中小厂面试

1、自我介绍2、讲一个你做过的最有代表性的 Agent 项目3、如果让你设计一个通用 Agent 框架，你会怎么设计我会把它拆成六层。最上面是接入层，处理用户请求、鉴权、限流和会话管理。下面一层是理解层，负责意图识别、槽位抽取、风险识别和任务分类。再往下是规划层，根据任务复杂度决定是直接回答、走工作流，还是做多步规划。中间一层是记忆和上下文层，统一管理短期记忆、长期记忆、任务状态和检索到的证据。再下面是工具层，把所有外部能力封装成标准化 skill，包括描述、参数 schema、执行逻辑和异常处理。最底层是执行与评测层，负责模型调用、工具执行、结果回填、日志埋点和效果评估。如果要做成工程上可维...

一、先破题：面试官到底想听什么？别上来就念定义，先抓核心：他想知道你懂不懂 RAG 的本质、会不会落地、他想看到你的深度思考。一句话开场就能拉好感：“RAG 本质就是给大模型‘外挂知识库’，让它先查资料再回答，既不用重新训模型，又能减少幻觉，特别适合企业私有数据场景。”二、核心回答框架：3 步讲 RAG 全流程1️⃣ 先讲原理：为什么要用 RAG？传统大模型的知识全靠预训练，新数据、企业内部数据它根本没见过，一问就容易瞎编。RAG 的思路很朴素：生成答案前先去外部知识库搜一遍，把相关资料塞给模型当参考，让它 “照着资料说”。这样既避免了微调的高成本，又能保证答案基于真实数据，还能随时更新知识库，很灵活。2️⃣ 再讲落地：项目里怎么搭 RAG 链路？别只说 “召回 - 过滤 - 生成”，要讲具体做了什么、用了什么工具，显得你真干过：第一步：搭知识库（离线准备）先把企业文档 / 业务数据切分：按语义段落拆，控制每段 token 数，太粗太细都影响检索效果用 Embedding 模型（比如 BGE、text-embedding-ada-002）把文本转成向量存到向量库（Milvus/FAISS/Pinecone 都行），方便后面做相似度搜索举个例子：我们做企业知识库时，会把长文档按章节 + 段落拆分，每段控制在 300token 左右，既保证信息完整，又不会太冗余。第二步：用户提问时的检索阶段先把用户问题也转成向量，去向量库做相似度检索，捞出 Top-K 相关文档关键：加个 rerank 模型（比如 CrossEncoder）做二次排序，把最相关的片段往前排，避免 “看似相关实则没用” 的文档干扰还可以加 query rewriting 优化提问，比如把口语化问题转成更适合检索的句式，提升召回准确率第三步：生成答案把检索到的文档片段 + 用户问题，拼进 Prompt 里，给模型明确指令：“请仅基于以下参考资料回答问题，不要编造内容，如果资料里没有答案就说‘未找到相关信息’。”喂给大模型生成答案，这样输出就完全基于检索到的真实数据，不会瞎编。3️⃣ 最后补深度：RAG 的关键与坑讲完流程，补几句踩坑经验，瞬间拉开差距：核心难点：文档切分、检索质量、Prompt 设计切分太粗：信息太杂，检索不准；太细：上下文断裂，模型看不懂检索差：哪怕模型再强，给错资料也会生成垃圾答案，所以 rerank 和 query rewriting 特别重要Prompt 要 “严”：必须约束模型只能用参考资料，不然它还是会忍不住瞎编局限性也要提：依赖 Embedding 质量，选不对模型检索直接拉胯长上下文会推高成本，太多参考资料反而让模型混乱实时性问题：知识库更新后要重新生成向量，不能秒级同步三、面试加分小技巧提架构：主动说 “我们用的是召回 - 过滤 - 生成三段式架构”，显得你体系化提优化：聊 rerank、query rewriting、多轮检索这些进阶手段，证明你不是只会基础版提场景：结合具体项目说，比如 “在企业客服知识库 / 内部文档问答里用 RAG”，比空泛讲理论更有说服力

1. 什么是指针？指针的本质是什么？答案：指针是一个变量，它存储的是另一个变量的内存地址。指针的本质是内存地址，通过地址可以直接访问和操作内存中的数据。指针的特点：指针本身占用内存空间，在32位系统中占4字节，64位系统中占8字节。指针有类型，不同类型的指针决定了如何解释内存中的数据以及指针运算的步长。指针可以进行算术运算，如加减整数，移动到相邻的内存位置。指针的用途：动态内存分配，使用new或malloc在堆上分配内存。函数参数传递，通过指针传递可以修改原始数据，避免大对象的拷贝。数组和字符串操作，数组名本质上是指向首元素的指针。实现复杂数据结构，如链表、树、图等需要指针连接节点。指针的危险...

我之前实习的时候一般都是约在晚上面试，对于一些比较好的公司一般都会同意，晚上还可以薅点餐补吃饭呢，或者中间出去1小时再楼下面试，这样基本上也没问题