华为od面经+八股文 分享

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。

面试很难，还是要多多练习，攒人品中！1、做RAG项目的时候，是怎么评测效果的？有哪些评测维度，具体用到了哪些指标？2、项目里的数据集包含什么内容，数据来源、数据格式是怎样的？3、如果让对RAG的相关度和回答效果做优化，有什么思路？有没有更体系化的优化方案？4、有一千条数据，需要做求和处理，这种数据处理场景怎么设计实现？5、RAG的性能怎么提升，有没有实际的优化思路（工程层面或算法层面）？6、项目里的上下文是怎么处理的？上下文过长、冗余等问题有什么优化方向？7、Agent的长记忆和短记忆之间，怎么做到协同工作的？两者的衔接逻辑是什么？8、有什么思路能让自己做的Agent更智能？手撕代码全排列

二、Text2SQL 相关技术问题1. 不同数据表量级下，Text2SQL 的技术选型差异是什么？2. 为何要将数据表每一行数据向量化？使用的 Embedding 模型是什么？3. 行级向量化与表元数据（Metadata）检索的优劣对比，为何不直接用 Metadata？4. Text2SQL 业界常用方案、技术框架与难点你了解哪些？三、RAG 相关技术问题1. Jira Agent Rack 项目要解决什么问题？高频查询内容是什么？2. 为何采用关键词+向量混合检索？各自适用场景是什么？3. 结构化数据用固定分块的原因？什么场景不适合固定分块？4. 长文档 RAG 如何分块？标点分块如何解决语义割裂问题？5. RAG 中为何要加**重排（Rerank）**环节？你的项目是否使用？6. 加重排后效果变差的原因是什么？7. 是否做过Query 改写？解决什么问题？如何实现？8. RAG 与小模型微调的适用场景分别是什么？四、Agent 相关技术问题1. 多 Agent 系统采用什么架构？任务如何编排？2. OpenCloud、Perplexity 等 Agent 系统的核心是什么？3. Agent 的短期/长期记忆如何设计、区分与协作？4. Agent 系统相比直接用大模型的优势是什么？5. 用户如何自定义 Agent 与 MCP？流程是什么？整体上就是自己给自己挖坑，很多细节答不上来，面试了差不多50min，面试完感觉被抽干了，像是做了一次小丑，好不容易有次二面，被自己浪费了

发点面经攒攒人品～1.实习拷打2.项目拷打3.mysql创建表为什么主键最好自增？4.如果秒杀量极大，单机 Redis 无法支撑时怎么办？5.Redis 脚本在集群模式下会有一致性问题吗？如何解决？6.对 agent 当前的发展怎么看，以及他未来到底能取代什么，或者他能真的做什么？7.agent有几种模式，react模式8.什么情况下会用 subagent？9.约束ai有哪些手段，怎样让ai遵守复杂项目的规则？10.了解过上下文工程吗，skill，mcp，rule11.skill 能保证百分之百会被调起吗？