27暑假实习后端/Agent开发简历求指导

1. 平时用什么编程语言2.场景题q: 博客系统要有博客和评论功能，问要哪些表a: 博客表，评论表q：分别要有什么字段a：1. id， 博客内容，通用字段2.id，所属博客 id，评论内容，通用字段3.tob 项目，客户调用我们项目 api，我们项目再调用中国移动的 api，但是中国移动 api 会有几秒延迟，那这时候怎么解决没答出来，然后面试官说了解决方案（1）让客户调用 api 时隔一段时间查一次，知道出结果，轮询（2）让客户调用 api 时带上返回的地址，我们项目拿到中国移动结果后再放到客户的结果地址里4.Linux 命令，查 8000 端口是否存在，查看文件有多少行5.两数之和算法，不让暴力，用哈希，没写出来6.二维数组找目标值，同样不能用暴力，也没写出来7.实习做的什么工作内容，没问简历上的实习经历8.项目现场共享看了一下，问我有啥难点……反问：公司做的什么业务，怎么做 agent 落地的，用的什么语言a: py 和 goq: 两者作微服务？a：没必要，两个单独的项目，go 做系统，py 做 ai 业务，go 调用 py 接口（这应该是和 3.对应上了）

金三银四刷牛客，发现90%的计算机应届生都在干同一件事：闭眼冲大厂。不管自己喜不喜欢、适不适合，身边人都在投字节阿里腾讯，你也跟着改简历、刷算法、背八股，仿佛进了大厂就等于人生赢家，进不去就是失败者。我太懂这种感受了。2026春招，我双非本科+一段中厂实习，硬着头皮面了8家大厂，拿了字节商业化、阿里云、腾讯CSIG3个offer，身边一起冲大厂的同学，有人进去3个月就连升一级，有人入职2个月就裸辞回家考公了。折腾了小半年我才明白：大厂不是人人都适合，学历高、技术好，不代表你就能在大厂活得好。有些人天生就是为大厂而生，有些人进去只会无限内耗。今天就结合我自己和身边同学的真实经历，跟牛友们聊聊，到...

最近大厂招 Agent 工程师的岗位非常多，没有入门的朋友可能觉得“Agent不就是调调 API 吗？”Agent 不同于传统的“一问一答”式 AI，它是在对话模型的基础上增加了一个自主循环，能够根据任务目标判断“还需要做什么”，并调用外部工具执行。理想中的Agent，人类一动嘴，LLM跑断腿，在我们还喝茶打哈欠的时候就把活全干完了，但在实际落地中，想做出一个稳定可用的产品，还是有很多难点的。首先是工具的适配。在一个可用的 Agent 系统中，AI 推理只占约 30% 的逻辑，剩下的 70% 都是非AI的工程化适配。Agent 必须能够稳定处理现实世界的接口边界问题，包括 OAuth 授权、Token 自动刷新、API 速率限制以及海量数据的分页处理。同时，工具的 Schema 定义直接影响调用准确率。优秀的 Agent 需要对工具的粒度和描述进行反复调优，确保模型在面对数十个可选工具时，指令遵循依然清晰稳定。其次是多步任务的可靠性管理。在长链条推理中，错误会随步骤指数级叠加。哪怕单步准确率达到 80%，连续执行五步后的综合成功率也会降至约 32.8%。这种概率衰减意味着一个微小的幻觉就能让整个任务偏航。好的 Agent 必须具备严密的状态管理，能够在执行异常时实现自动捕获、重试或逻辑回滚。在执行关键操作前，还需要设计逻辑校验环节，防止单个步骤的偏移导致整体任务崩溃。接着是上下文的信息治理。大模型在处理长周期任务时普遍面临指令丢失的问题，尤其是在频繁的工具调用产生大量冗余数据时，核心约束容易被边缘化，导致 Agent 出现“失忆”现象。优秀的工程实践需要实现动态内存管理，精准识别并保留关键指令和历史摘要，同时剔除无意义的中间日志。通过提高上下文的信息密度，不仅能降低幻觉风险，也能在多模型路由中有效控制 Token 成本。最近开源社区非常火的 OpenClaw就是一个典型的例子。它作为一个拥有极高系统权限的 Agent 框架，可以直接操作文件和执行命令，极大地扩展了 AI 的能力边界。但在实际应用中，它的提示词工程仍有提升空间。由于权限极高，如果提示词无法精准约束模型的行为，很容易在复杂的执行链条中产生误操作甚至安全风险，且频繁触发的记忆压缩和超高的token消耗也被人诟病。这也是目前高权限 Agent 在落地时面临的核心痛点之一。总的来说，Agent 开发的本质是构建一个以模型为核心的高可靠软件系统。调通接口只是基础，真正的护城河在于你如何处理那些繁杂的非 AI 细节，包括工具层的异常处理、上下文的动态压缩以及评估体系的建立。正在找相关工作的同学，可以看看你简历上的Agent项目，有没有针对以上的痛点做了有效改进，面试官会很感兴趣的。

1. 自我介绍2. 介绍下你简历上这个项目3. 聊聊记忆系统模块设计，你会怎么拆记忆系统至少要拆成写入、索引、检索、融合和淘汰五层。写入层不是把所有对话都存下来，而是先判断值不值得记；索引层要同时支持按用户、会话、任务、实体和时间切片检索；检索层通常要把结构化过滤和语义召回结合起来；融合层负责把召回结果转成当前 prompt 可消费的上下文；淘汰层解决过期、冲突和污染。好的记忆系统不是“记得多”，而是“能在正确时刻拿回正确事实”。4. 记忆检索到底应该用 user_id、session_id，还是别的主键不能只用一个主键。session_id 更适合短期上下文恢复，能还原当前任务过程；user...