小厂 Agent算法面经

牛友们注意了，能写进简历的 AI 项目，至少得满足这三点：第一，有明确的任务场景和输入输出第二，系统可自动运行，无需人力维护第三，解决了某个实际问题很多人做了个小 AI demo，就急着在简历上写 “主导某某 Agent 系统”，结果一面聊下来，项目既不成型、跑不通，更谈不上闭环。我招人看项目经历时就遇到过这种情况：有个同学写了 “多轮对话 Agent 系统”，但被问到 “系统在哪用？触发条件是什么？对话上下文怎么保存？Agent 之间怎么分配任务？” 时完全答不上来 —— 其实这个系统就一段 prompt，用户每次都要手动输入一串命令，根本没有完整流程，更谈不上调度。反过来，另一个看起来没那么 “技术炫酷” 的项目反而更亮眼：一个 AI 写 OKR 的小工具。针对公司每季度填 OKR 的需求，这位同学写了个不到 200 行代码的小服务，只需上传本季度的工作内容，就能自动拆分为多个目标，还能输出三种版本（自我驱动、结果导向、量化可追踪），甚至支持风格转换（偏运营、偏产品、偏技术），能跑、能用、还能灵活修改。显然后者更值得写进简历。真正有价值的 AI 项目，不在于你集成了多少模型、用了多少工具，而在于你是否跑通了完整任务流程，交付了一个能解决实际问题的系统 —— 工具可以借鉴，但核心逻辑必须是自己琢磨出来的。

在构建AI Agent（智能体）时，如何引导大模型有效完成复杂任务是一个核心问题。当前主流范式主要有两种：ReAct（推理+行动） 和 Planning & Extractor（规划+提取器）。它们都旨在增强模型的自主性和任务执行能力，但在工作流程和适用场景上存在显著差异。本文将通过实例对比两者的异同，帮助企业根据实际需求选择合适范式。一、ReAct范式ReAct由Shunyu Yao等人提出，其核心思想是让模型在生成过程中交替进行“推理”和“行动”。模型会先思考当前状态（Reasoning），然后决定采取什么行动（Acting），如调用工具、查询知识库，之后根据行动结果再次推理，直至...

1. 项目和八股1.RAG如何做rerank的2.LoRA参数计算 比如给你一个7B的模型  在优化器这块如何分配3.了解强化学习的什么算法   强化学习最新的po算法4.grpo如果对于这个数据 训练出来的一组score都是0或者1  这时候应该怎么办5.agent的几大部分6.agentic rl7.gui agent   code agent8.了解软件工程相关的吗  AI for se2.无手撕3.反问业务，做的 金融领域 agent 方向，偏开发

我自己在搞 AI Infra/HPC，有两个一直在维护的仓库：一个是用 C++/CUDA 从零写的深度学习框架：OriginDL另一个是工作中一点点积累下来的 AI Infra/HPC 知识地图：ai‑infra‑hpc链接先丢这儿，感兴趣可以先 star 了再说：https://github.com/jinbooooom/OriginDLhttps://github.com/jinbooooom/ai-infra-hpc如果你是刚开始找工作，或者准备投大模型 AI Infra/HPC 方向的岗位，可以把下面这份当成一个「复习清单」：面试高频会围着哪些点打转、我当时是怎么系统整理的、以及怎么用...