淘天暑期实习到底几面？

整体面试还是不错的，但是没后续了，不知道是哪里出了问题1.对Agent了解多少？RAG了解吗？2.Skill和MCP的区别是什么？3.如何用Redis实现分布式锁？4.为什么必须用lua，不用lua会有什么问题？5.你实现的分布式锁是乐观锁还是悲观锁？6.CAS实现的乐观锁有什么局限性？在哪些场景下有风险？7.如果让你用Redis做MySQL的缓存，你会采取什么样的更新策略？8.在浏览器里输入URL到页面完全展示，中间都发生了什么？9.Linux下的常用环境变量有哪些？10.如何在shell脚本中判断上一条命令执行成功与否？11.设计一个短链系统12.你认为这个短链系统的性能瓶颈是在读还是在写？13.那你如何优化性能呢？14.手撕： 判断一个链表内部是否有循环，有的话找到循环开始的节点位置

1. 什么是 LangChain？LangChain 是一套面向大模型应用开发的框架，核心目标不是替代模型本身，而是把模型、提示词、检索、工具调用、记忆、链式编排这些能力串起来，方便做复杂应用。它更像是“应用层基础设施”，把原本散落在 prompt、API 调用、向量库、工具调度里的逻辑统一起来。2. LangChain 包含哪些核心概念？LangChain 里比较核心的概念主要包括 Chains、Components、Prompt Templates、Example Selectors、Output Parsers、Indexes、Retrievers、ChatMessageHistory、...

项目地址：https://github.com/java-up-up/super-agent这个项目能学到什么？先直接列出来，小伙伴心里有数：ReAct Agent 智能体的完整实现：不只是能聊天，而是支持联网搜索、工具调用、多步推理、Checkpoint 持久化，真正能自主决策和行动的 Agent三层执行器体系：系统不是把所有问题都交给 Agent，而是先做确定性编排，再按场景选最合适的回答引擎（歧义追问 / 知识问答 / 开放式 Agent），这套分层调度机制是整个系统的核心竞争力RAG 前置编排引擎：路由判定、问题改写、子问题拆分、知识域收缩、歧义澄清，在模型回答之前把所有决策做完，确保每一次检索都是精准的双通道混合检索：向量检索 和 关键词检索 并行执行，RRF 融合排序，可选外部 Rerank 精排，召回率和精准度兼顾证据预算控制与无证据短路：模型上下文窗口有限，多子问题的证据量需要严格裁剪；没有找到相关证据时直接告知用户，不让模型凭空编造，从架构层面杜绝幻觉Parent-Child 块聚合：检索粒度用 Child 小块保证命中率，回答阶段通过聚合提升到 Parent 大块，保证上下文完整性。这个设计在业界也属于比较前沿的实践三种会话记忆策略：无记忆、滑动窗口、摘要压缩，生产环境下怎么平衡 Token 成本和上下文完整性，三种方案都有完整实现和对比演示MCP 工具协议集成：基于 Model Context Protocol 标准协议，Agent 可以动态发现和调用外部工具，不再局限于硬编码的 Function Call，真正实现了工具能力的即插即用Skills 能力扩展体系：通过 SKILL.md 配置文件声明式定义技能，支持目录结构化管理、自动加载、引用脚本和参考资料，让 Agent 的能力边界可以持续扩展而不需要改动核心代码Neo4j 图数据库驱动的文档结构图谱：每份文档索引构建时，同步在 Neo4j 中生成 Document → Section → Item 的层级图结构，支持章节编号定位、邻接遍历、子节点展开等图查询，让检索不再只靠向量匹配，还能沿着文档结构精准导航知识路由三级漏斗：用户提问后，系统先走 Scope → Topic → Document 的三级排序，通过语义 + 词法 + 关键词实体的混合打分自动锁定最相关的文档，再进入检索链路。置信度不够时主动降级，不硬猜影子路由质量观测：用户手动选文档时，系统后台静默跑一遍完整知识路由，对比"系统会选什么"和"用户实际选了什么"，记录命中率、置信度、候选排名，用于持续优化路由模型，对用户完全无感文档从上传到可检索的完整链路：Tika 多格式解析、四种切块策略组合流水线、向量化、PGVector + Elasticsearch 双引擎索引，每一步都有独立的任务日志和状态追踪组合式切块引擎：结构切块做主干、递归分块做兜底、语义分块做边界优化、LLM 智能切块处理疑难文档，系统按文档类型自动推荐最优策略组合联网搜索与工具调用：集成 Tavily 搜索，支持工具重试、指数退避、异常兜底，模型调用次数和工具调用次数都有 Hook 限制，防止资源滥用和死循环推荐追问问题生成：主回答完成后额外调用模型，生成最多 3 个可继续追问的问题，引导用户深入探索SSE 流式输出协议：正文分片实时推送，结束时补发引用来源和推荐问题，支持主动停止生成，用户体验对标主流 AI 产品

自我介绍后直接进入项目深挖，无技术笔试，全程围绕 Agent 工程经验展开。Q1：你为何选用 OpenAI Agents SDK 而非开源框架？出于安全合规考量，开源方案是否更合适？核心考点是框架选型的 trade-off 认知。我说明了 SDK 在 tool 编排稳定性和工程成熟度上的优势，同时承认在企业生产环境中确实应优先评估开源/私有化部署方案，以满足数据不出域要求。面试官对"我知道它的局限"这个态度比较认可。Q2：你遇到过需要人工强制中断 Agent 执行的情况吗？如何处理 Human-in-the-Loop？介绍了关键 tool 执行前插入确认节点、置信度低于阈值...