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。

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。

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，...

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。

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

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...

* 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

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？

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.

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

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...

1.拷打实习2.sse流是什么，和ws有什么区别3.还有什么全双工协议4.react主要流程介绍5.上下文压缩具体怎么做6.滚动上下文窗口了解吗7.大模型输出内容格式不对前端无法渲染怎么兜底8.mcp是什么，核心概念9.mcp的传输方式10.开发一个mcp服务器，给出大概思路11.如果你开发的mcp负载很高不堪重负怎么解决12.mcp有什么安全问题，如何解决------两天后约二面

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

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

1.自我介绍2.HashMap是线程安全的吗？3.你的这个监测分析的Agent是怎么做的？具体分析哪些数据？4.这个数据清洗的话，具体是怎么清洗的？5.这个清洗是一次性的还是可复用的？然后如果是可复用的话，你这个放到我们的向量数据库里面是怎么和rag集合起来的？6.简单讲一下通用Agent的设计流程，还有你的这一个项目里面的Agent的设计流程是怎样的？7.这是怎么做到的？它的架构是怎么去流转的？8.最终调用Agent的时候，它的这个记忆是怎么设计的？它是怎么存储的？怎么用的？9.有没有做上下文压缩？压缩的话是短期压缩还是长期压缩？10.你的这个向量数据库的选型是怎么选的？为什么选这个？11.做一个RAG的话，我们的数据存进去也是很重要的。如果你存进去的是有问题的数据的话，那你得出来的结果也会是有问题的结果。那你这个存进去向量数据库，或者是存进去你的这个数据的话，是以什么样的一种形式去进行保存的？是什么文件格式？JSON？12.怎么切割的？常见切割策略有什么？以及怎么能确保它的语义不断裂？13.用户订阅的这一个服务是怎么做到的？它这个体系是怎么搭建的？你是怎么实现这个功能的？14.用户订阅推送信息的，这个是怎么实现的？定时任务还是怎么样？定时任务怎么设计的？15.我们回到Agent上面来吧。你用到Agent的开发肯定要调用到模型，你的不同节点的模型分别选型是怎样的？以及你的这个选型的模型如果遇到了这一个额度上限的话，要怎么办？16.你自己调用的这一个模型是否遇到过达到上限的情况？17.你自己做的这些是部署在本地的，还是部署在云端的？部署在云端的话，你的操作系统是什么？以及有没有自己买过服务器去部署？18，如果是以自己的机器在跑的话，那你遇到的这一个环境的问题怎么办？你的这个可迁移性的这一个问题怎么办？你本机的代码如何迁移到云端去部署？19.你的云服务器是怎么暴露给外面人去进行发请求的？是走端口还是怎样？20.我们回到AI上面来说吧，你对AI挺感兴趣的，来讲一下你平时用AI写代码是怎么写的？以及是怎么进行一个code review的？21.你自己的编程工具用过什么？以及我们来对比一下这个编程工具，Trae和Cursor的话，这两者你比较一下它们的特点，以及分别有什么好处、坏处，你自己用的是哪个？22.我看你主要还是Java的技术栈，那我们这边主要用的是Python，你讲一下Java和Python的这一个线程池底层的实现的区别是什么？以及它们分别是怎么实现的？23.我们再来聊一下后端吧。我们现在用的基本是微服务，你一个单体服务拆成微服务的话，需要怎么做？要怎么拆？24.比方讲一个电商系统，我们应该怎么去拆分这一个业务的这个微服务？25.你讲到了分库分表的话，那你讲一下分库分表常见的策略有什么？以及什么时候需要分库分表？26.我记得你前面讲到了一个扣款的一个服务，那你讲一下，比方说我扣款的功能里面出现了超扣的情况，这个怎么解决？27.我看你实习也挺久的了，我们来问一个故障的问题吧。你在实际当中，如果遇到OOM或者是MySQL的数据库的一些问题，一般是怎么排查的？28.那在还没有出现这些问题的时候，我们应该去怎么去评估哪里可能会有潜在的风险？为什么？后面就是一些关于实习稳定性，还有一个背景信息的了解。然后还有反问和面试官聊的很开心，学到了很多。

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...

引言大部分人简历上写的 Agent 项目，技术链路是这样的：接收用户输入 → 调 LLM → 解析工具调用 → 执行工具 → 返回结果。这是 Agent 的"最小可用版本"，能跑通，但没有任何区分度——2026 年了，跟着任何一个教程都能搭出来。尤其 RAG 相关的大家已经觉得烂大街了，评论区也有同学吐槽真正让面试官觉得"这个人做过真东西"的，是那些教程里不会教、但生产中必须解决的进阶问题。以下逐个拆解。一、Agent Harness：Agent 不是一个模型调用，是一个运行时是什么：Agent Harness 是 Agent 的"执行骨架&q...

面试被问到“Agent”的那一刻，其实很容易露馅。不是不会答，而是——你以为自己会，但一开口，全是概念，没有结构，没有落地。我第一次被问到“什么是ReAct？”的时候，就是这样。一、我第一次被问懵：你说的Agent，到底是什么？那场面试，对方很直接：“你说你做过AI项目，那你解释一下，Agent和普通大模型调用的区别？”我当时脑子里只有几个词：自动化、智能、任务执行……但说出来很虚。后来我才意识到，Agent不是“会说话的模型”，而是“能完成任务的系统”。核心区别只有一句话：👉 大模型 = 给输入 → 出输出👉 Agent = 有目标 → 会规划 → 会行动 → 会反思 → 再行动也就是：从“回答问题”升级到“解决问题”二、什么是ReAct？（不是背定义，是理解逻辑）很多人会背一句：ReAct = Reasoning + Acting但面试官不听定义，他要你讲“它为什么重要”。你可以这么说：ReAct的本质，是让模型在**“思考”和“行动”之间循环”**。不是一口气给答案，而是像人一样：先想（Reason）再做（Act）看结果（Observe）再想（Reason）形成闭环。你可以举个例子（面试特别加分）：👉 任务：分析一家公司财务状况传统模型：直接输出一段分析（但可能是胡编的）ReAct Agent：Thought：我需要收入、利润、现金流数据Action：调用数据库 / APIObservation：拿到数据Thought：收入增长但利润下降，可能成本上升Action：继续查成本结构Observation：原材料涨价Final Answer：给出完整分析重点不是步骤，而是：👉 它不假装知道，而是一步步去“找答案”这就是ReAct的价值。三、任务拆解：99%的人都答错的地方面试官接下来一般会问：“那你说说，如果让你设计一个Agent，任务怎么拆？”很多人会说：拆成几个步骤写prompt调接口这不叫拆解。真正的任务拆解，分三层：1️⃣ 目标层（Goal）不是“做什么”，而是“做到什么程度算完成”❌ 分析用户数据✅ 输出用户分层+可执行运营策略2️⃣ 子任务层（Subtasks）拆成“可执行单元”例如：数据获取数据清洗指标计算分群结论生成3️⃣ 能力映射层（Tools / Skills）每个子任务对应能力：子任务对应能力数据获取API / SQL清洗Python分析模型 or 规则输出LLM👉 这一步，才是Agent的核心因为：Agent不是“拆任务”，而是“把任务分配给不同能力”四、设计一个数分Agent（这是面试高频题）如果面试官说：“那你设计一个数据分析Agent？”你可以这样回答（直接结构化输出）：🎯 1. 目标定义用户输入一句话：“帮我分析最近用户流失为什么变高”Agent输出：核心原因数据支撑建议动作🧠 2. Agent结构（关键）你可以说三层：① Planner（规划器）拆任务决定先查什么② Executor（执行器）调SQL / Python / API③ Reflector（反思器）判断结果够不够是否继续深挖👉 这一句非常加分：“我会加一个Reflection机制，避免一次性结论错误”🔧 3. 工具设计（落地感）数据库查询工具（SQL）Python分析工具指标计算模块可视化（可选）🔁 4. ReAct流程嵌入每一步都走：ThoughtActionObservation直到：👉 满足“可以解释原因 + 有证据”⚠️ 5. 风险控制（面试加分项）你可以补一句：防 hallucination（必须用真实数据）限制工具调用次数（成本控制）加缓存（性能优化）五、我后来是怎么准备这些问题的？说实话，这一块如果你只是看资料，很难形成“能说出口的结构”。我当时的问题是：👉 我懂一点，但讲不清👉 我会做一点，但没体系👉 一问就乱后来我做了一件很关键的事：我把所有“Agent相关问题”——全部写进简历项目里，然后反推回答。甚至我用了一次工具，把我写的项目拆解成：面试官可能问什么我答得哪里虚哪些点需要补那次帮我优化结构的，就是泡泡小程序AiCV简历王（只提一次），它不是简单改简历，而是把“你说不清的地方”直接暴露出来。很多时候你以为问题在“不会”，其实问题在——你没想清楚。六、面试中我被问到的Agent问题（真实高频）我整理几个你一定会遇到的：1️⃣ “Agent和Workflow的区别？”👉 核心答法：Workflow：固定流程Agent：动态决策一句话总结：👉 Workflow是“写死的流程”👉 Agent是“会自己决定下一步”2️⃣ “什么时候不该用Agent？”这个很多人答不上来。你可以说：任务简单（规则就够）成本敏感实时性要求高👉 本质：Agent不是越智能越好，而是成本是否值得3️⃣ “你怎么评估Agent效果？”高级一点的答法：成功率（任务完成）工具调用次数（效率）成本（token / API）用户满意度4️⃣ “Agent最大的问题是什么？”你可以讲三个：不稳定（输出不一致）成本高调试困难👉 再补一句：“所以我会加日志和轨迹记录（trace）来做调试”直接拉开差距。七、最后一句实话Agent面试，不是考你“会不会用AI”。是考你：👉 能不能把一个复杂问题，拆清楚，并让系统去执行很多人卡住，不是因为不会技术，而是：没结构没闭环没“像人一样思考任务”如果你只能讲“模型怎么用”，那你还在工具层。如果你能讲清：👉 目标 → 拆解 → 执行 → 反馈 → 优化那你才在“系统层”。而面试官，要的是后者。