面试面到了童年回忆

想入行 AI Agent,需要一套完整技术栈。首先要掌握大模型基础、提示词工程、上下文记忆管理；其次学习工具调用、函数调用、RAG 知识库检索增强；再深入 Agent 工作流规划、多轮推理、任务拆解与反思迭代；同时熟悉 LangChain、LlamaIndex 等主流框架，掌握向量数据库、API 接口开发、流程编排与调试优化。

投递七猫的服务端研发岗位，投递用的Java简历，过了初筛，笔试考的是Go，略懂一些过了。两周后武汉线下面试，担心线下面会盯着Go语言问， 但是我不是很熟悉Go，而且来回只报销600路费，考虑要不要去，有大佬懂七猫线下服务端研发岗问的什么语言吗，会不会是海面

现在想要再润色一下简历 手上拿的稍微出手一点能体现技术的就前两个项目 但是又想把ai的项目写上去 技术栈现在写的感觉乱乱的 求大佬指点

1、工具调用失败或 LLM 幻觉，怎么办？"我会把这个问题拆成两个子问题，因为工具失败和 LLM 幻觉是完全不同的故障模式，解法不能混用。工具失败有明确信号——异常、超时、错误码——我的处理是三层：先用指数退避重试，重试前让 LLM 反思上次参数哪里出了问题，相当于让模型自我纠错；重试耗尽后降级到备用逻辑，比如换一个工具或走规则引擎；如果涉及写操作，每次执行前必须记 Checkpoint，失败后能回滚到上一个干净状态，且写操作要做幂等，防止重放。LLM 幻觉更难检测，因为没有报错。我的做法是：对关键推理结果做 Self-consistency 验证，同一问题采样三次，少数服从多数；对外部事实型问题，用第二个模型做交叉 Fact-check；对于高风险操作，强制加 Human-in-the-loop 确认节点，不管模型多确定都要过人工。生产上我会为每个 Agent 实例暴露健康度指标：工具失败率、幻觉拦截率、平均重试次数，超阈值自动熔断并告警。这样从 demo 到上线，容错体系才是完整的。"2、Agent 的 Memory 怎么设计？"我把 Agent Memory 设计成三层，对应人类记忆的三种形式。第一层是 Working Memory，就是当前 LLM 的 Context Window，存当前任务的执行状态和工具调用历史。它的核心问题是容量管理——超出 window 时我不会直接截断，而是对老的消息做摘要压缩，保留语义但压缩 token。第二层是 Episodic Memory，存历史任务轨迹和用户偏好，用向量数据库按相似度检索。写入是任务结束后异步进行，不阻塞主链路。这层需要遗忘机制——我用一个重要性评分：访问频率乘以时效性衰减再乘以任务相关度，低分记录定期压缩，避免向量库无限膨胀。第三层是 Semantic Memory，存领域知识。这里有一个选型决策点：非结构化知识用向量检索，强结构化的多跳实体关系用 Knowledge Graph——向量库做多跳关系推理效率很差，这是实际踩过的坑。多 Agent 场景还要解决共享 Memory 的一致性问题：写操作加版本号做乐观锁，读操作做版本校验，防止多个 Agent 并发写入产生脏数据。"