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.
查看8道真题和解析