先交代背景，方便判断这篇文章对你有没有参考价值。学历方面，我是专升本加双非硕，妥妥的简历筛选劣势户。研究方向是多模态的一个子任务，有两篇论文，一片ccf-c，一篇ccf-b长文oral，和 AI 有一定相关度，但不算严格意义上的"科班 AI"。原技术栈是 Java 后端，基本就是市面上最常见的Spring全家桶。转型节奏上，研二下大约五月份开启第一段实习并开始冲 AI 岗，前后两段实习共约 10 个月。最终结果是春招拿到了大中小厂多个 offer，进我个人offer决赛圈的有 8 家，最后成功上岸 AI 应用开发岗。学历不占优、秋招考虑到学历不占优势就没有参加，全押在春招。...

上周组里招人，我面了六个候选人，回来跟同事吃饭的时候聊起一个让我挺感慨的现象。前三个候选人，算法题写得都不错。第一道二分查找，五分钟之内给出解法，边界条件也处理得干净。第二道动态规划，状态转移方程写对了，空间复杂度也优化了一版。我翻他们的简历，力扣刷题量都在300以上。后三个呢，就有点参差不齐了。有的边界条件没处理好，有的直接说这道题没刷过能不能换个思路讲讲。其中有一个女生，我印象特别深——她拿到题之后没有马上写，而是先问我：“面试官，我能先跟你确认一下我对题目的理解吗？”然后她把自己的思路讲了一遍，虽然最后代码写得不是最优解，但整个沟通过程非常顺畅。这个女生的代码不是最优的，但当我问她“如果这里是线上环境，你会怎么设计’的时候，她给我讲了一套完整的方案——异常怎么处理、日志怎么打、怎么平滑发布。她对这是之前在实习的时候踩过的坑。”我在想LeetCode到底在筛选什么？我自己的经历可能有点代表性。我当年校招的时候，也是刷了三百多道题才敢去面试。那时候大家都刷，你不刷就过不了笔试关。后来工作了，前三年基本没再打开过力扣。真正干活的时候，没人让你写反转链表，也没人让你手撕红黑树。更多的是：这个接口为什么慢了、那个服务为什么OOM了、线上数据对不上了得排查一下。所以后来我当面试官，慢慢调整了自己的评判标准。算法题我还会出，但目的变了。我出算法题，不是想看你能不能背出最优解。而是想看你拿到一个陌生问题的时候，是怎么思考的。你会先理清题意吗？你会主动问边界条件吗？你想不出来的时候会怎么办？你写出来的代码，变量命名乱不乱、结构清不清楚？这些才是工作中真正用得到的能力。LeetCode是一个工具，不是目的。它帮你熟悉数据结构和常见算法思路，这没问题。但如果你刷了三百道题，却说不清楚自己的项目解决了什么问题、遇到了什么困难、你是怎么解决的，那这三百道题可能真的白刷了。所以还要不要刷LeetCode？要刷，但别只刷题。刷题的时候，多问自己几个为什么：为什么用这个数据结构？为什么这个解法比那个好？如果换个条件，解法还成立吗？把刷题当成锻炼思维的方式，而不是背答案的任务。毕竟面试官想看到的，从来不是一台背题机器，而是一个能解决问题的人。

Q1：你会如何设计 Agent 的停⽌条件？答案：组合使⽤：模型声明 finish、任务清单全部完成、达到步数/预算上限、超时、连续⽆进展检测、外部成功信号（如测试通过）。⽣产环境必须有 硬上限 防⽌死循环。Q2：⼯具描述（tool description）为什么⾮常重要？答案：模型靠描述做 ⼯具选择；描述不清会导致 选错⼯具、参数幻觉。好的描述包含：何时⽤、何时不⽤、参数含义、错误示例、返回格式。Q3：Memory ⽤向量库就够了吗？答案：不够。向量检索擅⻓相似度，但弱于精确约束与关系推理。⼯程上常⻅ 向量 + 关键词/结构化库 + 图谱（按需），并维护 元数据与权限。Q4：多 Agent ...