餐饮行业智能客服Agent”为例，核心分为3步：1. 需求梳理，明确Agent的核心功能（接收顾客咨询、预约点餐、投诉处理、菜品推荐）；2. 技术选型，用Coze、通义千问等工具搭建Agent框架，无需从零开发，整合语音识别、文本生成、知识库检索功能；3. 场景适配，导入餐饮行业常见问题、菜品信息、优惠活动等数据，优化提示词，实现“用户提问→Agent理解→精准回复”的全流程，同时支持人工介入兜底。落地难度：★★★（需掌握基础的提示工程和工具整合能力，2-3周可完成），可借助算力租赁服务降低成本，无需自建算力集群，单客户开发仅需中等算力即可完成。实操要点：优先选择自己熟悉的行业，降低需求梳理难度；无需追求“大而全”，聚焦1-2个核心功能，比如先实现智能咨询，再逐步添加预约、推荐功能；注重数据适配，行业数据的准确性直接影响Agent的使用效果；可添加简单的后台管理界面，方便修改知识库和查看交互记录。简历加分点：突出行业适配性和量化成果，比如“搭建餐饮行业智能客服Agent，整合语音识别与文本生成功能，日均处理咨询200+条，替代60%的人工客服工作，客户咨询响应时间从5分钟缩短至30秒，客户满意度提升25%”。三、进阶提升必做：智能推荐Agent（中难度、高潜力）智能推荐Agent是AI与实际场景结合最紧密的项目之一，涵盖推荐算法、用户画像、场景适配等核心能力，做完能显著提升AI综合能力，适合想深耕AI应用、瞄准互联网、电商、内容平台岗位的人群，也是AI工程师进阶的核心项目之一。核心价值：解决“信息过载”的痛点，根据用户行为、偏好，精准推荐内容、产品、服务，比如短视频推荐、电商商品推荐、学习资料推荐，广泛应用于各类平台，市场需求旺盛，也是企业AI落地的核心场景之一。实现思路：以“短视频智能推荐Agent”为例，核心流程：1. 数据采集，收集用户行为数据（观看时长、点赞、评论、收藏）、视频标签数据（类型、风格、关键词）；2. 用户画像构建，用AI工具分析用户偏好，生成个性化标签；3. 推荐算法适配，结合协同过滤算法和AI生成模型，实现“用户画像→视频匹配→精准推荐”；4. 效果优化，通过用户反馈调整推荐权重，降低无效推荐率，提升用户留存率。落地难度：★★★（需掌握基础的数据处理和算法逻辑，3-4周可完成基础版本），可调用开源推荐算法框架，无需从零开发算法，重点聚焦Agent的交互逻辑和效果优化。实操要点：初期可简化数据采集，用模拟数据或公开数据集测试；重点优化推荐准确率，避免“同质化推荐”；可添加可视化界面，展示用户画像和推荐逻辑，方便后续复盘和优化；尝试加入实时推荐功能，提升项目竞争力。简历加分点：突出算法应用和效果优化，比如“搭建短视频智能推荐Agent，整合协同过滤算法与AI生成模型，处理用户行为数据10000+条，推荐准确率达80%，用户观看时长提升40%，无效推荐率降低25%”。四、低成本高实用：AI文本处理工具（低难度、易落地）如果不想做复杂的Agent或知识库系统，AI文本处理工具是性价比最高的选择——无需复杂技术，依托开源API即可搭建，功能实用、落地快，适合零基础新手练手，也能作为简历上的补充项目，同时满足个人和企业的刚需。核心价值：解决职场和学习中的文本处理痛点，比如长文摘要、语法纠错、多语言互译、关键词提取，整合多种文本处理功能，提升工作和学习效率，可作为个人工具使用，也可优化后面向中小企业提供服务，毛利率极高。实现思路：核心是整合开源AI API，搭建简洁的交互界面，功能可涵盖4个核心模块：1. 文本摘要，调用NLP API将长文压缩为核心内容；2. 语法纠错，支持中英文文本纠错，提升文本专业性；3. 多语言互译，支持常用语言互译，适配跨境场景；4. 关键词提取，快速提取文本核心关键词，方便内容整理；前端用Vue/React搭建多标签界面，后端用Python封装API请求，实现“输入文本→选择功能→获取结果”的全流程。落地难度：★★（零基础可上手，1周可完成基础版本），无需复杂算力，仅需基础的前端界面开发和API调用能力，可批量处理文本，提升效率。实操要点：优先选择免费开源的API，降低成本；界面无需复杂设计，简洁易用即可；支持文本导入（TXT文件）和导出功能，提升实用性；可添加实时预览功能，优化用户体验，比如输入文本后即时显示处理结果。简历加分点：突出实用性和效率提升，比如“搭建AI文本处理工具，整合摘要、纠错、翻译、关键词提取功能，支持文本批量处理，单篇长文摘要耗时从10分钟缩短至1分钟，文本纠错准确率达98%，可满足职场日常文本处理需求”。

* 线程池的核心参数有哪些？它们之间的关系是什么？* 线程池常见的拒绝策略有哪些？* 线程池的工作队列一般用什么数据结构？具体的类名是什么？* Future 和 CompletableFuture 的区别是什么？* 如何并行请求 5 个接口并同步拿到全部结果汇总？（场景题）* JUC 包下除了线程池，还有什么组件能实现“主线程等待子线程全部完成”* @Transactional 注解的底层实现原理？* Spring 内部方法调用（如 A 方法调 B 方法）时，事务注解会生效吗？为什么？* 什么是 Spring Boot Starter？它的作用和原理是什么？* Left Join 中 on 和 where 条件的区别？* 单表建议存放的数据量级是多少？* 如果用 user_id 做分表键，但查询条件只有 phone，该如何查询？（场景题）* 行锁（Record Lock）和间隙锁（Gap Lock）的触发时机与区别？* 消息队列的核心作用有哪些？* 如何解决 MQ 消息积压问题？* 增加消费者时，是否需要对 Topic/Partition 做对应操作？* 多个消费者在同一个消费组下，是竞争关系还是共享关系？* 物流项目： 如何实现防重复接单* AI 项目： RAG 的详细流程是什么？如何触发向量数据库检索？* AI 项目： 如何进行对话上下文管理？Token 限制的具体实现逻辑？七、 算法题无重复字符的最长子串

依旧忘了录音, 记录下有印象的问题Q: 项目中说到了从claude ADK迁移到Gemini API. 为什么.Q: 如果有个无限长上下文的模型, 是否可以把所有信息都放到上下文?A: 不能, 信息可能会有噪音, 影响模型判断.Q: 场景: 一个有很多内容的需求文档, 是否可以把整个文档放到上下文中, 让模型直接实现?A: 内容太多,模型的注意力可能兼顾不了, 需要分模块输入. (猜的)Q: 如果分模块输入, agent是否会对整个需求没有认知,导致做出来的成果不符合预期?A: 可以参考人的协作. 每个agent工作在独立的worktree上, 定义一个约束, 每个模块期望的效果, 接口等.Q: 用过哪些code agent?A: cursor, claude等Q: 你觉得claude code和cursor分别适合什么样的任务?A: 我觉得没啥区别. 效果都可以.主要用cursor因为便宜Q: cursor用过什么skill觉得好用?A: superpowers. 有brainstorming, git等 前者可以帮助理清需求, 后者是教git的最佳实践.可以每个任务对应一个worktree, 代码追溯更方便, 适合多agent协作.补充: (skill creator. 这个没说,但是也挺好用的. 需要干重复的任务可以直接让cursor写个skill)Q: 了解过spec-drivening 的code agent吗?A: 用过kilo 的spec模式. 觉得机制有点重 需求文档+实现文档, 不如brainstorm + plan mode.Q: 了解上下文压缩机制吗?A: 看过gemini CLI的源码, 他的实现是保留最近30%对话, 压缩另外70%的内容.用LLM生成结构化摘要Q: 为什么压缩前70%? 最开始的几轮对话明确需求不是很重要吗?A: 生产摘要的提示词明确要求模型填写需求内容.Q: 你觉得以后的软件工程会变成什么样?A: 我觉得以后不用人不用写代码, 而是给agent 说明需求.并校验agent生成的代码.补充: 这个问题我觉得答得不太好, 软件工程不只是写代码, 也包含测试, 部署, 维护等操作.补充: 现在想想可以是AI 驱动的软件工程, 代码AI写, 测试AI自动测, 部署维护也是AI来做.Q: 玩过Openclaw吗? 了解其的记忆机制吗?A: 了解, 主要有两阶段: memory_search: 用RAG检索memory文件, 返回topN 相关的内容以及文件路径以及行数. agent可以选择调用memory_get:一个类似read的tool读取memory文件的内容.Q: 如果检索返回了很多相关的内容,如何选择最相关的?A: 向量相似度比较, 选择最相近的n个Q: 了解embeding吗?A: 好像是语义检索计算相似度的模型. 这个不太了解Q: 用大模型来判断哪些内容最相关,是否可行?A: 挺有意思的.Q: 实际上没人这么做, 你觉得为什么?A: 返回的内容可能很多, 超过模型最大上下文,模型判断不好.补充: (可以加上速度, 成本的因素)Q: OpenClaw有个pi-coding-agent, 与你的项目有什么区别?A: 不太了解pi.Q: 对候选人的期望:A: 代码能力不要求,因为100% ai生成代码A: 了解底层原理,需要有较强的学习能力, 对前沿的产品能快速复现.Q: 反问环节:Q: 你觉得agent开发最重要的是什么?A: 评测机制.补充: 无手撕.这次面试体感上感觉还可以, 但是仔细复盘发现有不少问题.主要是RAG的机制不熟,rerank不知道.还有对大模型的底层原理不了解.这次面的问题都比较开放, 所以我把我的回答也写了上去, 各位如果有不同意见的留言, 一块讨论.

转自---xhs（mo什么mo）一、手撕和八股1. 手撕岛屿数量，秒了2. Transformer 中 Attention 的本质是什么？你能从数学角度简要解释一下吗？3. 在 Agent 多轮对话任务中，你觉得 Attention 的局限性体现在哪些方面？4. 简要介绍一下 SFT的核心流程，以及数据集的构建策略，SFT之后常见的 Post-Training 还有哪些？它们之间的目的有何区别？5.  什么是 RAG，它是怎么提升生成质量的？与传统检索 + 模型生成的流程有何不同？你是如何评估一个RAG系统是否work的？6. PPO 和 DPO 在大模型对齐中的主要区别是什么？DPO 训练通常有哪些注意事项？用过GRPO么？二、简历1. 你在提到过 Modular Agent，你能讲讲它是如何实现多步规划的吗？2. 你提到了多个工具调用链路，调度策略是如何设计的？是否有异常 fallback 策略？3. 你构建的 Agent 评估体系包括哪些维度？如何衡量 planning 能力 vs hallucination rate？4. 你还微调过Qwen，选择的训练阶段和Loss函数是如何决定的？5. Prompt 自动推荐模块用了哪些优化策略？有没有尝试过Prompt压缩或embedding表示的方式？三、业务场景相关相关假如一个 Agent 推理链路包含 3 个工具 + 高频请求，系统整体延迟较高，你会如何优化？

现在求职，不管是技术岗、运营岗、产品岗、市场岗，甚至文职、设计、教育类岗位，简历上有没有AI相关能力，已经是分水岭。会用AI，叫“具备新时代工作效率”；不会用AI，很容易被贴上“学习能力弱、跟不上时代”的标签。但现实是：很多人明明会用AI做很多事，写在简历上却变成一句空洞的**“熟练使用AI工具”**。HR扫一眼直接划走，既看不出水平，也看不出价值，更不知道你能给公司带来什么。真正加分的AI能力，不是你会用多少工具，而是你用AI解决了什么问题、提升了多少效率、产出了什么结果。今天就完整聊聊：简历上到底怎么写AI能力，才能真实、专业、有说服力，让面试官眼前一亮。一、90%的人都踩过的坑：AI能力写了=没写先看看这些写法，是不是很眼熟？- 熟练使用AI工具- 了解ChatGPT、文心一言等大模型- 具备一定的AI使用能力- 能够运用AI辅助工作这种写法，等于什么都没说。HR每天看几百份简历，对这种模糊描述已经完全免疫。他们想知道的是：你会用AI做什么？做得多好？比别人强在哪？能为公司省多少时间、多少钱、提升多少业绩？没有场景、没有动作、没有结果，再厉害的AI能力，在简历上也一文不值。二、写好AI能力的核心逻辑：问题→方案→行动→结果想让AI能力在简历上立起来，万能公式只有一个：遇到什么问题 + 用AI做了什么方案 + 你做了什么动作 + 取得什么可量化结果不管你是学生、应届生、转行、职场人，不管岗位是技术、运营、设计、文职、销售，全都适用。1. 先写“问题”：体现你不是为了写AI而写AIHR非常看重“解决问题”的意识。开头先点出你当时面对的困难，立刻显得真实、不做作。比如：- 文案撰写量大、重复度高、效率低- 数据处理繁琐、人工整理耗时过长- 活动方案思路单一、缺乏创意- 代码重复编写、调试耗时久- 简历信息杂乱、无法突出竞争力2. 再写“方案”：体现你的思考和工具选择简单说明你为什么选择用AI，用了什么AI工具。不用写太多专业术语，清晰即可。比如：- 利用AI大模型进行批量文案生成与优化- 通过AI辅助完成数据清洗、分析与可视化- 使用AI生成多版本创意方案并筛选优化- 借助AI Coding工具快速生成代码框架与Debug- 通过AI工具梳理经历、量化成果、优化简历表达3. 重点写“行动”：体现你的个人贡献这是最容易被忽略的一步。很多人写AI，写成“AI做了什么”，而不是“我做了什么”。HR招的是你，不是AI。必须突出你的操作、你的筛选、你的修改、你的决策。比如：- 设计提示词，批量生成初稿并人工优化打磨- 筛选AI输出内容，调整逻辑，保证专业度与合规性- 整合AI结果，形成可直接落地的执行方案- 利用AI辅助思路，独立完成最终版本交付4. 最后写“结果”：用数字说话，最有说服力能量化一定要量化，不能量化就讲效率、质量、效果。比如：- 效率提升50%以上- 耗时减少3小时/天- 内容产出量提升2倍- 项目交付周期缩短30%- 信息准确率提升至95%把这四段连起来，就是一段专业、真实、亮眼的AI能力描述。三、不同岗位AI能力写法示例（直接套用）1）运营/新媒体/市场类普通写法：会使用AI工具辅助文案创作。高分写法：针对日常文案产出量大、效率低的问题，利用AI大模型构建专业提示词，批量生成推文、活动文案初稿，经人工筛选、润色、逻辑调整后正式输出，使内容产出效率提升60%，单篇文案耗时从2小时缩短至40分钟。2）文职/行政/人力类普通写法：熟练使用AI提高办公效率。高分写法：面对表格整理、信息录入、会议纪要等重复性工作，通过AI工具进行文本提取、数据分类与总结，自动生成结构化纪要与报表，大幅降低人工失误，每日重复劳动时间减少3小时，工作准确率提升至98%。3）产品/电商类普通写法：会用AI做市场分析。高分写法：针对竞品信息分散、调研耗时高的问题，使用AI对行业数据、用户评价、竞品卖点进行归纳分析，输出结构化调研报告，辅助产品功能规划与选品策略，调研周期缩短50%，为决策提供高效支持。4）设计/艺术类普通写法：会用AI做图。高分写法：根据项目需求构建精准提示词，使用AI生成多版风格化设计初稿，结合人工排版、色彩调整、细节优化，快速输出可用设计方案，使前期创意周期缩短60%，提升整体项目推进效率。5）计算机/技术类普通写法：会用AI写代码。高分写法：在开发过程中利用AI Coding工具快速生成基础代码框架，辅助完成代码检查、Debug与逻辑优化，减少重复编写工作，编码效率提升40%，降低低级错误率，提高项目交付速度。6）学生/应届生通用（无实习也能写）普通写法：学习过AI相关知识。高分写法：在课程报告、论文整理与项目总结中，使用AI辅助文献梳理、内容润色与结构优化，提升文本逻辑性与专业度，同时通过AI工具学习编程、数据分析等技能，快速掌握基础应用，自主学习效率提升明显。你会发现，同样的经历，换一种结构，含金量完全不同。四、让AI能力更“像真的”的3个小窍门1. 不要只写工具，要写“用法”不要只写：使用ChatGPT、文心一言、AI绘画工具。要写：- 构建精准提示词- 批量生成内容- 优化文本逻辑- 辅助数据处理- 代码生成与调试- 方案创意扩展HR一看就知道：你是真会用，不是随便说说。2. 不要夸大，但要“拔高价值”很多同学不敢写AI，怕面试被问住。其实不用夸大，只要把小事写清楚，就已经赢过大多数人。比如把“用AI改简历”写成：通过AI工具对个人经历进行梳理、亮点提炼、成果量化与表达优化，使简历更贴合岗位需求，显著提升投递反馈率。这段话既真实，又非常加分。3. 把AI写成“放大器”，而不是“替代者”企业最怕的是：你只会依赖AI，离了AI什么都不会。所以写法上一定要突出：AI辅助 + 人工把关 + 你主导最终结果这样写，既体现效率，又体现靠谱。五、简历不会包装？一个好用的工具帮你一步到位很多人其实会用AI，也做了不少事，但就是不会写。要么写得太简单，要么写得像流水账，要么不知道怎么量化成果。明明有东西，简历看上去就是没竞争力。我身边很多同学都遇到过这种问题：脑子里知道自己做了什么，一落到文字就垮。后来他们用到一个特别实用的简历优化工具，不用你绞尽脑汁造句，只要把你做过的事情简单输入，它就能帮你：- 梳理成“问题→方案→行动→结果”的专业表达- 自动提炼亮点，把模糊描述变具体- 帮你合理量化成果，让经历更有说服力- 优化语言，去掉口水话，显得专业又真实最关键的是，它能帮你把AI相关经历写得自然、高级、不浮夸，既不会显得造假，又能让HR一眼看到你的AI能力。很多人靠优化后的简历，明显提高了面试邀约，原来石沉大海，后来能频繁收到反馈。对求职期的人来说，真的是低成本、高回报的提升方式。六、写在最后：AI不是加分项，是基本项未来的职场，不会用AI，就像十年前不会用Office一样。但会用AI，不代表你能写好AI。简历上的AI能力，拼的不是你有多懂技术，而是你能不能用AI解决真实问题、提升工作价值。记住一条原则：不谈问题的AI是炫技，不谈结果的AI是废话。从今天开始，把你简历里那句“熟练使用AI工具”删掉，换成有场景、有动作、有数据、有贡献的真实经历，你的简历竞争力会立刻上一个台阶。

分享下作为一个双非本的春秋招求职总结，我发发牢骚可能文笔不好本人三段实习，两大一外企，通过春秋招给面情况，总结一下中大厂对双非友好度友好：字节（夯爆了）、滴滴、腾讯、好未来、小米、脉脉、快手、360、安可创新、腾讯云智、小鹏汽车不友好：pdd、网易、京东、xhs、得物、米哈游、华为、阿里系、虾皮（这些是我投了什么反应都没有的）秋招下来总共2个Java的offer，深圳北京的小厂，秋招还收到了小米武汉云原生的谈薪电话（后面被鸽了，HR还说什么给我看机会，现在基本没回复了）春招3月份已经过去了，好未来挂，腾讯地图挂（遇到这部门谁倒霉），滴滴外卖挂我想讲一些心里话：传统后端是真不想干了我记得小米给我...

暑期实习 3.16一面1. 自我介绍2. 介绍项目3. 技术选型4. 服务端渲染和客户端渲染的区别5. https和http的区别6. 不同版本http的区别手撕 无重复字符的字符串长度面了35分钟，出去就约二面了二面意外纯聊天自我介绍+介绍项目聊了聊日常开发怎么用ai的未来ai可能参与编程的范式（?）plan模式和agent模式的区别怎么确保ai生成的没有问题怎么减少人的参与（?）聊了40分钟，没手撕就结束了3.17oc

项目拷打哪些代码是AI写的，哪些是自己写的？有自己写的，有ai写的，为什么不全都让ai来写，而要自己实现？项目的特色有哪些？MCP和Agent skills的区别会话记忆功能如何实现？一次性记忆和永久性记忆分别如何实现？Java和Spring项目中用到了Spring Boot的注解，来聊聊Spring注解的底层原理吧前一问没答出来，追问AOP在工程中的具体使用逻辑什么是java的反射机制，使用场景有哪些？提到IOC控制反转，提问IOC的底层原理如何实现？Spring的启动过程，分为哪些阶段，分别做了什么事情，底层代码是不是了解？反射机制的缺点有哪些？高并发的场景适不适合用反射？连环炮提问有点顶...

蚂蚁国际 - AI风控 暑期实习一面 60min问八股：1.介绍一下transformer架构，它解决了rnn和cnn哪些无法解决的问题？2.怎么理解词与词之间距离的概念？为什么大模型需要知道这个距离？3.transformer的核心机制是什么？能不能用一个具体的例子串一遍里面所有概念？4.你提到的QKV能不能具体讲一下？它的核心作用是什么？5.模型层叠加之后会出现什么问题？我们要引入什么机制去解决这个问题？6.传统的残差机制会有什么问题？现在业界有没有提出一些新的解决方案？7.现在业界有很多先进的大模型，有些是7b，有些是325b，这个b的概念是什么？我们在做模型选择的时候怎么选？8.对于不同的细分领域，能不能讲一下你对现有的模型厂商他们参数量选型的了解？9.现在给你一个场景，比如说我们做ai coding，你会怎么去选择参数量？10.对话型模型和推理型模型之间的区别是什么？分别适用于什么样的场景？11.简要的介绍一下engine、sub engine、skill、mcp这几个概念，他们的用途是什么？在代码开发过程中分别用来解决什么问题？12.在开发过程中，多轮迭代会话后工程越来越难以维护，你有没有什么好的建议？13.对于上下文工程的最佳实践，常用到的一些技术或者解决方案都有哪些？14.目前这个体系还很复杂，有没有现成的东西来辅助我？有没有了解现在开源社区很火的一些解决方案？问实习：15.聊一下实习期间你遇到最困难的一件事，这件事你是怎么解决的？得到了一个什么样的效果或结果？16.为什么你会选择lsp这个方案？你是怎么找到和评估这个方案的？17.如果说进一步提升的话，你觉得还有什么方向可以改进？让你现在再做一遍的话你是否会选择重新设计？无手撕18.反问3.23面的，3.28收到感谢信，被老东家拷打麻了