1. 怎么把 RAG 接入到你的 Agent 执行链路里的？是在调用工具之前先检索，还是在生成结果之后再做校验？我们的 RAG 是通过 Spring AI 的 Advisor 接入到 ChatClient 的：模型调用前在 before() 做向量检索，把命中文档拼成上下文注入 prompt；模型生成后在 after() 把命中文档回写到响应 metadata 便于追踪。当前是“先检索再生成”的 pre-RAG，并没有单独做生成后的事实校验，后续可以增加 verifier 节点来做 post-check。2. MCP 是完全自研的吗？和市面上成熟的 Agent 框架相比，你的方案在扩展性上有什...

之前一直在牛客刷大家帖子，看到了很多人吹捧大厂多好多好。但是说个会被喷的事实：双非本，秋招拿了5个offer，比我那个在某大厂实习的室友还多一个。他在大厂做了三个月，负责链路中的一个中间模块。听起来很厉害对吧？但面试的时候面试官追问这个特征是怎么选的召回策略谁定的，他只能说这部分是算法团队负责的。我在旁边听得都替他尴尬。我呢？在一家不过百人的小公司做了个后台管理系统，全流程就我一个人。你问我任何一行代码为什么这么写，我都能给你掰碎了讲，因为踩过的坑我全记得——凌晨两点调CORS跨域问题的那种刻骨铭心你懂吗。说到底面试官要的不是你title多好看，是你到底有没有真正做过这件事。大厂名字能帮你过简历关，但到了面试那一步，你做的东西是不是你的，一问就知道了。后来我室友也想明白了，他说我那三个月最大的收获就是知道了食堂哪个窗口最好吃。我不知道他是在自嘲还是在认真的。

😋😋😋

如果春招能重来，我会把精力死磕在项目深挖和AI工具提效上，而不是焦虑地海投。现在回头看，面试官根本不在乎你背了多少八股，他们只看你是否真的解决过复杂场景的痛点。如果是现在，我会把简历里的水项目全删了，只留最硬核的，把精力放在彻底搞透大数据底层的逻辑上，把Doris、Kafka、Flink CDC的架构原理吃透，去死磕一下工业级海量数据并发写入的性能调优。而且，我绝对会早点把Cursor、Claude Code这些AI编程原生工具用熟，把日常敲代码和造测试数据的效率提上来，用省下的时间去深度复盘每一次面试的录音，而不是像无头苍蝇一样每天刷新招聘软件。与其为了拿Offer而焦虑，不如沉下心把核心技...