刚好晚上吃饭的时候闲来无事，随笔记录一下来MiniMax实习3个月的真实感受，给正在看机会的兄弟们一些参考：关于技术氛围：怎么说呢，这边确实能接触到比较核心的东西，而且有着大厂没有的“高速”，比如我第二周就开始跟着调优M2.5的代码了。记得当时在做模型“自我修正”能力的优化，我提了个想法：能不能让模型遇到编译报错时，模拟编译器思路走一圈？mentor听了没含糊其辞的让我只关注他安排的工作，而是直接说“你做个Demo试试”。然后我就去做了，最后效果还行就被采纳了，说实话很有成就感。之前在别的地方面试时，很多面试官画的饼比这大多了，但来了之后发现根本碰不到核心业务。这边至少让你真动手，不只是听概念。关于Mentorship：我的mentor人挺实在的，但是指导方式.....emmm怎么形容呢，不是那种手把手教的类型，应该算是引导型？分享一下我们的日常给大家感受一下，有次我为了赶一个Agent工具调用的demo，写了一堆if-else，自己都知道写得烂。Code Review时他没直接说我代码写的烂（虽然是事实），而是跟我聊：“咱现在写的每行代码，以后都可能变成M2.6甚至M3.0的训练语料。”然后他花了一下午重构了代码，引入工厂模式，还顺便给我讲了讲大模型底层MoE路由的原理。刚开始我觉得重构挺浪费时间的，但后来想想确实帮我理解了“为什么这么写”比“怎么写”更重要，算是被带着上了一课。关于工作方式：这边节奏不算轻松，但卷的方向比较明确。API额度确实不设限，但我发现也没人真去“刷”ArXiv……主要还是先把分配的活干完。干完了可以自由安排时间，去看论文、琢磨优化都可以。同事之间氛围还行，有问题直接问，不用绕来绕去。扁平化这个点虽然被说烂了，但确实不用天天写周报（感动）。总结：在MiniMax这里，整体感觉就是：你做的事能被看见，想法能被试，愿意学也能学到东西。对想踏实做点事的同学来说，是个不错的地方。今天就分享到这里了，继续肝大模型去了。

1、项目里负责的边界是什么？哪些内容是亲手实现或验证的？我负责的边界一般分成四块：Agent 主链路、RAG 检索链路、工具调用层和效果评测。主链路包括 query 理解、路由、上下文构造、结果生成；RAG 这块包括文档清洗、切片、召回、重排和 prompt 拼接；工具调用层包括 function schema 定义、参数校验、执行封装和失败重试；评测这块包括 badcase 回流、离线测试集和线上日志分析。亲手实现的部分主要是在线链路和评测闭环，比如 query 改写、混合检索、rerank 接入、上下文压缩、工具调用编排、token 统计、失败样本分析。验证过的内容包括不同 chunk 策...

现在入门AI，还是按照自己的项目方向吧，具体可能是RAG这种轻量级、易落地、贴近业务的方向，远比一上来啃深度学习理论、从头训练大模型更适合新手，也更能快速积累可展示的项目经验。毕竟对大多数非算法岗的开发者来说，AI 入门的核心不是 “造轮子”，而是 “用轮子”——RAG（检索增强生成）就是这样一个绝佳的切入点：它不需要深厚的机器学习功底，基于 LangChain、Chroma 这些成熟框架就能快速上手；它的应用场景足够广泛，不管是企业知识库问答、智能客服，还是垂直领域的文档检索，都能找到落地场景；更重要的是，RAG 项目的完整链路（数据预处理→向量存储→检索策略→LLM 调用→结果优化），能帮你串联起 AI 应用开发的核心流程。除了 RAG，还有几个和后端开发强相关的入门方向也值得考虑：Agent 智能体开发：基于 LangChain 或 AutoGPT，搭建一个能自主完成任务的小助手（比如 “代码调试 Agent”“简历优化 Agent”），核心是理解工具调用、prompt 编排逻辑，和后端的接口设计思维高度契合；大模型微调（LoRA）：不用从头训练，针对垂直领域数据做轻量化微调，比如用公司内部文档微调开源模型，实现更精准的专属问答，适合想深入模型应用层的开发者；AI + 后端工程化：比如用 AI 生成接口测试用例、自动优化 SQL 语句、排查 JVM 异常日志，把 AI 工具融入日常开发流程，这也是后端岗位现在非常看重的能力。入门的关键不是 “贪多求全”，而是选一个方向做深做透：比如先搭一个简单的 RAG 知识库，再逐步优化检索策略（比如混合检索、重排），最后部署成一个可访问的 API 服务。这样一套完整的项目经验，写在简历上远比 “了解大模型概念” 更有说服力。毕竟现在的 AI 岗位，更青睐 “懂业务、能落地” 的开发者，而不是只会背理论的 “纸上谈兵者”。选对一个贴近自己技术栈的方向，快速做出 demo，才是最高效的入门路径。

面试官问你：agent系统中，工具调用失败怎么办？以及之前可能铺垫了哪些问题，串讲！引入“工具”的过程1.什么是agent，他的组成部分有哪些？2.为什么要引用工具，单纯的大模型不行吗？3.工具给大模型扩展了怎么样的能力？4.了解Function call吗？5.了解MCP吗，说说MCP的组成？6.看来你都了解 说说Function call，MCP，工具之间的区别？7.最近很火的skill，你跟Function call，MCP做过对比吗？8.看来你都做过对比，说说skill有哪些特性吧9.看来你都了解，说说mcp和skill哪个上下文占用比较大10我去这些你都知道，那你知道怎么写好一个工具...