某小厂Agent面经分享

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？

龙虾还没安装，现在又来到了Hermes时代了，这是AI讨论最火热的方向之一，下面教大家动手实操！速速mark住！简单上手，且免费对学生党友好！ 一、为什么是 Hermes Agent？ 2026 年 AI 圈有句话："模型智力已经在线，现在比拼的是 Harness（模型外围的运行时与基础设施）。" 翻译成人话：ChatGPT / Claude / DeepSeek 这种"模型"已经够聪明了，真正能拉开差距的，是你有没有能力把模型包装成一个能自己跑起来、会调工具、会记事、会自我改进的系统——这个系统就叫 Agent，承载它的基础设施就叫 Harness。 ...

我最近把AI Agent面经从0到1全部梳了一遍（含字节、阿里、腾讯真实面试），发现面试官真正想听的根本不是定义。很多人（包括苯人一开始）以为Agent面试就是背ReAct、背Tool Calling、背LangChain，结果一开口就被面试官打断：“这些我都知道，你说说你的设计思路。”我问懵过两次后才醒悟，Agent面试不是八股，是体系考察。下面这3个问题，几乎是每场面经中必问，🐮友们看看自己会不会踩坑。1.如果你做一个Agent，遇到工具调用失败或者LLM幻觉怎么办？我当时直接答“加retry”或“加human in the loop”，秒挂后面问claude，面试官想听的是完整容错体系：- 怎么判断是工具错还是LLM幻觉？- 用另一个LLM做fact-check / self-consistency- 降级到弱Agent / 规则引擎 / 人工兜底- 失败后状态怎么回滚？- 生产环境怎么监控Agent健康度2. Agent的Memory你怎么设计？大多数人（和我一样会说短期用ConversationBuffer，长期用向量数据库，直接寄。面试官想听的是分层记忆体系 + 读写策略：- Working Memory（当前任务上下文）- Episodic Memory（历史任务轨迹）- Semantic Memory（领域知识）- 什么时候用向量检索？什么时候用Graph？- 遗忘机制怎么做？（重要性评分 + 定期压缩）- 多Agent共享Memory时的读写锁和一致性问题3.单Agent和Multi-Agent你什么时候选哪个？怎么协作？”如果直接说任务复杂就用Multi基本凉。真正要讲的是决策框架：- 任务可分解性、通信成本、调试难度、单点故障风险- 协作模式（Hierarchical / Decentralized / Mixture-of-Agents）- 协调机制（Shared State / Message Queue / Supervisor）- 实际项目里Multi-Agent带来的收益和踩过的坑

为什么？因为面试官对你们的预期不一样。 985 同学的策略：挑一个方向做深 面试官看到 985 的简历，默认你基础不差。他会直接往深了问："你的向量检索用的什么算法？HNSW 和 IVF 的区别是什么？为什么选这个？" 所以 985 做项目应该：  选一个细分方向（比如 RAG 的检索优化、Agent 的工具调用可靠性） 读 2-3 篇相关论文，把论文里的方法实现到你的项目里 写清楚 benchmark：和 baseline 比提升了多少  推荐项目方向：  RAG 检索优化：对比不同 chunking 策略 + 重排序算法的效果 Agent 可靠性：设计工具调用失败时的 ...