1. Agent 的架构设计一个完整的 Agent，一般不是单独一个大模型就能跑起来，核心会拆成几层。最上面是任务入口，负责接收用户问题和上下文；中间是决策层，负责意图识别、任务拆解、规划和工具选择；下面是执行层，真正去调工具、查知识库、访问服务；最后是记忆和状态层，维护多轮上下文、历史执行结果和中间变量。如果做得再工程化一点，通常还会加一个校验层。因为模型规划出来的步骤不一定总是对的，工具参数也可能填错，所以在执行前后都要做检查，比如参数合法性校验、工具返回结构校验、结果一致性校验。Agent 真正难的地方不是“能不能想”，而是“想完之后能不能稳定执行”。2. RAG 的检索如何实现RAG ...

不透露岗位了，这次面试的方式非常奇怪。算是纯聊天加八股盛宴（os+net+mysql）大满贯了。最后算法也是easy题目，面完一小时接到二面通知，有点害怕。二面直接冲

搞笑呢？？？？？

全篇不会教你怎么去给Agent创建Skill，而是教会你什么是好的Skill、坏的Skill以及究其原因。什么是Agent Skill一个根本性的误解大多数人听到“Agent Skill”，首先想的是：教会AI去做某件事情但是你有没有想过，现在的大模型已经不知道喂了多少东西了，像维基百科、Word问单号、github代码仓这些，都不需要你教给大模型那么Skill到底是个什么？Skill是知识的外化机制从作用机制上来说，Skill其实教会模型怎么去做？传统AI，知识都被锁在了模型参数当中，你如果像给模型去塞一些新的技能？怎么做？ 传统方式： 收集数据 → 设置 GPU 集群 → 参数训练 → 部...