Agent开发应该怎么写上简历

Agent开发真的是越来越“无敌”了。过去，软件更多是被动执行指令，而现在的Agent能主动感知环境、分析信息、制定计划、甚至自主完成复杂任务。从智能助理到自动化办公，再到多模态内容生成，Agent几乎可以在各类场景中替代重复劳动，让人腾出更多精力去做创造性的工作。更厉害的是，现代Agent还能不断学习、优化决策，甚至在多人协作中扮演“协调者”的角色。对于开发者来说，它不仅是工具，更像是一个可以持续进化的伙伴。可以说，Agent开发的潜力几乎无限，已经成为推动智能化升级的核心力量。

技术栈：Python＋go（有两段后端实习）一面：首先是实习做的项目相关：- 为什么引入父子索引，为什么引入BM25，比例是怎样的，具体流程是什么，有没有rerank- rerank后返回几个块，有没有做一些验证- rerank后的topk截断是怎么做的，为什么是这个值，有没有其他方案- 讲一下上下文工程，记忆是怎么做的- 问实习做的后端项目的问题- 分布式令牌桶限流讲一下，漏桶讲一下，滑动窗口算法限流讲一下，如果用滑动窗口结构体会包含什么字段，滑动窗口和令牌桶相比有什么确定，用redis的什么数据结构实现- 问自己做的项目，lru讲一下- 布隆过滤器讲一下- 索引失效的情况（MySQL八股有点忘了，只讲出来两个，被追问了）- like会不会失效- MySQL事物隔离一致性讲一下- mvcc细说，详细追问，问你这种情况会创造几个readview- MySQL锁讲一下手撕：我说我最近实习，很久没刷过题了，出了一道反转链表二面：全是agent，rag相关的，项目相关的，不涉及后端细问rag项目- 如何评测的，有哪些纬度，那些指标- 数据集包括什么- 如果让你对相关度，回答的效果做一些优化，你有什么思路，有没有什么更体系化的思路建设- 如果设计一个数据处理的场景，你会怎么做，比方说有一千条数据，需要求和，你怎么做处理- rag性能如何提升- 你的上下文怎么处理的，有什么优化思路- 长短记忆之间怎么做协同呢- 你有什么思路去对你的agent做优化，让他更智能呢（我感觉这个问题太泛了 不知道具体在问什么，我回答主要针对工程遇到的问题做优化）手撕： 全排列（a了）反问：可能有三面 or hr面业务是做一些内部agent工具和平台技术栈（Python＋内部框架）

原文链接：HikariLan's Blog 当提到“如何为大模型提供大规模的可用于检索的信息”时，我们第一反应想到的大概率是 RAG 一类的解决方案，但现在我要说，基于文件系统访问（FileSystem Access）的检索方式可能远比使用 RAG 更好。 什么是 RAG？为什么需要 RAG？ **Retrieval-Augmented Generation（检索增强生成，RAG）**是一种可以允许 LLM 从大规模非结构化信息中进行语义检索的技术方案。 我们之所以需要 RAG，是因为大模型内置的知识内容可能不符合我们的需要，例如这些内容可能已经过时（因为用于大模型训练的语料库并不会随着使用者...

一面问我后端，微服务数据库redis消息队列，计算机网络操作系统八股。二面问我agent，mcp，智能体框架，langgraph，多智能体协作范式，sse，react，function calling，CoT，few-shot，幻觉，记忆管理，rag流程和优化，工作流。三面问我有没有部署过大模型，微调，强化学习，目前垂直落地领域和常用架构等。