Agent进阶技术

攒人品中，祝大家都能拿到满意的Offer！1. Python中词典和列表的区别2. 做的rag项目中，为什么用Chroma3. 什么是rag4. rag的整个流程中，你认为哪里最容易出问题5. 多智能体系统中记忆机制的核心目标是什么？长期记忆和短期记忆的设计逻辑有什么区别6. 长期记忆在大项目中可能出现指数增长的情况，怎么避免磁盘爆了7. 对短期记忆进行压缩处理后，过了很长时间后需要当时的完整信息，怎么办？（主包认为可以将会话内容完整保存来解决，但是给模型的上下文要做限制，不能全部注入）8. 如果要储存这么多的信息，应该存在平台数据库还是本地？9.  你觉得应该存在云端，为什么OpenClaw是存在本地呢？10.如果给你一个未完成的rag项目，但是项目中文档切分不合理，怎么解决？11.做的agent项目中，语义意图识别是怎么做的12. LoRA微调用得多吗？13. pytorch中张量的基本操作是什么？

前两天刷公众号，看到了一个帖子，写如何入门AI工程师/Agent工程师，大概就是学习路径然后卖课这种，本来还想着学一学这碎片化的知识来着，结果点开一看，还是两年前的老一套：LangChain、LangGraph、React……也不是说这些没用吧，但是2026年了，随着OpenClaw、Claude Code这些有意思的小玩意的爆火，Agent开发的学习路径跟以前不太一样了。前面说的这些产品代表了Agent的最高水平，但它们内部的实现几乎看不到传统意义上的编排痕迹尤其是最近从产品经理的视角看很多新的工具或者产品，发现用过去的思维不太合适了0、过去的入门方式2024年的时候，可以说是大模型算法工程...

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。

咱们商科生想挤进AI赛道，必须扬长避短，把“AI+商业”焊死在职业规划上。1.AI应用产品经理/运营（最推荐）： 核心：不是设计APP，是设计人与AI的协作流程。 准备：疯狂体验国内外AI产品，写深度测评。思考它们的场景、用户和商业模式。2.行业解决方案/售前（空间最大）： 核心：把AI技术“翻译”成客户能懂的行业价值。 准备：选一个你感兴趣的行业（金融、消费、制造），研究它的核心痛点，然后看AI能怎么解。我们的商科知识这时是巨大优势。3.AI时代的组织与人才发展（未来蓝海）： 核心：当公司全员都用AI，组织怎么变？岗位怎么重构？需要什么新技能？怎么做培训？这是OD/HR领域的下一个金矿。 准...