很多人问入行Agent要学什么技术，最大的误区就是「所有技术全学一遍」，最后什么都只会一点皮毛。Agent赛道早就细分出了不同的岗位方向，不同岗位的技术栈、招聘要求天差地别，选错了方向，学了再多也没用。今天结合2026年金三银四的企业招聘需求，以及我自己在AI公司的从业经历，把Agent赛道的4大主流岗位，分别对应的必学技术、进阶技术、面试重点、落地要求全拆解清楚，不管你是校招应届生，还是转岗开发，都能精准对标，不做无用功。先给核心前提：Agent赛道的岗位，分为两大方向，四大细分岗位应用层方向（需求量最大，对本科生最友好，校招岗位占比超70%）：AI Agent应用开发岗、多智能体解决方案岗...

https://github.com/datawhalechina/hello-agents这个是一个github的链接，从零构建agent的教程。但是想搞 Agent 别光看理论，直接奔着能写代码、能跑项目去学最实在。先把 Python 练熟，API 调用、网络请求、简单并发这些工程基础必须会。然后直接上手大模型实战，重点学 Prompt、Function Calling、工具调用，搞懂 ReAct 逻辑，知道怎么让模型 “思考 + 执行”。框架直接冲 LangChain/LangGraph，配合 RAG 和向量库做落地，从单 Agent 自动调用工具开始练手。流程编排、异常重试、上下文记忆这些都是实战必踩的坑。进阶再碰多 Agent 协作、流程调度和部署优化。别沉迷论文和概念，能从零搭出一个可用的 Agent，比看多少资料都管用，实战里踩坑才是真提升。

1. 自我介绍2. Qwen3.5 这类新一代模型，如果不只停留在“Transformer 变体”更有含金量的讲法不会只说它是 Decoder-only，而是会落到训练稳定性、推理效率和长上下文适配这三条线上。比如归一化方式、注意力结构、RoPE 扩展策略、GQA 对 KV cache 的影响、SwiGLU 对表达能力的提升，以及 tokenizer 和多语种兼容设计。面试官真正想听的是这些结构选择为什么出现，它们解决了什么具体问题，而不是模块名背诵。如果要再深一点，可以顺手带出工程后果。比如 GQA 不是为了论文好看，而是为了在长生成场景下降 KV cache 占用；长上下文扩展也不是简单把...

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