攒人品中，祝大家都能拿到满意的Offer！1. 实习拷打2. 项目拷打3. 请具体介绍这两个项目的工作流以及用到的技术栈。4. 数据清洗涉及哪些步骤？这些步骤起到什么作用？5. 微调数据集的结构是怎样的？6. 微调有哪几种方法？它们有什么区别？7. 对于各种文档，你们做了哪些处理方式？每种处理方式有什么优缺点？8. 你们采用了子块和父文档关联的方式，这种方式在实际应用中的优点和缺点是什么？9. 如果有一个具有多级标题（如1级、2级、3级）的文档，我想检索一个大类时能把其下所有子类内容都带出来，你会怎么设计？10. 在构建知识库进行检索时，可以涉及哪些算法？为了提高召回率，多路召回会涉及哪些方法？11. 在多路混合检索时，如何平衡不同检索方法之间的权重？12. 知识库构建好后，如何评估它的效果和能力？具体指标如何衡量？13. 在检索阶段，我们通过多种方法提高了召回率，召回了许多知识片段。在将这些片段提供给大模型时，我们是全部给模型吗？还是有什么方法可以提高模型的推理结果？14. 在设计智能体时，你是如何选择不同类型的智能体的？智能体之间如何流转？它们的记忆如何管理？15. 多智能体是如何编排的？智能体之间的流转状态是如何管理的？16. 你们的实现没有依赖LangGraph这类框架，是基于什么考虑？17. 在你的智能体规划场景中，如果涉及到需要用户确认的操作，你们是如何设计考虑的？18. 项目中使用的MCP工具调用，主要也是用于查询和推荐数据吗？19. MCP有哪几种协议？它们之间有什么区别？

让你从变成小白到高手1.Easy-Vibe 适合零基础小白https://github.com/datawhalechina/easy-vibe这个项目专为小白准备，由Datawhale出品的开源教程，使你从“我有一个想法”到“产品真正上线”，给你完整的学习路径，为你的开发保驾护航。并且它是三段式设计：第一阶段：基础工具的使用，首先体验AI编程；第二阶段：前后端交互、数据库等稍微复杂、专业一点的东西；第三阶段：带你做完整的产品，直到上线。每个阶段都有具体的项目供你练手，不会是纸上谈兵。2.AI CODE GUIDE 学习路线图https://github.com/automata/aicode...

1. 为什么做Agent项目？2. 了解过市面上有哪些智能体agent吗3. 讲下Agent项目4. Agent项目开发的框架5. 介绍一些AI大模型6. RAG系统流程7. MCP和Function Calling8. 如何写好的prompt9. 多轮对话的实现方案10. Agent项目背景11. LLM产生幻觉的原因及解决方案12. MCP协议的核心内容13. 推理模式的差异化设计14. RAG检索优化策略15. 特定推理模型不支持MCP的技术原因16. Agent推理模式17. 跨模块错误追踪的Agent知识库构建方案18. 多Agent执行策略的智能选择和切换机制设计19. 简历关键词提取的技术实现20. RAG评估方案21. SSE的局限性22. 举例复杂任务下执行流程23. MCP通信方式24. 项目中AI贡献的代码占比25. Prompt工程的实践经验26. 基于代码构建知识库的Agent设计27. A2A协议28. 长文本生成的技术方案29. Agent skills30. 演示Agent项目实现细节31. 了解其他的Agent范式吗32. 模型预热机制33. NL2SQL场景下的SQL安全防护34. 复杂任务执行准确率提升的评估方法35. AI辅助IDE开发工具36. RAG动态知识更新37. MCP和skill区别38. 推理模式的选择机制39. 企业内部知识库RAG的动态持续更新方案40. Prompt设计示例41. A2A与MCP区别42. 多阶段召回策略优化43. AI辅助开发的实践经验面试官主要最爱问的就是讲一下你的 Agent 项目整体架构 & 执行流程RAG 全流程 + 检索优化怎么做的Tool 调用 / Function Calling / MCP 机制原理多轮对话、上下文记忆、幻觉怎么解决

本专栏只总结最重要的八股，简历对应的 简历话术：  Redis:熟悉Redis基本使⽤、常⻅缓存读写策略、⽣产问题及持久化、内存管理、集群、分布式锁  1.常见缓存读写策略 1.1 Cache Aside（旁路缓存）策略 写 先更新数据库中的数据，再删除缓存中的数据。 读 如果读取的数据命中了缓存，则直接返回数据 如果读取的数据没有命中缓存，则从数据库中读取数据，然后将数据写入到缓存，并且返回给用户。 1.2 Read/Write Through（读穿 / 写穿）策略 写 应用程序的“写”请求，必须直接发送到缓存组件。缓存组件负责同步： 缓存组件（或一个智能的客户端库）接收到写请求后，会原子性...