📍面试公司：微派🕐面试时间：03/09💻面试岗位：安卓开发一面❓面试问题：1. 自我介绍，为什么投安卓而不是后端？2. 最近一段实习做了什么业务？遇到最大的困难是什么？怎么解决的？3. 礼物抽奖、奖池模块的完整请求链路是什么？4. 令牌池是什么？0和1分别代表什么？5. 高并发下如何保证抽奖概率稳定？6. 为什么用 Redis List 做抽奖？解决了什么问题？7. Lua 脚本在抽奖中作用是什么？为什么保证原子性？8. 高并发下如何避免令牌重复消费？9. 请求超时、服务异常怎么降级、兜底？10. 风控怎么做？业务兜底、用户兜底、熔断策略是什么？11. 安卓做过什么功能？具体场景、用到哪些技术？12. Glide 图片加载原理，多级缓存、LRU、懒加载怎么实现？13. LRU 算法原理，用什么数据结构实现？为什么用 LinkedHashMap？14. HashMap 底层结构？链表转红黑树条件？为什么要用红黑树？15. HashMap 扩容机制？负载因子作用？16. Java 并发三大问题：原子性、可见性、有序性怎么解决？17. volatile 作用、原理、使用场景？18. synchronized 底层原理？MarkWord、WaitSet、EntryList 作用？19. sleep 和 wait 区别？20. 什么是死锁？怎么写代码模拟死锁？21. 线程池执行流程？核心线程、队列、最大线程、拒绝策略？22. 安卓多线程、协程用过吗？挂起函数怎么理解？23. AIDL 了解吗？多进程通信怎么做？24. C/C++ 掌握程度？25. 网络优化做过哪些？序列化、连接池、IO 模型？26. Ping 原理？ICMP 协议作用？数据包的结构？27. MCP 广场是什么？业务价值、怎么封装、怎么调用？28. RAG 个人知识库怎么做的？向量检索、BM25、多路召回？（叫我现场打开cursor看看怎么使用ai开发的）29. 算法题：买卖股票的最佳时机（只能买卖一次和买卖多次）。30. 对公司业务、面试轮次有什么想问的？🙌面试感想：这次面试感觉面试官非常非常细节，在我说完我的实习项目之后，他觉得我说的太快了听不懂，叫我一个个拆解，把对应的流程功能点遇到了什么问题分点详细的跟他说，并且没听明白就会再问一遍，一定要懂了才会到下一个点，对于部分的技术实现也是刨根问底，问完了对应的一个技术之后还会问相应的底层实现和使用的数据结构，整体感觉这次面试的难度也是比较困难的，但是面试官感觉人挺好的技术也非常在线，学习到了很多东西，一面过，明天更新二面

📍面试公司：涂鸦智能🕐面试时间：3.18💻面试岗位：软件测试❓面试问题：自我介绍举实习的具体内容，怎么落地的怎么去控制跑跳操作的通过gui模拟键盘指令pyautogui.keyDown('w') 【推荐】通过lua调用游戏底层接口，这种方式稳定性高，不受UI变化环境影响，还可以控制参数详细来说就是python（自动化测试脚本）-> socket发给游戏内lua服务 ->lua（客户端脚本层解析指令+找到对应接口） -> tolua（桥阶层 把C#函数暴露给lua，让lua可以调用）-> C#（游戏核心逻辑层） -> 角色的跑跳动作跑跳这些操作怎么做自动化断言...

攒人品中 1.项目拷打2. agent和llm区别，agent未来发展3. openclaw了解吗4. openclaw agent存在什么缺陷 指出一两个5. multiagent和superagent系统上区别6. teamagent和superagent适用场景7. 怎么解决图谱rag节点太多 复杂度太高的问题8.假设有个捞简历的场景，这个步骤有另外一个已经承担了，现在已经有一批候选人需要去联系，那以前是人去打电话，效率太低。现在想用新的agent去完成跟候选人的有效联系，赢得候选人的信任，然后向候选人介绍我们的岗位，看看候选选人有什么个性化诉求，这个 agent因为它业务必要性和技术可行性你觉得怎么样分析一下9.如果让你来设计的这个技术方案最关键最有技术挑战的有三个技术问题，你觉得是哪三个手撕:有一条传送带，上面排好了队的一堆包裹，每个包裹有不同的重量 weights[i]。你的任务是在规定的 days 天内，把这些包裹全运走，不能插队，每天一船，限制最大重量，船的重量越大成本越高，而且要找能完成任务的最小载重量

最近大厂招 Agent 工程师的岗位非常多，没有入门的朋友可能觉得“Agent不就是调调 API 吗？”Agent 不同于传统的“一问一答”式 AI，它是在对话模型的基础上增加了一个自主循环，能够根据任务目标判断“还需要做什么”，并调用外部工具执行。理想中的Agent，人类一动嘴，LLM跑断腿，在我们还喝茶打哈欠的时候就把活全干完了，但在实际落地中，想做出一个稳定可用的产品，还是有很多难点的。首先是工具的适配。在一个可用的 Agent 系统中，AI 推理只占约 30% 的逻辑，剩下的 70% 都是非AI的工程化适配。Agent 必须能够稳定处理现实世界的接口边界问题，包括 OAuth 授权、Token 自动刷新、API 速率限制以及海量数据的分页处理。同时，工具的 Schema 定义直接影响调用准确率。优秀的 Agent 需要对工具的粒度和描述进行反复调优，确保模型在面对数十个可选工具时，指令遵循依然清晰稳定。其次是多步任务的可靠性管理。在长链条推理中，错误会随步骤指数级叠加。哪怕单步准确率达到 80%，连续执行五步后的综合成功率也会降至约 32.8%。这种概率衰减意味着一个微小的幻觉就能让整个任务偏航。好的 Agent 必须具备严密的状态管理，能够在执行异常时实现自动捕获、重试或逻辑回滚。在执行关键操作前，还需要设计逻辑校验环节，防止单个步骤的偏移导致整体任务崩溃。接着是上下文的信息治理。大模型在处理长周期任务时普遍面临指令丢失的问题，尤其是在频繁的工具调用产生大量冗余数据时，核心约束容易被边缘化，导致 Agent 出现“失忆”现象。优秀的工程实践需要实现动态内存管理，精准识别并保留关键指令和历史摘要，同时剔除无意义的中间日志。通过提高上下文的信息密度，不仅能降低幻觉风险，也能在多模型路由中有效控制 Token 成本。最近开源社区非常火的 OpenClaw就是一个典型的例子。它作为一个拥有极高系统权限的 Agent 框架，可以直接操作文件和执行命令，极大地扩展了 AI 的能力边界。但在实际应用中，它的提示词工程仍有提升空间。由于权限极高，如果提示词无法精准约束模型的行为，很容易在复杂的执行链条中产生误操作甚至安全风险，且频繁触发的记忆压缩和超高的token消耗也被人诟病。这也是目前高权限 Agent 在落地时面临的核心痛点之一。总的来说，Agent 开发的本质是构建一个以模型为核心的高可靠软件系统。调通接口只是基础，真正的护城河在于你如何处理那些繁杂的非 AI 细节，包括工具层的异常处理、上下文的动态压缩以及评估体系的建立。正在找相关工作的同学，可以看看你简历上的Agent项目，有没有针对以上的痛点做了有效改进，面试官会很感兴趣的。