怎么写简历

// 淘天 27 届暑期实习生正在招聘 各方向都有海量 HC 欢迎看我置顶帖子投递最近在帮部门看简历，发现不少同学在做项目时都挂了 Agent 的标签。但在面试过程中，很多同学对这个方向的理解还停留在调用API的层面，稍微深挖一下架构设计就接不住了。整理了一个最近面试中比较高频的Agent技术问题，大家可以先试着回答一下，看看基础扎不扎实：---一面 | AI Agent 架构设计面试题：请设计一个支持多工具调用的 ReAct Agent，说明其核心循环、工具调度策略、以及如何处理多步推理中的错误恢复。---参考答案一、ReAct 核心循环ReAct 的本质是一个 思考 → 行动 → 观察的迭代循环。Agent 在每一步先进行推理（Thought），分析当前状态和已有信息，决定下一步该做什么；然后执行行动（Action），选择一个工具并传入参数；最后获取观察结果（Observation），把工具返回的信息追加到上下文中，进入下一轮循环。直到 Agent 判断已经获得足够信息，输出最终答案。与纯 Chain-of-Thought 的核心区别：CoT 是闭卷考试，Agent 是开卷——每一步推理都可以与外部世界交互，用真实数据修正推理方向，而不是纯靠模型内部知识"硬猜"。二、工具注册与调度工具如何让 LLM "认识"：每个工具以结构化方式注册，包含名称、功能描述、参数定义（类型、是否必填、含义说明）。这些信息会被注入到系统提示词中，LLM 通过理解这些描述来决定何时调用哪个工具、传什么参数。工具描述的质量直接决定了 Agent 的调度准确率——描述模糊，模型就会选错工具。三种调度策略：- 串行调用：每次只调一个工具，等到结果后再决定下一步。适合步骤之间有依赖关系的场景，比如"先查订单号，再根据订单号查物流"。- 并行调用：一次推理中输出多个工具调用，并发执行。适合多个独立子任务，比如"同时查北京天气和上海天气"。- 规划-执行分离：先让 LLM 生成一个完整的多步计划，再逐步执行每一步。适合复杂任务需要全局视角的场景。生产环境通常是混合策略：Agent 动态判断当前步骤是否有可并行的操作，有则并行，否则串行。三、错误恢复机制工具执行失败：核心原则是**不要在工程侧硬编码恢复逻辑**。工具失败后，应该把错误信息作为 Observation 原样返回给 LLM，让模型自己决定下一步——是重试、换个工具、还是换一种思路绕过。这恰恰是 Agent 相比传统程序的核心优势：用 LLM 的推理能力应对非预期情况。当然，对于网络超时这类瞬时错误，工程侧可以做有限次数的自动重试，但逻辑层面的恢复应该交给模型。推理陷入死循环：Agent 可能反复执行相同的操作却期待不同结果。需要一个循环检测机制：对比最近几步和之前几步的行为模式，如果工具调用和参数完全重复，就往上下文中注入一条引导信息，提示模型"你在重复相同操作，请尝试不同方法"。同时设置全局最大迭代次数作为硬性兜底。上下文窗口溢出：这是多步推理中最现实的工程问题。每一轮循环都会往上下文里追加 thought + action + observation，几轮下来就可能撑爆窗口。常用解法：对早期步骤做摘要压缩只保留关键结论，对过长的工具返回结果先截断或提取摘要再存入历史，以及每隔几步让 LLM 自己总结"到目前为止的关键发现"。四、生产级可观测性上线不是终点。一个可靠的 Agent 系统需要：完整的 Trace 记录（每一步的推理、行动、观察），Token 消耗监控（防止成本失控），任务维度的成功率和平均步数统计，以及超过最大步数后降级到人工处理的兜底机制。---追问 Q&AQ1：多 Agent 协作时，如何设计 Agent 之间的通信和协调机制？A：主流有两种模式。Supervisor 模式（中心化）：一个"主管 Agent"负责接收任务、拆解子任务、分配给专项 Agent，然后汇总各 Agent 的结果做最终决策。好处是流程可控、容易调试，缺点是主管 Agent 成为单点瓶颈，它的推理能力决定了整个系统的上限。去中心化消息传递：多个 Agent 通过共享的消息总线或黑板系统通信，每个 Agent 监听自己关心的消息类型，处理后将结果发回总线。好处是扩展性强、不存在单点瓶颈，缺点是调试困难、消息顺序和冲突处理复杂。实际工程中更常见的是分层混合架构：顶层用 Supervisor 做任务编排，底层的子任务内部允许 Agent 之间点对点通信。这样兼顾了全局可控性和局部灵活性。一个经常被忽略的关键设计点是共享上下文管理：多个 Agent 看到的"世界状态"如何保持一致？通常会设计一个共享的 State 对象，所有 Agent 只能通过定义好的接口读写状态，避免并发冲突。---Q2：Agent 的短期记忆和长期记忆应该如何设计和配合？A：本质上对应两种不同的信息需求。短期记忆就是当前对话的上下文窗口，存放的是本次任务的推理过程和中间结果。它的特点是时效性强但容量有限。核心挑战前面说过——窗口溢出管理。长期记忆是跨会话持久化的知识，通常用向量数据库实现。每次对话结束后，把值得记住的信息（用户偏好、历史决策、领域知识）向量化后存入。下次对话开始时，根据当前问题做相似性检索，把相关的长期记忆注入到系统提示词中。两者的配合策略：Agent 在每一轮推理前，先从长期记忆中检索与当前任务相关的历史经验（"上次处理类似问题时用了什么方法"），注入到上下文中作为参考。短期记忆负责当前任务的连贯推理，长期记忆负责跨任务的知识积累。一个常见的坑是记忆污染：把错误的推理结论写入了长期记忆，导致后续任务反复犯同样的错。所以写入长期记忆前需要有质量校验机制，比如只有任务成功完成时才写入，或者由另一个 LLM 评估该记忆是否值得保留。---Q3：如何防止 Prompt Injection 导致 Agent 执行恶意工具调用？A：这是 Agent 安全中最核心的问题。攻击面在于：Agent 处理的用户输入或工具返回的外部数据中，可能嵌入了恶意指令，诱导 LLM 执行非预期操作。防御需要多层：第一层：输入隔离。 用户输入和系统指令必须在提示词中明确分隔，使用结构化标记区分"这是系统指令"和"这是用户数据"。避免用户输入被模型当作指令执行。第二层：工具权限分级。不同风险等级的工具设置不同的调用条件。只读查询类工具可以自由调用，但涉及写入、删除、发送等不可逆操作的工具，需要额外的确认机制——比如二次 LLM 审核（用另一个独立的模型判断"这次调用是否合理"），或者直接要求人工确认。第三层：输出过滤。工具返回的外部数据在进入 Agent 上下文前，先做清洗，去除可能被解释为指令的内容。第四层：行为监控。对 Agent 的工具调用模式做异常检测。比如一个处理客服问题的 Agent 突然开始调用文件系统工具，这明显异常，应该立即阻断并告警。没有银弹，必须纵深防御。---Q4：如何评估一个 Agent 系统的效果？和评估单次 LLM 调用有什么区别？A：区别很大。单次 LLM 调用的评估是静态的——给输入、看输出、算指标。但 Agent 是一个多步动态过程，同一个最终结果可能有完全不同的路径质量。Agent 评估需要看三个维度：结果维度：任务是否完成、最终答案是否正确。这和评估普通 LLM 类似。过程维度：用了几步完成（效率）、有没有冗余操作（比如查了不需要的信息）、有没有走弯路后自我纠正（鲁棒性）。两个 Agent 都答对了，但一个用了 3 步另一个用了 15 步，质量完全不同。成本维度：总 Token 消耗、工具调用次数、端到端延迟。在生产环境中，这直接决定了系统是否可用。评估方式上，通常会构建一个 benchmark 数据集，包含不同难度的任务和标准答案。让 Agent 跑一遍，同时记录完整 trace。然后用自动化指标（完成率、平均步数、Token 消耗）加人工评审（推理路径是否合理）综合打分。

前言我的速成找实习/春招的经验帖子：链接我的学习后端和agent2手抓的专栏：链接第一梯队（互联网大厂）腾讯（微信总部）（天河）：微信/腾讯云广州研发中心网易（总部）（天河）：游戏 + 音乐 + 严选阿里巴巴（华南总部）（天河/海珠）：阿里云、电商字节跳动（分部）（天河/海珠）：抖音电商、研发中心百度Apollo（研发中心）（黄埔）：自动驾驶 + 智能交通京东（华南总部）（黄埔）：电商科技 + 供应链物流华为（研发中心）（白云）：5G通信 + ICT + 云计算第二梯队（细分领域）小鹏汽车（总部）（天河/番禺）：智能汽车研发 + 制造唯品会（总部）（天河/海珠/荔湾）：电商特卖 + 供应链欢聚...

1.    能否先做一个自我介绍？2.    简单介绍一下你的项目，以及你在里面主要做了哪些事情？3.    你们项目采用的框架以及技术栈是什么？4.    你觉得你对哪块技术比较熟悉一点？5.    引入线程池提升查询效率的方案，当时是你自己想出来的，还是你只负责落地执行？6.    能把你优化的代码执行的整个流程说一下吗？7.    为什么 CompeleteFuture 要使用线程池的线程，能解释一下吗？8.    这个项目的团队大概是多少人？9.    在做“花椒论坛”项目的过程中，有哪些觉得可以进行优化，而你还没有进行优化的点？10.    简单说一下粉丝订阅和关注模块里面涉及到了哪些业务逻辑？11.    消息推送模型中有涉及到数据持久化吗？12.    在拉模式的过程中，系统是怎么知道用户关注的博主发了新帖子的？13.    帖子入库的表结构是怎么样的,为什么要这么设计？14.    如果帖子内容是一个富文本，输入了一段包含特殊字符或前端注入（如 alert）的代码，导致前端渲染时弹窗了，用户上传了前端无法渲染的特殊字符给后端，如何解决这个问题？15.    如果前端的同学告诉你：“我不能包含XX这些特殊字符”，那你（后端）打算怎么做？16.    有没有考虑过做过滤器，或者在用户录入/接收到内容的时候，用正则表达式之类的去匹配，如果有特殊字符就替换掉或者挡住？（引导性提问）17.    你基于 Redis 的固定窗口限流具体是怎么做的？18.    这个限流的设计方案是有去参考过其他的解决方案，还是自己想出来的？19.    基于 Redis 的限流和谷歌的限流工具里面的限流有什么区别？20.    为什么要使用 Redis 这种中间件做限流，而不是放在本地内存（如 Java 的 Map 或静态属性）中实现？21.    如果是多台机器的分布式系统，使用本地内存做限流会出现什么问题？22.    除了 Redis 和本地内存，还有哪些技术或者中间件可以实现限流？23.    关于实习中平台用 Redis 做草稿缓存，如果前端页面一直关掉不保存，导致 Redis 数据无限膨胀，如何清理这些冗余数据？24.    如果业务人员操作配了一半去吃饭，过了设定的过期时间缓存数据被清除了怎么办？25.    如果同一个账号在两台电脑上同时登录，并对同一份工作流进行交叉修改，如何解决两边数据冲突覆盖（协同操作）的问题？26.    如果要给上述并发场景加锁，打算怎么去实现这个加锁逻辑？什么时候进行解锁？ 加锁就一定能解决这个问题吗？27.    假如我一定要两个人可以并行操作怎么办？28.    如果发现了一些自己认知以外的问题，或者被安排了不熟悉的研发任务，你会基于什么样的方式去快速解决？29.    如果项目时间非常紧迫，你该怎么处理不熟悉的需求？30.    你最近在学习哪方面的技术？31.    现在学习 AI Agent 开发学到什么程度了？32.    简单介绍一下你正在学习的项目里面具体是什么内容？33.    平时编程会用到哪些外部工具或 AI 工具来进行辅助？34.    在使用 AI 命令行工具开发时，它可能会直接把代码改错，之前有遇到过这种情况吗？是如何防范和解决的？35.    探讨一下概念，你知道 AI 为什么会自动调用 Skill 或者是直接调用 MCP 吗？我这边没有什么问题了，你这边有什么想问我的吗？

淘天 27 届暑期实习生正在招聘 各方向都有海量 HC 欢迎看我置顶帖子投递面试题 11：代码生成 Agent 和普通代码补全（Copilot 式）的本质区别是什么？设计一个能完成"跨文件修改"任务的代码 Agent，核心难点在哪？参考答案本质区别在于决策粒度。代码补全是行级决策——光标在哪，就在那个位置生成接下来几行代码。它的上下文是当前文件的局部内容，不需要做规划、不需要选择工具、不需要多步推理。本质上是一个"自动完成"功能，不是 Agent。代码生成 Agent 是任务级决策——接收一个自然语言描述的需求（"给这个项目加一个用户认证功能&...