成都agent实习面经

0八股，共享屏幕，分析架构、细节，总共25min左右。总体还算不错，就是面试官麦有回音1. 自我介绍2. 非技术问题3. 介绍一下你的项目（还好我提前画了架构图），这里就花了8，9min4. 冷启动处理有什么问题吗？（没懂什么意思）5. 项目的记忆系统如何设计的？（滑动窗口 + 向量数据库）6. 项目引入的小模型是为了干嘛？怎么判断什么东西应该落库？提示词怎么写的。（尴了个大尬，没找到，还好圆回来了）7. 举一个提示词调优的例子。8. openclaw有了解过吗？它的记忆是怎么存的？你觉得还有什么改进方向吗？（文件即数据，上下文爆炸）9. 如果你参考openclaw的设计方案，这个项目可以怎么改？（文件代替数据库）10. SKILL了解过吗？平时都用哪些SKILL？（superpowers、front-design等）下面就是非技术问题11. 有读研的打算吗？12. 项目做了多久？13. 能实习多久？（我说6个月）14. 那你不想进大厂吗？

Q1：规划和执⾏要不要拆开两个模型？答案：视任务⽽定。Planner-Executor 拆分可提升可控性（强模型规划、快模型执⾏）；单模型端到端更简单但易在⻓链路漂移。可混合：规划⽤强模型，执⾏层做确定性校验。Q2：如何避免 Agent 在⼯具调⽤间「迷失」？答案：明确 停⽌条件 与 最⼤步数维护 任务清单（todo） 与 当前⼦⽬标对每步输出要求 结构化（JSON）关键步骤 强制验证（单元测试式检查、⼆次 LLM 审核）Q3：结果冲突怎么整合？答案：优先级规则（权威源 > 时间新 > 多源⼀致）、让模型显式输出「冲突说明」、必要时触发⼈⼯。Q4：基于效⽤的 Agent 和基于⽬标...

攒攒人品！有面试过同岗的朋友欢迎评论区交流1. 项目拷打：深挖实习中的 AI Agent 架构与 Java 后端落地细节。2. Java 线程池如何自定义拒绝策略？（考察 RejectedExecutionHandler 接口实现）3. 场景题：QPS 为 100，平均响应时间（RT）为 100ms 的 IO 密集型场景，你会如何设置线程数？4. 动态调优：在不重启服务的情况下，如何动态调整线程池参数？结合配置中心（如 Nacos）的实现思路是什么？5. 线程池动态刷新时，是直接替换整个线程池对象，还是调用内部 API 修改？两者有何优劣？6. MySQL 分页查询（Deep Pagination）在数据量大时为什么会变慢？7. 子查询优化分页的原理是什么？在联合索引覆盖的情况下，子查询节省的开销是遍历、回表还是 CPU？8. 慢 SQL 排查：除了索引缺失和数据量大，还有哪些因素（如锁、连接池、长事务、系统负载）会导致 SQL 变慢？9. 线上发生 OOM（内存溢出）时的排查路径是什么？如何通过快照定位到具体的代码行？10. 详细描述你项目中的 Multi-Agent 三层架构（Router -> Manager -> Sub-Agent）的设计逻辑。11. 在 Agent 开发中，如何通过 Prompt 实现高效的指代消除和意图识别？12. 提示词工程高阶技巧：什么是思维链（CoT）和思维树（ToT）？它们分别适用什么场景？13. RAG 实战：你的文档切片（Chunking）策略是什么？如何处理 Markdown 等结构化文档？14. 检索优化：为什么在 Embedding 向量检索的基础上还要引入 BM25 关键词检索？15. 评估体系：如何客观评价 RAG 的效果？谈谈你对上下文忠诚度、答案相关度的理解。16. 模型决策：对于 200 组左右的固定 QA 知识库，你会选择 RAG、Lora 微调还是长上下文直接输入？17. 微调难点：在样本量极少的情况下，如何解决 Lora 微调容易出现的过拟合或欠拟合问题？

Q1：请⽤你⾃⼰的话定义 LLM Agent，并说明与单次调⽤的差异。答案：LLM Agent 是以⼤语⾔模型为推理核⼼，在 多轮 中与外部环境交互，通过 规划、记忆与⼯具 完成复杂任务的系统。与单次调⽤的差异在于：单次调⽤是 开环⽣成；Agent 是 闭环决策，每步可依据⼯具返回更新状态，直到终⽌条件。追问：若没有外部⼯具，还能叫 Agent 吗？答案：可称为「弱环境」Agent，仅有对话记忆与推理；但仍可有内环多步 CoT 与⾃我验证。⾯试中强调是否存在「⾏动—观察」循环更清晰。Q2：Agent 的记忆⼀般怎么设计？答案：分层设计最常⻅：⼯作记忆（当前轨迹与关键结论）+ 会话记忆（摘要滚动...