面试很难，还是要多多练习，感觉自己说不明白业务逻辑1.项目介绍 + 深挖2.开发你的agent的时候，用的是什么流程？为什么用这个流程？3.开发你的项目agent的时候，有没有借鉴目前各个产品的思路？4.模型和 Agent 的区别是什么？5.本地工具、MCP Tools、Skill 三者的区别？6.为什么已经有了 MCP，Anthropic 不继续做 MCP 而是转向做 Skill 了？7.Skill 里面有没有工具？8.Claude Code 的记忆架构是什么？上下文真的等于记忆吗？9.为什么 Claude Code 不用 RAG 检索代码而是直接用 grep？10.有没有了解过最前沿的记忆设计？11.手撕：实现一个 Skill 系统，完成 Skill 的注册、发现和调用。目录结构为 .agents/skills/ 下每个 Skill 一个子目录，包含 .yaml 配置文件和 scripts/*.js 执行脚本。

1.skills和tools是怎么区分的？2.skills真正的优点是什么？能做到什么？3.mcp的讲解？ mcp要定义接口的话，必须把参数那些都定义到上下文中，他是一个比较冗余的信息，会污染到上下文。正常的工具调用是不需要这些冗杂语义的，而skill会隔离这些东西在上下文里面会去隔离这些东西，不光是token消耗量。还有一个重点就是做到按需加载，渐进式加载的问题。4.长期记忆是怎么做的？用户的记忆属于实体记忆，实体记忆应该更偏向于关键词记忆，并非rag。5.接触过融合检索吗？融合检索是什么？6.混合检索的融合算法是什么样的？他的比重是什么样子的？有可能rag找回了top5，es召回了top5...

1.如何设计一个 Prompt？Prompt Engineering 有哪些技术？（ 5 次）2.什么是 AI Agent？谈谈你理解的 agent，以及如何理解其推理、决策与自主规划执行的能力？（3 次）3.什么是 Function Call？它的实现流程是什么？一般应用在哪些场景？（4 次）4.文本向量化的目的是什么？使用的向量模型、向量存储工具分别是什么？（3 次）5.RAG 的概念是什么？其具体实现流程（包括 chunk 划分、向量搜索、重排序等环节）是怎样的？（3 次）6.LangChain 的核心功能是什么？基于 LangChain 会调用哪些类型的模型？（2 次）7.大模型的调用方式是什么？本地部署大模型会用到哪些框架？（1 次）8.大模型 server 是如何部署的？提供了哪些接口？是否支持流式输出？（1 次）9.ReAct 的实现原理是什么？其 Prompt 设计和工程落地分别有哪些要点？（1 次）10.对 AI 编程、开源项目、Vibe Coding 分别有怎样的理解和看法？（3 次）

1. 自我介绍2. 介绍下项目，重点讲架构、关键设计和线上问题3. Agent 的上下文窗口不够时，长短期记忆应该怎么分层设计长短期记忆不能简单理解成“最近消息”和“很久以前的消息”。更合理的设计是把状态拆成三层：工作记忆负责当前回合执行所需的最小上下文，摘要记忆负责阶段性中间结论，长期记忆负责稳定事实、偏好、任务状态和关键证据索引。这样做的好处是短链路推理不会被旧噪声拖死，而长任务又能在需要时按状态检索历史事实。真正难的不是分层本身，而是写入和召回策略。不是每条消息都值得进长期记忆，通常只把高价值、可复用、低歧义的信息写进去，比如用户偏好、外部工具执行结果、关键约束、任务完成状态。否则记忆库...