AI求职实录

某大厂面试官：其实你简历上写的这些东西，其实我们都不感兴趣😅。某次反问环节，当我问到面试官“您对这个岗位的应聘者有什么期待？”，他沉默一会，叹了口气，开始了长达十分钟的输出——（以下是省流版）1.大厂看重面试者的潜力，而不只是经历匹配度。所谓“高潜人才”，必须要多进行思考，比如，这个任务的困难是什么，怎么做更好？为什么？大多数面试者问完面试官负责的业务之后就开始提下一个问题，其实你完全可以针对这个业务谈谈自己的理解，“我认为这个任务可以用xx方法去做”“这个业务的痛点是不是xxx？”，哪怕你的说法完全是错误的，面试官也能看到你的态度。2.自我介绍的时候，也要体现对公司的思考。面试之前，去查一...

想写这个很久了，因为自己在开源和实习中也接触过一些 ai 的工程化内容，对这一块也有一些自己的思考，这个路线图说是 AI 应用开发全景路线图，其实我是想写从 maas 平台到 AI infra 的整个模型工程化的全链路的知识，但是笔力有限，第一版应该先聚焦于平台和应用开发。学识尚浅，也欢迎各位牛友一起交流，探讨，完善阅读建议：每个模块开始是我的一点思考和收集的信息，后面就是学习建议和资料（主要是开源项目+文档，视频资源如果有比较不错的也会放上去），有些技术可能没有好的教程，后续会陆陆续续的出文章+ demo 和大家交流一，AI 应用开发到底是什么概述AI 应用开发这个字眼从 gpt 刚开始火的...

接上篇 https://www.nowcoder.com/discuss/847995166416703488?sourceSSR=users还缺少了平台和中间件的部分没有和大家交流，这一篇补充一下平台&&中间件和 AI 相关的平台主要就是 Maas 平台和机器学习平台，Maas 平台，大家最熟悉的就是阿里云百炼，用于模型部署，模型微调，并且整合知识库，Agent平台的综合平台AI 中间件主要包括 AgentRuntime，AI 网关 等等资料推荐：首先是平台侧，对于大模型的工程化平台，开源的，我是最推荐 langfuse 的https://github.com/langfuse/langfuselangfuse 是 langsmith 的开源平替，包含可观测，评估，提示词管理，数据集管理等主流功能机器学习平台就比较复杂了，这个主要是各个公司的内部平台，用于算法同学快速迭代的，所以开源的资料比较有限，但我也找到合适的可以学习的https://github.com/kubeflow/kubeflow目前最主流的 MLops 工程包，很多机器学习平台的核心功能都是通过这个的组件编排实现的，通过学习这个，就可以逐步理解机器学习平台的核心功能此外还需要补充，k8s 和云原生相关的技术栈，用于优化模型的部署和调度。此外还要学习 Ray 这个不可或缺的分布式框架https://github.com/ray-project/ray然后是中间件这边AgentRuntime智能体沙箱，用于安全，快速，高效的运行智能体应用，并且和 k8s ，serverless 等相关技术结合，实现毫秒启动和动态扩缩容开源可以看看火山的子项目https://github.com/volcano-sh/agentcubeAI 网关只推荐阿里的开源 AI 网关 HIgresshttps://github.com/alibaba/higressAI网关除了一般网关的功能之外，还要支持，mcp托管，http无缝转mcp，模型路由等等，higress通过一个巧妙的插件系统接入了这些，并且还保留了大流量网关需要的核心功能（这个项目的语义化检索mcp插件是我写的，感兴趣的牛友可以看看）上面的这些，基本就把我认知中设计 AI 的开发岗位都讲的差不多了，其他评测平台和数据 pipline 搭建的，基本都是比较常规的技术栈，不太需要单独讲，比较喜欢鸡架的同学可以冲这些岗位。后面的系列规划：1. 从 0 - 1 实现一个 Agent 框架（教程 + 源码）可以写到简历上面的2. 一些有意思的项目推荐，目前已经想好了两个，后面发一下3. 自己的一些踩坑记录（比如后面暑期继续找垂直实习踩的坑）

21号 一面 把简历项目都问了一遍 然后问了很多八股 但是回答得不太好 大概答出65%一面的算法题是HOT100滑动窗口改编 中等难度吧 很快撕出来了当时面完感觉要挂了 因为八股答得不好 结果过了 然后约二面  我定在27号 期间恶补了很多知识27号 二面 项目挑了重点问 然后问了一些八股 感觉和面试官聊的挺开心，八股答出来90%吧 项目也聊的不错    然后八股深挖了MySQL   问爽了 因为最熟的八股就是MySQL   后续就是几个场景题回答的不是特别好然后出了一个 “基本计算器 III” （要考虑加减乘除还有括号）有思路 但是思路不清晰主要是太久了忘了 然后没完全写出来，大概写出来60%的样子吧 乘法和除法的逻辑没处理好  最后面试官让我谈一下思路 我说了一下 面试就结束了二面结束我感觉还是比较不错的，感觉要过，虽然算法题写的不好，但是八股和项目聊的不错。结果挂了个人感觉是算法题没撕出来挂了可惜的是 “基本计算器 III” 这个题大一学算法的时候研究过 我记得我还在Acwing上面听yxc讲过 感觉还打过卡我清晰的记得我听过这道题的解法，但是我明确的知道我忘记咋做了没事  胜败乃常事 来日再战必胜。

此文章不讨论技术深度，不纠结任何底层 旨在给到大家快速找到一段实习的最低要求1.直接学习python，不学java，虽然语言可能在之后不成问题，但是对于初学者，还是直接来python！！！！看到爬虫之前即可2.数据库 作为一名本质上是后端开发的工程师，怎么能不会数据库呢 这里推荐MYSQL 看完基础篇即可3.如何支撑起一个后端服务，这里推荐FastAPI，也是可以直接看黑马的视频4.两板斧Agent，RAG如果学到这里 我认为再写两个项目 就可以去找一段实习 在入职前可以再学学git，当然，这里只是最低要求建议以下的地方做强化后端方面：redis，消息队列的使用 需要会以及下面的一些深挖点5....

面试官问你：agent系统中，工具调用失败怎么办？以及之前可能铺垫了哪些问题，串讲！引入“工具”的过程1.什么是agent，他的组成部分有哪些？2.为什么要引用工具，单纯的大模型不行吗？3.工具给大模型扩展了怎么样的能力？4.了解Function call吗？5.了解MCP吗，说说MCP的组成？6.看来你都了解 说说Function call，MCP，工具之间的区别？7.最近很火的skill，你跟Function call，MCP做过对比吗？8.看来你都做过对比，说说skill有哪些特性吧9.看来你都了解，说说mcp和skill哪个上下文占用比较大10我去这些你都知道，那你知道怎么写好一个工具...

小红书|字节|京东|快手|拼多多|滴滴|得物|携程等前端面试AI频繁题目1. SSE 与 WebSocket 区别- 通信方向：SSE 是服务端单向推送给客户端，WebSocket 是双向全双工- 协议：SSE 基于 HTTP，WebSocket 是独立的 ws/wss 协议- 数据类型：SSE 只支持文本，WebSocket 支持文本和二进制- 重连：SSE 浏览器自带自动重连，WebSocket 需要自己写心跳和重连- 使用成本：SSE 非常简单，前端用 EventSource 就行；WebSocket 需要服务端支持协议升级- 适用场景：SSE 适合通知、日志流、AI 流式输出；WebSocket 适合聊天、游戏、协同编辑、直播简单理解：SSE：客户端连上去，服务器一直发消息过来WebSocket：客户端和服务器随时可以互相发消息---2. 对 AI 基本概念了解：RAG、Agent、FunctionCall、MCP、Skills- RAG：先检索外部资料，再让模型回答，用来解决模型瞎编、知识过时的问题- Agent：能自己思考、做计划、调用工具、一步步完成任务的智能体- FunctionCall：模型调用外部接口或函数的标准方式，比如查天气、查数据库- MCP：模型和外部系统、工具之间通信的统一协议，方便对接各种能力- Skills：把常用功能封装成可复用的技能，比如写代码、生成图表、总结文档它们的关系：用户提需求 → Agent 作为大脑 → 用 RAG 查资料、用 FunctionCall 调工具、用 Skills 执行能力 → 通信靠 MCP 协议---3. 个人 AI 技能了解（可直接背）- 了解大模型基本原理和提示词工程- 能基于 RAG 搭建私有知识库问答- 理解 Agent 工作流程，会使用 FunctionCall- 能做前端+AI 项目，比如对话界面、流式输出- 了解多 Agent 协作和常用框架- 能独立完成需求拆解、AI 方案设计与落地---4. 了解主流模型有哪些及各自特点、应用场景国际模型：- GPT-4o：综合能力最强，多模态好，代码、推理都很强- Gemini：谷歌多模态，图片、视频理解能力突出- Claude：擅长超长文本，安全性、合规性好- Llama：开源模型，可以本地部署、二次开发国内模型：- 文心一言：中文理解好，知识覆盖全面- 通义千问：阿里生态，适合电商、客服、业务系统- 讯飞星火：语音能力强，教育、医疗场景多- Kimi：超长上下文，适合读文档、总结资料---5. 用了什么 IDE 以及对比- VS Code：生态最丰富、轻量、插件多，日常开发主力- WebStorm：智能提示、代码重构强，适合大型项目和团队- Cursor：AI 原生编辑器，代码生成、对话一体，AI 开发首选- Zed：启动快、操作流畅，追求高效编码可以用总结：日常用 VS Code，AI 开发用 Cursor，大型项目用 WebStorm。---6. 多 Agent 有了解吗多 Agent 就是多个智能体分工合作，像一个团队一起完成复杂任务。- 分工：有的负责规划，有的负责搜索，有的负责写代码，有的负责测试- 通信：智能体之间可以传递信息、对齐目标- 优点：复杂任务更稳定、逻辑更清晰、更容易维护- 常用框架：AutoGen、CrewAI、LangGraph简单流程：用户提需求 → 主管 Agent 分配任务 → 各个智能体分别执行 → 汇总结果返回给用户---7. AI 在实习部门中应用场景- 智能客服、内部问答：用 RAG + 对话界面- 代码生成、自动补全、代码解释：用 Cursor、Copilot 这类工具- 需求文档、接口文档自动生成与总结- 前端页面自动生成：根据描述或草图生成代码- 数据可视化、报表自动生成：自然语言转图表- 测试用例、测试脚本自动生成---8. Agent 底层原理：ReAct、Transformer 了解ReAct：- 就是推理 + 行动- 流程：先思考要做什么 → 调用工具或执行动作 → 观察结果 → 再思考 → 直到完成任务- 是现在大多数智能体的核心逻辑Transformer：- 是现在所有大模型的基础架构- 核心是自注意力机制，能理解上下文、语义关联- 前端层面只要知道：它是模型用来理解语言、生成内容的底层结构---9. 现有需求如何用 AI 实现：拆解小需求、AI 规划、实现、测试，包含 /plan、/spec标准流程：1. 需求拆解：把大需求拆成小模块，明确每个模块做什么2. AI 规划 /plan：明确目标、执行步骤、输入输出、依赖项、时间安排3. 方案设计 /spec：确定接口、数据结构、页面逻辑、提示词、异常处理4. 实现：前端界面 + 模型调用 + RAG 或 FunctionCall 集成5. 测试：测试功能是否正常、有没有幻觉、流式输出是否稳定、异常情况是否处理6. 上线与优化：根据效果迭代提示词、流程、模型参数简单模板：/plan：目标 → 步骤 → 分工 → 时间/spec：接口 → 字段 → 页面 → 提示词 → 异常处理

1.问AI项目是企业的嘛，还是自己搞着玩的2.在一次http请求中涉及的协议栈都有哪些3.输入域名会发生什么4.ARP协议介绍5.http常用方法介绍，优缺点6.抓包是什么原理，为什么可以抓包7.介绍CAS8.java的线程池核心参数有哪些，介绍9.你一般会采用什么样的类型的线程池，什么情景会用10.拒绝策略介绍，他们的优缺点11.介绍hashmap的扩容机制12.为什么是翻倍扩容13，为什么翻两倍，三倍，四倍不行嘛14，你提到的方法还有没有代替方案15，什么是token16.token怎么来的，怎么识别token，怎么划分token17.介绍mcp18，不同mcp工具的共同点，为什么叫MCP19.你提到的AI自动审核代码，怎么样自动审核，那些规则审核20.AI审核代码具体流程是什么21.什么样的提示词能使得更加准确的审核代码23.手撕二叉树路径和反问业务，几点上下班大部分都答上来了，太深层的回答一般，感觉春招HC很少，竞争激烈，随缘把

最近帮几个朋友改过简历，发现大家的简历普遍存在一些问题:技术栈简单罗列，不能友好的引导面试官的提问，并且体系混乱，岗位jd针对性不强项目多而杂或者是少且不精，重点不突出，没有明确的数据指标，或数据指标严重失真项目的选取过于陈旧化，仍然停留在数年前已经几乎人手一份的项目，差异性不足。针对发现的这些问题，我总结了一些针对 AI 应用开发岗的通用思路，分享给大家。一 . 整体结构怎么安排AI 应用岗介于算法和工程之间，简历结构建议：基本信息 → 教育背景→ 实习经历→项目经历 →技术栈 。项目经理往前放，原因很简单——HR 看简历平均 6 秒，先让他看到你经历过什么，有什么突出的差异化能力，建议放 ...

openclawd这股风刮了半天了，今天终于想到能用它干点啥。正好某大厂现在提供免费试用，于是配置了一个用来海投。部署步骤：1.创建xx云电脑实例2.更换为openclawd镜像3.登录，配置好钉钉机器人4.开始让🦞进行自动投递（这里个人认为比较好的方案是：让openclawd打开对应网站，你手动登录，提前上传好附件简历，再让龙虾进行自动投递。其实个别网站也可以让龙虾进行登录，只要你在钉钉给它提供手机号和验证码，道这样可能会触发人机验证。）5.时不时看一眼钉钉，看看它有没有遇到什么问题6.上述方案不适用于ssob。猎x，智x招聘，应x生都是可以用的。7.关于token消耗：我目前用的是qwen3.5plus，也用过3max，效果差不多吧，不过qwen这几天有点慢...另，百x大模型有免费额度（要是有人愿意填我验证码注册就好了）要说速度，可能大模型没有手工投递那么快——它也不能太快，不然就被网站识别为异常了，它的优势在于不用占用你的时间去投了。你原本用来看JD、打招呼的时间、跟进的时间，可以用来好好改简历。大概这样。欢迎想养龙虾的朋友一起交流哇~

作为天天和算法、研发撕需求的AI产品经理，我虽然不是程序员，但我可能是全公司用AI写代码频率最高的人之一——写SQL取数、写Python脚本处理数据、写伪代码跟研发对齐思路、甚至写简单的自动化工具给自己提效。今天不聊面试题，聊聊我怎么让AI给我写出能跑的代码。一、先说结论：我用AI写代码的频率有多高？每天。作为PM，我日常需要：从Hive里取数分析（写SQL）处理Excel搞不定的数据（写Python脚本）快速验证一个想法是否可行（写Demo级别的代码）甚至写一些自动化脚本，让自己少加班以前这些事得排队等研发哥哥有空，现在？AI就是我的7x24小时专属程序员。 虽然它写的代码不一定完美，但把“...

其实这个面试过程很难写，但是我觉得从这次面试中我学到了很多。我之所以说难写，是因为在一面几乎没有八股文相关的考察，而是更侧重于和我探讨一个他们工作场景上一个工作流程的实现。我认为设计一个场景确实比背诵什么rag，langgraph要难得多。问了关于我的项目，他们都是为了解决什么问题？然后我为什么用这个结构(rag，langgraph)？如果让我优化，你认为还有哪些可以优化的点。二面在一个小时候得到确认第二天二面是主管面，主管问的问题还算比较常规，问了一丁点大模型相关八股，然后就是正常的问简历，问技能，然后问场景，最后是问薪资之类的。我的局促反应和比较单薄的简历这次没有支撑我走下去。我谈谈我从这次面试中学到了哪些经验首先，JD未必是最关键的，因为大模型领域的技能和框架就那么些，几乎所有岗位的应用岗JD都大同小异。我认为比较重要的是这个岗位所在的公司，或者说所在的部门。我做的关于新闻验证的agent几乎被很多中小公司拒了个遍，但是莫名其妙的快速得到字节的面试(虽然并不算特别好的岗位)，可能就是因为业务上的对口。由此引申我的第二点灵感，就是对简历的工程化解耦。其实就是看菜下碟。可以多观察热门的，需求多的岗位都是在哪些部门的，这些部门需要ai来帮他们干什么任务，我能不能设计一个这样的项目来帮助他们。设计好基本的项目框架就可以去拿dify试试效果，然后丰富架构，再去作为自己的一个储备，然后组合出多种匹配特定岗位的大模型项目。第三应该就是我太没自信了吧，我讲话有点畏畏缩缩的，然后讲得还有点慢。希望我能改改。

很多同学，在有了一定工程基础之后，想顺应现在的潮流去学习 AI Agent 的开发，但是又苦于没有入手的项目，网上的教程要么又臭又长，要么就是在割韭菜，很难学到真东西。但其实很多开源项目的实现就能让我们学到非常多的东西了，如果让我推荐的话，我一定会推荐 langchain 官方的这个基于 langgraph 的 deepagents项目地址：https://github.com/langchain-ai/deepagents为什么推荐这个项目呢，先来看看这个项目的特点通过文件系统进行智能体记忆，保存上下文，这个也是最近比较火的 skills，openclaw，字节的上下文数据库 openVik...

在当前开源项目极为丰富的背景下，付费资源并不一定意味着最前沿的技术优势，在具体执行层面展示出自己的独特价值，才是简历上最重要的加分项。1. WebMCP — 让网站主动告诉 AI 该怎么操作AI 操作浏览器的方案一直靠"猜"——截图识别、DOM 解析，错误率 15-30%。WebMCP 反过来，让网站自己声明能做什么，AI 直接调用结构化接口，准确率接近 100%。Chrome Canary 已实装。企业内部系统的 WebMCP 适配目前几乎没人做，是明确的蓝海。推荐理由：简历上写的不是"我会用某个框架"，而是"我在标准刚发布时就做了企业适配&...

最近大厂招 Agent 工程师的岗位非常多，没有入门的朋友可能觉得“Agent不就是调调 API 吗？”Agent 不同于传统的“一问一答”式 AI，它是在对话模型的基础上增加了一个自主循环，能够根据任务目标判断“还需要做什么”，并调用外部工具执行。理想中的Agent，人类一动嘴，LLM跑断腿，在我们还喝茶打哈欠的时候就把活全干完了，但在实际落地中，想做出一个稳定可用的产品，还是有很多难点的。首先是工具的适配。在一个可用的 Agent 系统中，AI 推理只占约 30% 的逻辑，剩下的 70% 都是非AI的工程化适配。Agent 必须能够稳定处理现实世界的接口边界问题，包括 OAuth 授权、Token 自动刷新、API 速率限制以及海量数据的分页处理。同时，工具的 Schema 定义直接影响调用准确率。优秀的 Agent 需要对工具的粒度和描述进行反复调优，确保模型在面对数十个可选工具时，指令遵循依然清晰稳定。其次是多步任务的可靠性管理。在长链条推理中，错误会随步骤指数级叠加。哪怕单步准确率达到 80%，连续执行五步后的综合成功率也会降至约 32.8%。这种概率衰减意味着一个微小的幻觉就能让整个任务偏航。好的 Agent 必须具备严密的状态管理，能够在执行异常时实现自动捕获、重试或逻辑回滚。在执行关键操作前，还需要设计逻辑校验环节，防止单个步骤的偏移导致整体任务崩溃。接着是上下文的信息治理。大模型在处理长周期任务时普遍面临指令丢失的问题，尤其是在频繁的工具调用产生大量冗余数据时，核心约束容易被边缘化，导致 Agent 出现“失忆”现象。优秀的工程实践需要实现动态内存管理，精准识别并保留关键指令和历史摘要，同时剔除无意义的中间日志。通过提高上下文的信息密度，不仅能降低幻觉风险，也能在多模型路由中有效控制 Token 成本。最近开源社区非常火的 OpenClaw就是一个典型的例子。它作为一个拥有极高系统权限的 Agent 框架，可以直接操作文件和执行命令，极大地扩展了 AI 的能力边界。但在实际应用中，它的提示词工程仍有提升空间。由于权限极高，如果提示词无法精准约束模型的行为，很容易在复杂的执行链条中产生误操作甚至安全风险，且频繁触发的记忆压缩和超高的token消耗也被人诟病。这也是目前高权限 Agent 在落地时面临的核心痛点之一。总的来说，Agent 开发的本质是构建一个以模型为核心的高可靠软件系统。调通接口只是基础，真正的护城河在于你如何处理那些繁杂的非 AI 细节，包括工具层的异常处理、上下文的动态压缩以及评估体系的建立。正在找相关工作的同学，可以看看你简历上的Agent项目，有没有针对以上的痛点做了有效改进，面试官会很感兴趣的。

前些天看了 Clawdbot 创始人的采访——这哥们单日提交 1.3k commits，一个月 6600+ 次提交，有的代码自己一句都没看过，非常恐怖。所以在不久的将来，当 AI 已经完全具备写代码的能力，人类程序员的操作空间还能剩多少？最近在实习，做大模型微调，新鲜期过了，发现不过是机械劳动，造数据 → 训模型 → 看 badcase → 然后再造数据，循环往复...这不就是Agent的ReAct范式么? (坏了，我成智能体了) 需求明确的情况下，Claude-3.5/3.6 也完全可以独立完成造数据 pipeline 的开发，偶尔会留下一些语法错误，在两三轮尝试之内也能自己修正过来......这里非要人来完成的环节并不多，只能用人来完成的理由，好像只剩人比较便宜了...？ 但 AI infra、推理加速也在飞速发展，这种相对的便宜，又能持续多久呢？Clawdbot已经火到到处都在讨论，尽管目前在国内的适配有限，(门槛高是一方面，还很重要的一点是比较烧钱...)不过它对人类劳动力的节省是没办法忽视的。目前同事们普遍认为这玩意儿现在只能接入飞书写写文档，但你也知道，“目前”而已。GPT-4 推出的那年或许看上去还有点呆，但短短几年，拥有 skills 和 function call 的大模型已经可以帮你完成打开应用、查看消息、撰写文档这种复合任务——写代码又能比写飞书文档复杂多少呢？不过是接入不同的软件，阅读不同的文本，调用不同的修改命令，底层是一样的，现在 Copilot 已经做得有模有样，更别说 Clawdbot 这种具有自我进化能力的 Agent，只要 token 多，Clawdbot 完全可以给自己装一堆功能，能量超乎你想象。有人说了，我做的项目大着呢，全是屎山代码，我不信 AI 能看完，这说的其实是长上下文问题，我个人不认为是一个无法解决的问题，随着上下文窗口的扩展和长期记忆管理的研究工作不断发展，AI 总能找到方法把你的超长文本压缩成一个一个的小块，然后逐个击破（虽然目前 GPT-5.2 Codex 改我的代码还是会改着改着一片红...）有句话说得好，你怕被 AI 替代，是因为你太像 AI。你的工作流程高度标准化、可预测、可复现——接需求、看文档、查 API、写代码、测试、提交。每一步都有明确的输入输出，每一步都能被拆解成清晰的指令。这种工作方式，恰好是 AI 最擅长的。如果你的价值体现在“把业务逻辑翻译成代码”，那 AI 确实可以做得更快、更稳定、更便宜。它不会写错大小写，不会忘记边界条件，不会因为昨晚没睡好就漏掉一个判断。要想不被替代，就得做那些 AI 做不了的事，比如和产品经理撕逼，解释为什么这个需求做不了；看着三个技术方案，权衡性能、成本、开发周期，最后拍板选一个；跨部门开会，听运营讲了半天业务痛点，翻译成技术语言，还得判断她说的是真需求还是伪需求。这些事情需要判断、需要博弈、需要对人的理解， AI 暂时还做不来。但问题是，这些事情需要多少人来干？以前一个项目可能需要十个程序员，现在有了 AI，也许三个人就够了,剩下那七个人上哪去？......也许他们会转型，在行业找到新位置，也许是去卖炒粉了，说不好。但有一点感觉很明显：AI 在拉高门槛。以前你会写代码就能找到工作，现在得会“用 AI 写代码 + 理解业务 + 做技术决策”。这个组合技能，不是每个人都能凑齐的。工具会进化，但人怎么不被工具定义，可能是我们未来一段时间需要长期思考的问题。

最近或许大家都听说xxxx厂裁员，无论前端，后端，大数据，测试，运维，人人可危， “前端死了，后端也死了，JAVA崩盘了，你们这群搞大模型的真是码奸”这次AI真的会让我们无路可走吗？？？？？？？？太阳底下已经没有新鲜事了旧的生产力的消失，必然有新的生产力诞生马车夫消失 → 汽车司机、修车工、石油工业诞生，从业人数是马车夫的百倍手工纺织女工消失 → 纺织机械工程师、面料设计师诞生，纺织品产量提升百倍2007年苹果开放 App Store，"移动端开发者"这个职业压根不存在。八年后，全球应用经济规模突破 1000亿美元，凭空诞生了数百万开发者岗位。每一次"这次真的完了...

面试里有一个很实用，但很多人却会忽略或者是没有贯彻执行的思路：不要被动等面试官“随机出题”，而是要主动把话题引到自己的强项上。也就是说，在有限的面试时间里，把自己最有竞争力的部分展示出来。面试本质上就是一场信息展示，你越会表达自己的优势，越容易把节奏掌握在自己手里。1. 自我介绍阶段，主动往自己最熟悉的技术栈和项目上引导很多同学做自我介绍的时候，喜欢平铺直叙地讲经历：做过什么、学过什么、实习过哪里。但其实，自我介绍最重要的作用，不只是“介绍自己”，而是给后续提问埋钩子。面试官通常会顺着你提到的关键词继续追问。所以在自我介绍里，你一定要有意识地突出自己最熟悉、最能展开、最容易打出差异化的内容。比...

本文面向前端Agent面试备考，系统拆解前端Agent四大核心模块（LLM核心引擎、工具调用、记忆存储、ReAct编排），梳理各模块面试高频考点与易错点，补充考点对应表、Mermaid架构图，详解前端场景下Agent工程落地关键，助力考生快速掌握核心考点，应对面试中的原理、实战类提问。前端Agent面试高频考点对应表LLM核心引擎（前端适配）1. 前端调用LLM模型的选型与优化；2. 前端Prompt工程实战；3. 上下文Token控制前端场景下模型适配（轻量化、请求效率）、Prompt编写技巧忽略前端Token限制，Prompt冗余工具调用（前端场景）1. 前端Agent常用工具封装；2. ...