招淘天后端研发或Agent开发实习

发一下问题给大家参考，攒攒人品！1*Agent与Workflow的区别是什么？在实际业务中，你会根据什么标准选择对应的方案2*设计一个企业级Agent架构，如何实现 BFF、Tool Server 与 Worker 的多组件拆分3*在企业级Agent中，怎么实现安全与隔离？权限管理、审计与日志追踪具体的落地方案是什么？4*说一下什么是MCP？它在Agent生态中解决了什么痛点？5*MCP 有哪些具体的分类？Transport 层是怎么工作的？如何开发一个 MCP Server？6*谈谈你对 Claude Code、Manus 这类 Agent 产品的理解，它们的架构逻辑与传统 Chat Agent 有什么差别？它工程部分的能力是怎么实现的？7*如何实现 Claude 的 Agent Research 方法论？Deepsearch 场景下需要配备哪些工具？基础设施与安全挑战在哪里？8*在多轮对话中，分别实现 Short-term memory、Long-term memory 与 Task memory怎么做？9*上下文机制的完整实现流程是怎样的？说一下它的写入策略、读取策略以及 Rerank 的做法是怎么样的。10*当上下文超过 Token 限制时，组合使用 Rolling Summary、State Extraction 与 RAG 这三段式策略？11*说一下Prefix Caching 和 KV Cache 的原理。为什么缓存的是 K 和 V 而不是 Q？不再计算前缀具体节省了哪部分算力？12*引入 Prefix Caching 后，Attention 的计算复杂度是怎么下降的？13*Few-shot在Agent评测中是为了提升能力还是降低方差？在评测Pipeline的哪个阶段注入？如何防止过拟合？14*对比一下Transformer中Self-attention与FFN的作用差异。15*为什么 Prefix Caching 只能优化 Attention 部分，而无法优化 FFN 部分？16*从 Softmax 的数学角度解释，为什么在计算过程中加上负无穷就能让注意力权重变为 0？17*什么是掩码？你分别说一下Causal Mask与 Padding Mask 的作用是什么。

bg双2，电子信息专业，研究方向和ai无关，虽然组里的师兄师姐毕业了之后都去做后端开发了，但是目前这些方向太卷了，和工作后的师兄询问了解后说他们做java后端的也在往agent方面转型，不知道我直接跳过后端直接梭哈agent开发可行吗？

我本科一直做 Web 相关开发，技术栈主要是 React / Node / TypeScript / Python。一开始接触大模型，其实和很多人一样：写 prompt、接 API、做点 demo。但很快我就发现，如果只是“调 API + 写 prompt”，其实很难真正做出复杂的 AI 应用。这篇文章主要分享一下：从前端工程师转向 Agent 开发，我的一些经验和踩过的坑。一、很多人刚接触大模型时，会觉得 AI 应用开发就是：写 Prompt调 OpenAI API输出结果但实际上，如果要做复杂应用，真正的问题通常是：上下文管理（Context Engineering）工具调用（Tool Use）任务轨迹设计（Agent Trajectory）状态管理（Memory / State）成本与延迟控制这些其实更接近 系统工程问题，而不仅仅是 prompt 的问题。二、前端背景有几个优势1 状态管理经验前端：state → viewagent：state → reasoning → action本质类似。2 工程能力前端工程师通常很熟悉：模块化API 设计工程结构渐进式披露（很重要）这些在 Agent 框架设计里很重要。3.相关技术栈openclaw，cluade code和opencode均使用typescript作为其主要开发语言，ts在agent项目里的使用比重很高。三、Agent 的核心其实是“轨迹”很多人以为：prompt → answer但 code agent 实际是：thought→ tool call→ observation→ thought→ tool call→ ...所以关键问题变成：如何设计agent loop如何设计 tool如何设计 observation如何管理上下文四、最近面试和做项目的过程中，我也有一些反思：1 多复盘，而不仅仅是做项目很多时候不是做得不够多，而是复盘不够。2 定量大于定性不要只说“优化了性能”，而是尽量给出指标：- latency ↓- token cost ↓- success rate ↑3 多方案 trade-off工程问题通常没有唯一答案，关键是：- 方案 A- 方案 B- 为什么选 B4 技术要服务业务不仅要看技术指标，还要看：- 用户体验- 成本- 整体业务效果5 尽量 close ticket，而不是一直做 demoAI 领域很容易陷入“做很多酷的 demo”但真正的工程能力是：解决具体问题并落地。五、如果你也是 Web 开发背景，其实完全不用焦虑“AI 门槛很高”。很多 AI 应用开发，本质上还是工程问题：系统设计状态管理工程架构只是多了一个新的组件：LLM。如果你已经有扎实的工程基础，再补充一些：LLM 基础Agent 设计Context Engineering其实是可以很自然地转过来的。

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.如果让你设计一个AI Agent的工作流编排画布(类似LangFlow)，你会选择什么技术栈，核心难点在哪?2.在RAG(检索增强生成)系统中，前端如何优化长文档的展示与引用来源的跳转?3.谈谈AI时代下，前端工程师的角色发生了哪些转变?4.面对快速迭代的AI技术，你如何保证团队技术栈的稳定性与前瞻性?