AI Agent

大数据结合agent，目前看到比较多的agent都是面向用户的，很少面向企业内部其他职位人员，数据分析师80%的时间被消耗在重复取数、数据清洗、报表排版等低价值劳动上，真正用于深度业务洞察和决策支持的时间不足20%，使用智能体能自动完成从取数到写报告的所有工作，只有遇到非常复杂的深度分析需求才需要人工介入。

继续来分享下最近的面经~1.讲一个做的最好的项目。2.项目有什么难点？3.embedding的本质是什么，维度中每一个参数有什么含义？4.如果不做训练怎么让agent知道怎么调用工具？调用工具的格式等。5.多agent协作，如何做上下文管理？怎么共享上下文？6.Skills了解吗？如何管理各个skills？7.手撕：aicoding 实现一个简易的计费引擎。需要支持add，cancel, query，使时间复杂度最低。操作按顺序到达，timestamp不一定单调递增。

发点面经攒攒人品～实习拷打接下来开始是项目拷打：1.问我多agent的设计2.问mcp，skills，agent的区别3.项目遇到的难点4.RAG分类有哪几种5.RAG项目怎么做召回6.争论HyDE技术的必要性7.问我IVF_PQ怎么切分若干后端问题8.索引的类别9.事务隔离的级别10.一个场景题

上周去面一个AI Agent相关的岗，面试官第一句就扔过来：“你说说ReAct是什么？”我当时脑子一卡，差点把React框架说出来。还好缓过劲儿，赶紧答：ReAct就是Reason + Act，模型先想一想该干啥，再调用工具执行，拿到结果再观察，然后继续下一轮思考。不是一次性吐答案，而是边想边干，循环迭代，像给人配了个会反思的实习生。他接着追问：“那任务拆解怎么搞？”这题挺实用。我说复杂任务不能一股脑全扔给模型，得先拆成小步。比如用户说“帮我分析上季度用户留存”，就拆成：1. 拉取留存数据；2. 定义留存指标（次日、7日、30日）；3. 分渠道、分用户群看趋势；4. 找异常点并给出假设；5. 生成图表和建议。拆得越细，Agent执行时越不容易跑偏。面试官点点头，说很多新人就卡在这一步，模型直接硬上，结果输出一堆废话。最狠的是后面那道：“设计一个数据分析Agent（数分Agent）给我看看。”我现场画了架构：核心是LLM做大脑，配上工具集（SQL查询、Pandas处理、Matplotlib画图、甚至直接连BI系统）。加个记忆模块，记住上次的分析偏好；再套ReAct循环，确保每步都有Reason-Action-Observation。潜在坑我也提了：幻觉问题怎么防？加个验证步骤，让模型先输出SQL再执行，人工或规则审核；工具调用失败了怎么重试；多轮对话时上下文爆了怎么办，用向量数据库存历史摘要。面试回来我复盘，发现Agent岗现在问得越来越实操。不再是背定义，而是让你现场脑暴：怎么让Agent不卡死在循环里？怎么处理多Agent协作（一个负责查数据，一个负责写报告）？工具权限怎么控，避免它乱删库？甚至问你用LangChain还是LangGraph搭框架，为什么？说实话，Agent这东西火得快，但面试暴露的问题也多。很多人只玩过简单demo，一到设计真实场景就露馅。准备的时候，别光刷论文，多自己搭个小Agent练手，比如做一个自动回邮件的，或者帮你监控竞品价格的。真正拉开差距的，是你能不能把“想清楚-干一步-看结果”这个循环玩明白，而不是靠模型瞎猜。