飞致云信息科技有限公司（上海）Agent面筋

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）

1. 自我介绍2. 说说你简历上这俩项目3. 多头注意力真正发挥作用的关键，不是“头变多了”而是什么多头注意力的核心不是把一个注意力拆成几份，而是把表示空间分成多个子空间，让不同 head 在不同投影下学习不同相关性模式。有的 head 偏局部词法关系，有的偏远距离依赖，有的偏结构性边界，有的偏位置模式。如果只是单头，模型只能在一个统一度量空间里做相关性匹配，表达会更受限。真正让多头有效的，不是“并行”两个字，而是不同头通过不同参数矩阵形成了多视角关系建模。头数继续增大并不一定更好，因为维度被切得过细后，每个头的表达能力又会下降，所以它本质上是容量分配问题，不是机械堆头数的问题。4. 为什么推...

发点面经攒攒人品1. 实习拷打2. 项目拷打3. 项目模拟的数据规模以及它的 QPS 是多少？4. 简历上写的“高峰期 QPS 提升 4 倍以上”，这个数据是怎么得出来的？5. 针对你模拟的用户量级和场景，具体做了哪些性能优化？6. 在完成这个工程项目时，遇到过什么问题？算法7. 代码题手撕算法：用给定数字数组拼出小于目标数 N 的最大数（贪心算法）+写测试用例测试一些极端情况。8. 测试不通过，能把输出结果打印出来看一下问题在哪吗？9. 针对算法中有问题的地方怎么修改？10. 讲算法实现逻辑。11. 你觉得你写的这段程序的优缺点是什么？八股12. HTTPS 的完整请求过程。13. 从负载均衡的角度来看，如何处理流量比较高的分布式请求？14. 针对你提到的负载均衡方案（如 DNS、Nginx 等），讲一下它们各自的优缺点。

简历很重要，很多同学的简历现在都是偏陈列一些概念，有的时候技术能力都够的，项目也做了不少，但是不会提现在简历上。你做了8分，可以包装优化成10分，但是很多同学的项目写的只有五分。下面就给大家一些可以直接参考复用的话术，需要更定制的简历优化等可以私我。一、任务规划 / Agent 核心能力点：多步任务执行能力•设计基于 ReAct / Plan-and-Execute 的 Agent 执行框架，实现复杂任务的自动分解、逐步执行与结果整合•构建支持多轮决策的任务状态机，提升复杂流程下的执行稳定性与可控性⸻点：决策与路由•实现基于模型推理 + 规则约束的任务路由机制，动态选择工具调用路径•设计 tool routing 策略，提升工具选择准确率并减少无效调用⸻二、工具调用（Tool Use）点：工具链设计•封装统一工具调用接口，支持搜索、数据库查询、API 调用等多种能力扩展•构建可插拔工具层，支持快速接入业务系统（如 CRM / 工单系统 / 数据平台）⸻点：调用可靠性•引入参数校验与 schema 约束，显著降低工具调用错误率•设计工具调用重试与 fallback 机制，提升任务成功率⸻三、RAG + Agent 结合（高频加分项）点：检索增强•搭建 RAG 检索模块，结合向量检索与语义重排提升召回质量•将检索结果作为 agent 决策上下文，提高复杂问答准确率⸻点：协同架构（重点包装）•设计 RAG + Agent 协同架构，将“检索-推理-执行”解耦，提升系统可扩展性与稳定性•优化长上下文场景下的信息选择策略，降低噪声对决策的干扰⸻四、记忆（Memory）与上下文管理点：多轮对话能力•实现基于短期记忆 + 长期记忆的上下文管理机制，支持复杂多轮任务•设计 memory 压缩与摘要策略，降低 token 消耗并提升响应效率⸻点：用户状态•构建用户级上下文存储，实现个性化任务执行与历史行为复用⸻五、稳定性 / 防“翻车”（非常关键）点：防幻觉 / 防乱调用•通过输出约束（JSON schema / function schema）减少模型幻觉与格式错误•引入结果校验与二次确认机制，提高关键任务可靠性⸻点：异常处理•设计超时控制、异常捕获与降级策略，保障系统在不稳定情况下仍可运行•构建 fallback 逻辑（规则/模板回复），避免任务完全失败⸻六、评估与数据驱动（很多人不会写，但很加分）点：评估体系•构建 Agent 评估指标体系，包括任务完成率、工具调用准确率、响应延迟与 token 成本•设计离线评测集与自动化评估流程，支持模型与策略迭代⸻点：优化闭环•基于日志分析持续优化 prompt 与工具策略，提升整体执行效果⸻七、性能优化（工程感直接拉满）点：延迟 & 成本•优化 prompt 结构与上下文长度，使平均响应时间下降 X%•引入缓存与结果复用机制，降低 token 成本 X%⸻点：并发与吞吐•设计异步执行与任务队列，提高系统并发处理能力•支持多任务并行执行，提升复杂流程处理效率⸻八、工程化能力（决定你是不是“能进组的人”）点：可观测性•构建日志与 tracing 系统，记录 agent 决策路径与工具调用链路•实现任务级监控，支持问题快速定位与回溯⸻点：系统化落地•将 agent 服务化部署，提供标准 API 接口供业务调用•支持模块化扩展，降低后续功能迭代成本⸻九、业务价值（一定要写，不然像玩具）点：效率提升•将原本依赖人工处理的流程自动化，日均节省 X 小时人工成本•提升任务处理效率 X%，缩短响应时间 X%⸻点：场景覆盖•支持 X 类业务场景（如客服、数据查询、报告生成等），提升系统使用率⸻十、直接可用的“完整项目描述”（可复制）大家可以直接用这个版本👇项目：智能 Agent 平台（LLM + Tool Use + RAG）•设计并实现基于任务分解与工具调用的 Agent 执行框架，支持多步推理与复杂流程自动化•构建 RAG + Agent 协同架构，将检索、决策与执行解耦，提升复杂问题处理能力•封装统一工具接口，接入搜索、数据库与业务 API，实现多场景任务执行•引入参数校验、重试机制与 fallback 策略，显著提升任务执行稳定性•实现多轮对话记忆管理与上下文压缩，优化长任务下的性能与成本•构建评估体系（任务完成率 / 延迟 / token 成本），驱动持续优化成果：•任务完成率提升 XX%•平均响应时间降低 XX%•人工介入率下降 XX%