滴滴-一面-4.16

部门调整，hc调整，整个大组实习生全被干掉了，暑期再次启动了组内实习生能力完全没问题，最低学历9本，基本9本硕，没想到来了这一遭。但也庆幸通知的早，而且还有一个月缓冲期，领工资认真准备暑期了

画饼这个现在是哪里都有，但有时候，hr也是很无奈的，前段时间我领导和hr在聊事情，我在边上的，hr有个offer邮件都准备发了，公司内部流程offer流程都要走了，领导对那个人还是有那么点犹豫，把hr也给整的听无奈的

Thank you Hellobike.

AI有四大块，MCP、RAG、Agent以及skill。Agent 本质是一个 “能自主完成任务的应用程序”，没有扎实的开发功底，再好的 AI 能力也只是空中楼阁。后端开发框架核心技能：Java（SpringBoot/SpringCloud）或 Python（FastAPI/Flask），掌握接口设计、服务部署、并发处理。应用场景：Agent 的任务调度、状态管理、外部工具调用，都需要后端框架搭建 “骨架”。比如用 SpringBoot 写一个企业级 Agent 的服务端，处理多用户的任务请求。RAG（检索增强生成）—— Agent 的 “知识库”RAG 是解决大模型 “知识过时、胡说八道” 的关键，让 Agent 能调用外部知识库回答问题。必学技能向量数据库：Milvus/Chroma，掌握文档向量化、相似性检索。比如把公司的产品手册转换成向量存储，Agent 遇到用户提问时，先检索手册内容，再生成回答。Prompt 工程：学会写 “检索 + 生成” 的提示词，比如“根据以下检索到的文档内容，回答用户问题：{检索结果}，用户问题：{question}”。学习路径：先用 LangChain 框架快速搭建一个简单的 RAG 系统，比如 “本地文档问答 Agent”，再深入研究向量索引的优化（比如 HNSW 算法）。MCP 的核心是标准化大模型与外部工具的通信协议，让 Agent 能 “听懂” 工具的输入输出，也让工具能 “理解” 大模型的指令。必学技能工具封装：把外部工具（比如计算器、天气 API、数据库查询）封装成符合 MCP 规范的接口，定义清晰的input_schema和output_schema。协议适配：了解 OpenAI 的 Function Call、Anthropic 的 Tool Use 等主流协议，掌握大模型工具调用的流程—— 大模型生成工具调用指令→Agent 解析指令→调用工具→返回结果给大模型。应用场景：Agent 需要帮用户 “查询今天的天气并安排出行计划”，就会通过 MCP 协议调用天气 API，获取数据后再结合用户的偏好生成计划。Skill 是 Agent 完成特定任务的能力模块，比如 “文本摘要 Skill”“代码生成 Skill”“Excel 处理 Skill”，本质是封装好的函数或工具集。必学技能技能设计：学会拆分通用技能（比如文本处理、数据计算）和业务技能（比如电商订单查询、运维日志分析）。技能注册与管理：用技能库管理所有可用技能，让 Agent 能根据任务自动匹配技能。比如遇到 “生成 Python 代码” 的任务，自动调用 “代码生成 Skill”。学习路径：先基于 Python 写几个简单的 Skill（比如 “Markdown 转 PDF”），再集成到 LangChain 的 Agent 中，实现 “任务→技能匹配→执行” 的流程。