渣硕秋招该投机器学习还是java开发？

1. 如果让你从 0 到 1 设计一个企业级 Agent 平台，你会怎么划分 Planner、Memory、Tool、Knowledge、Runtime、Evaluation 这几个模块？边界怎么定？我一般不会按“大模型功能”来拆，而是按“责任是否稳定”来拆。Planner 只负责决定下一步做什么，不负责真正执行；Tool 只负责把外部能力标准化，不参与推理；Knowledge 负责把文档、结构化数据、权限和索引组织成可检索资产；Memory 只存跨步、跨轮、跨会话还需要被引用的信息；Runtime 负责状态推进、超时、重试、回放和观测；Evaluation 则独立出来，不跟在线链路耦合，因为...

总共50min自我介绍上来一道题（判断ipv4合法）拷打项目（竟然问我本科随便搞的一个yolo项目）拷打实习（感觉更多的像了解我的项目，科研实习，跟agent相关）问了langgraph0八股反问：说我一开始的时候要表达的清楚一点

1. 你做过的 Agent 项目里，Agent 和普通问答系统最大的区别是什么？普通问答系统更多是输入一个问题，模型生成一个回答，核心在回答质量。Agent 更强调任务闭环，不只是回答，还要规划步骤、调用工具、拿到结果、根据结果继续下一步，最后把任务完成。也就是说，问答系统重点是“说”，Agent 重点是“做”。如果项目里接了数据库查询、知识库检索、接口调用、审批流或者脚本执行，那基本就已经不是单纯的聊天系统了。2. 你怎么理解 Agent 的核心组成？一个完整的 Agent 一般包括模型、Prompt、工具、记忆、规划、执行控制这几部分。模型负责理解和推理，Prompt 负责约束行为，工具负...

稳稳的寄了。Q：你的 Agent 具备上下文记忆功能，基于 ReAct 模式，目前实际运行中最多能支持多少轮对话？Q：在 ReAct 模式下，Agent 需要频繁调用工具。考虑到不同大模型（如 Kimi 支持 20 万+ token，DeepSeek 支持 10 万+ token）的上下文窗口限制，您在执行过程中是否遇到过因工具调用次数过多（N 次）导致 Token 超出限制（撑爆上下文）的情况？如果有，是如何处理的？Q：在问答类场景中，如果 Agent 陷入死循环（例如反复搜索不到内容，不断重复“查看文件 - 搜索文件”的操作），有什么机制来检测并处理这种异常情况？Q：项目基于 MCP 协议集成了服务器资源查询、数据操作和校内文档检索，为什么没有考虑集成外部互联网资源的检索能力？Q：像 Codex 这类代码模型，其内部显然不是基于向量检索的。您是否研究或思考过 Codex 内部的文件检索策略是如何实现的？Q：目前 OpenClaw 比较热门，您是否阅读过相关源码或研究过其技术实现？Q：您提到了“服务器辅助开发”功能，是基于 Plan-Execute-RePlan 的方式实现的。能否详细讲解一下这一功能的具体实现逻辑？Q：你实现的“Plan-Execute-RePlan”流程与 Minus 这种有什么区别？