宇树科技实习AI agent开发一面分享

一、项目深挖主 Agent 循环Mem0 记忆系统RAG 实现细节幻觉控制二、技术视野有没有了解过 Agentic RAG 或 LM-VK（主动式 RAG）这类方案？追问：它和你现在这套 RAG 的核心区别是什么？三、开放性问题：智能客服场景设计跳出健康问诊场景——在外卖平台的智能客服里（B端商户、C端用户、D端骑手），你觉得用 RAG 还是其他方式更合适？你会怎么设计？面试官给了场景背景：C 端典型问题：餐品问题、找不到地址、申请赔偿、优惠券使用等D 端典型问题：派单异常、长时间无单等面试官后续补充观点：非订单类问题（如优惠券）更适合知识库；订单类问题业务流程复杂，目前用 skill 方式而非知识库。四、模型训练项目（医疗大模型 SFT + DPO）简单介绍一下这个项目？训练目标是什么？SFT 数据是怎么构建的？DPO 的 chosen / reject 数据是怎么生成的？遇到了什么问题？评测方法是什么？有什么局限性？追问：这个项目和上面的 Agent 项目是什么关系，为什么要做这两个？五、工具使用经验你用 Claude Code 做 Agent 开发，有什么心得？遇到过什么问题？追问：你了解 Claude（Code）的底层记忆原理吗？六、算法题题目：删除链表的倒数第 k 个节点考察点：双指针结果：思路正确（快慢指针），未能完整写出代码

最近每一篇面经中，都会被问到“对AI的了解”，如果2026年你想要从事高薪岗位，那么Agent一定不能错过！面试官说：2026年就是Agent元年！给大家免费分享我的Agent知识库！ Q1: 你如何定义一个基于 LLM 的智能体（Agent）？它通常由哪些核心组件构成？ LLM Agent 是以大语言模型为"大脑"，具备感知环境、自主决策和执行行动能力的系统。核心组件包括四个部分： ①规划模块（Planning）：将复杂任务分解为子任务序列，常用 CoT/ReAct/ToT 等策略； ②记忆模块（Memory）：短期记忆即当前对话上下文（存在 context window...

感觉面完人都通透了，还是太菜了，下去沉淀一下1.如何设计多模型支持架构？2.多租户环境下模型切换是否支持热更新？切换是否相互独立？3.Agent 的记忆、工具调用、知识库检索等关键组件是如何实现的？4.系统中的 Agent 包含哪些具体状态？5.后端 Agent 是否支持多租户同时调用？6.Session 和 User ID 是如何绑定的？7.Agent 工具调用的完整业务流程是怎样的？8.长期记忆和短期记忆在设计上有什么区别？本质上有什么区别？9.SSE 在前后端是如何交互的？10.后端以什么数据格式推送流式信息？11.Agent 发生“工具调用”时，SSE 推送的事件结构中通常包含哪些字段？12.MCP的交互流程是怎样的？13.Agent 如何与 MCP Server 连接通信？14.RAG 的主要模式和主要工作流程是怎样的？15.Agent 一般在什么阶段去查询向量知识库？通过什么方式去查询？16.查询知识库的工具函数，其标准输入和输出是什么？17.Go 语言的 GMP 调度模型是怎样的？18.GMP 模型中的 Machine (M) 代表什么？19.Processor (P) 上的本地队列长度通常是多少？20.系统如何实现图像识别等多模态功能？21.为什么不直接使用多模态大模型？

也大大小小面了很多内部正在搞AI的公司，给大家分享一下我的面试题库！ 第一章：RAG 系统 Q1: 请解释 RAG 的工作原理。与直接对 LLM 进行微调相比，RAG 主要解决了什么问题？ RAG（Retrieval-Augmented Generation）的核心是"检索+生成"两阶段：先从外部知识库中检索与用户问题相关的文档片段，再将这些片段作为上下文拼入 prompt，让 LLM 基于检索到的信息生成回答。相比微调，RAG 的优势在于： ①知识可实时更新，不需要重新训练模型； ②可追溯来源，减少幻觉且便于审计； ③成本低，不需要 GPU 资源做训练； ④领域迁移方便，...