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...

timeline3.9投递3.19一面3.31二面4.1告知二面通过免三面4.2hr面4.3oc人生第一次面试就是字节，没想到最后竟然能oc。（ 免三面真的很意外😳）

玩太爽了四月才开始投暑期，拿到的第一个offer就是阿里的，运气还是挺好的，一路速通没有被横向以及刷KPI心仪的业务，心仪的base，被一面挂了十几次应得的后续有空把面经整理一下timeline：4.15投递-4.18笔试-4.22一面-4.27二面-5.7hr面-5.8oc

大家好，我是杭州某大厂中台后端研发。最近一次线上紧急排障，让我彻底想明白了一件事：AI 再强，程序员的 SQL 基本功永远不能丢。背景：周末深夜被线上问题叫醒某个周末晚上，我接到上游部门研发同事的电话：需要紧急查询一份线上数据。数据源跨不同实例业务表拆分出 8 张分表需要统计总数 + 关联两张表字段线上问题响应不能拖，我一边远程配合，一边凭脑子里的业务表结构手写 SQL。结果第二个组合查询第一次没跑通，同事 Review 后又改了一轮才真正可用。事后复盘，我很清楚：极限压力下，手写 SQL 的能力依然不够稳。灵魂一问：AI 都能写 SQL，我为什么还要练？现在确实是 AI 时代，只要描述需求、...