淘天一面（后端社招）

最后一题问的AI： 一、目标与边界定义 Agent 的核心目标是什么？ 单一任务 vs 通用助手 能力边界：哪些事情它该做，哪些不该做 用户画像：面向谁，使用场景是什么 二、感知层（Perception） 接收什么类型的输入？（文本、图片、语音、结构化数据） 如何解析和理解用户意图（NLU / Prompt 理解） 上下文窗口管理：多轮对话的历史如何压缩和保留 三、记忆系统（Memory） 类型 说明 短期记忆 当前会话上下文（Context Window） 长期记忆 向量数据库、用户偏好持久化 工作记忆 任务执行过程中的中间状态 外部知识 RAG 检索增强，接入知识库 四、规划与推理（Planning） 任务分解：复杂任务如何拆成子任务（CoT / ReAct / ToT） 执行策略：顺序执行 vs 并行执行 vs 条件分支 失败处理：重试机制、降级策略、兜底方案 反思能力：Self-reflection，执行后评估是否达标 五、工具调用（Tool Use） 哪些能力需要通过工具扩展？（搜索、代码执行、API调用、数据库查询） 工具的选择策略（如何判断用哪个工具） 工具调用的安全性（权限、防注入、沙箱隔离） 工具失败后的处理逻辑 六、行动执行（Action） 输出类型：文本回复 / 代码 / 结构化数据 / 触发副作用（发消息、写文件） 副作用控制：不可逆操作需要人工确认 幂等性设计：避免重复执行 七、多 Agent 协作（Multi-Agent） 是否需要 Orchestrator + Sub-Agent 架构 Agent 间通信协议 任务分配与结果汇总 竞争与协作策略 八、安全与对齐（Safety & Alignment） Prompt 注入防护：防止用户绕过指令 权限最小化：Agent 只拥有完成任务所需的最低权限 输出审核：有害内容过滤 人类监督点：在关键操作前暂停等待确认 目标对齐：避免 Agent 为完成目标而采取不期望的手段 九、可观测性与调试（Observability） 推理过程可追溯（Trace / Span） 工具调用日志 错误定位能力 性能监控（延迟、Token 消耗、成功率） 十、评估与迭代（Evaluation） 如何定义 Agent 成功的标准？ 自动化测试集设计（典型场景、边界案例） Human-in-the-loop 反馈收集 A/B 对比不同策略效果

佬，考虑一下我们这里吗 https://careers.pddglobalhr.com/campus/grad?t=rkN9OyXTXK