腾讯 wxg 二面

1. 怎么把 RAG 接入到你的 Agent 执行链路里的？是在调用工具之前先检索，还是在生成结果之后再做校验？我们的 RAG 是通过 Spring AI 的 Advisor 接入到 ChatClient 的：模型调用前在 before() 做向量检索，把命中文档拼成上下文注入 prompt；模型生成后在 after() 把命中文档回写到响应 metadata 便于追踪。当前是“先检索再生成”的 pre-RAG，并没有单独做生成后的事实校验，后续可以增加 verifier 节点来做 post-check。2. MCP 是完全自研的吗？和市面上成熟的 Agent 框架相比，你的方案在扩展性上有什...

双非本科，靠着字节、百度、蔚来三段实习一路撑到春招，到现在才真正认清现实。一封封感谢信砸过来，慢慢明白，学历和学校带来的门槛，远比几段光鲜实习要重得多。最让人无力的，莫过于拼尽全力刷实习、攒经历，最后却连一个入场机会都换不来，那种落差感真的太磨人。总自以为是地觉得，有大厂实习就够了，一定能挤进心仪的公司，可现实一次又一次把幻想击碎。现在的我，早已没了春招初期的锐气，只剩下满心的迷茫和惆怅。不知道是该坦然接受现实，还是继续抱着不切实际的期待，在大厂的梦里不肯醒。

最近大家都在简历里塞AI和Agent项目，但面试官拷打的重点早就不是你会不会调大模型API了，写篇避坑指南给大家参考。首先，核心拷打点绝对是“业务落地价值”，你做的这个AI功能到底是伪需求还是真提效？比如结合具体业务的自动化诊断，到底比传统规则引擎准多少、快多少？其次是工程架构能力，面试官会死磕你的上下文管理和长记忆怎么设计的，如果是做Agent应用，你的Prompt工程怎么迭代、向量检索召回率怎么优化、并发调度怎么处理的？第三个高频问题是“兜底机制”，大模型经常幻觉，你的系统在面对脏数据流或者复杂边界条件时，有没有降级策略？ 最后就是性能调优，流式输出的延迟怎么降下来的？很多朋友平时习惯了用...