大疆 数据工程实习

面试被问到“Agent”的那一刻，其实很容易露馅。不是不会答，而是——你以为自己会，但一开口，全是概念，没有结构，没有落地。我第一次被问到“什么是ReAct？”的时候，就是这样。一、我第一次被问懵：你说的Agent，到底是什么？那场面试，对方很直接：“你说你做过AI项目，那你解释一下，Agent和普通大模型调用的区别？”我当时脑子里只有几个词：自动化、智能、任务执行……但说出来很虚。后来我才意识到，Agent不是“会说话的模型”，而是“能完成任务的系统”。核心区别只有一句话：👉 大模型 = 给输入 → 出输出👉 Agent = 有目标 → 会规划 → 会行动 → 会反思 → 再行动也就是：从“回答问题”升级到“解决问题”二、什么是ReAct？（不是背定义，是理解逻辑）很多人会背一句：ReAct = Reasoning + Acting但面试官不听定义，他要你讲“它为什么重要”。你可以这么说：ReAct的本质，是让模型在**“思考”和“行动”之间循环”**。不是一口气给答案，而是像人一样：先想（Reason）再做（Act）看结果（Observe）再想（Reason）形成闭环。你可以举个例子（面试特别加分）：👉 任务：分析一家公司财务状况传统模型：直接输出一段分析（但可能是胡编的）ReAct Agent：Thought：我需要收入、利润、现金流数据Action：调用数据库 / APIObservation：拿到数据Thought：收入增长但利润下降，可能成本上升Action：继续查成本结构Observation：原材料涨价Final Answer：给出完整分析重点不是步骤，而是：👉 它不假装知道，而是一步步去“找答案”这就是ReAct的价值。三、任务拆解：99%的人都答错的地方面试官接下来一般会问：“那你说说，如果让你设计一个Agent，任务怎么拆？”很多人会说：拆成几个步骤写prompt调接口这不叫拆解。真正的任务拆解，分三层：1️⃣ 目标层（Goal）不是“做什么”，而是“做到什么程度算完成”❌ 分析用户数据✅ 输出用户分层+可执行运营策略2️⃣ 子任务层（Subtasks）拆成“可执行单元”例如：数据获取数据清洗指标计算分群结论生成3️⃣ 能力映射层（Tools / Skills）每个子任务对应能力：子任务对应能力数据获取API / SQL清洗Python分析模型 or 规则输出LLM👉 这一步，才是Agent的核心因为：Agent不是“拆任务”，而是“把任务分配给不同能力”四、设计一个数分Agent（这是面试高频题）如果面试官说：“那你设计一个数据分析Agent？”你可以这样回答（直接结构化输出）：🎯 1. 目标定义用户输入一句话：“帮我分析最近用户流失为什么变高”Agent输出：核心原因数据支撑建议动作🧠 2. Agent结构（关键）你可以说三层：① Planner（规划器）拆任务决定先查什么② Executor（执行器）调SQL / Python / API③ Reflector（反思器）判断结果够不够是否继续深挖👉 这一句非常加分：“我会加一个Reflection机制，避免一次性结论错误”🔧 3. 工具设计（落地感）数据库查询工具（SQL）Python分析工具指标计算模块可视化（可选）🔁 4. ReAct流程嵌入每一步都走：ThoughtActionObservation直到：👉 满足“可以解释原因 + 有证据”⚠️ 5. 风险控制（面试加分项）你可以补一句：防 hallucination（必须用真实数据）限制工具调用次数（成本控制）加缓存（性能优化）五、我后来是怎么准备这些问题的？说实话，这一块如果你只是看资料，很难形成“能说出口的结构”。我当时的问题是：👉 我懂一点，但讲不清👉 我会做一点，但没体系👉 一问就乱后来我做了一件很关键的事：我把所有“Agent相关问题”——全部写进简历项目里，然后反推回答。甚至我用了一次工具，把我写的项目拆解成：面试官可能问什么我答得哪里虚哪些点需要补那次帮我优化结构的，就是泡泡小程序AiCV简历王（只提一次），它不是简单改简历，而是把“你说不清的地方”直接暴露出来。很多时候你以为问题在“不会”，其实问题在——你没想清楚。六、面试中我被问到的Agent问题（真实高频）我整理几个你一定会遇到的：1️⃣ “Agent和Workflow的区别？”👉 核心答法：Workflow：固定流程Agent：动态决策一句话总结：👉 Workflow是“写死的流程”👉 Agent是“会自己决定下一步”2️⃣ “什么时候不该用Agent？”这个很多人答不上来。你可以说：任务简单（规则就够）成本敏感实时性要求高👉 本质：Agent不是越智能越好，而是成本是否值得3️⃣ “你怎么评估Agent效果？”高级一点的答法：成功率（任务完成）工具调用次数（效率）成本（token / API）用户满意度4️⃣ “Agent最大的问题是什么？”你可以讲三个：不稳定（输出不一致）成本高调试困难👉 再补一句：“所以我会加日志和轨迹记录（trace）来做调试”直接拉开差距。七、最后一句实话Agent面试，不是考你“会不会用AI”。是考你：👉 能不能把一个复杂问题，拆清楚，并让系统去执行很多人卡住，不是因为不会技术，而是：没结构没闭环没“像人一样思考任务”如果你只能讲“模型怎么用”，那你还在工具层。如果你能讲清：👉 目标 → 拆解 → 执行 → 反馈 → 优化那你才在“系统层”。而面试官，要的是后者。

攒人品中，祝大家都能拿到满意的Offer！1. 项目拷打2. Spring AI 框架的主要优势是什么？3. 如何设计多模型支持架构？4. 多租户环境下模型切换是否支持热更新？切换是否相互独立？5. Agent 的记忆、工具调用、知识库检索等关键组件是如何实现的？6. 系统中的 Agent 包含哪些具体状态？7. 后端 Agent 是否支持多租户同时调用？8. Session 和 User ID 是如何绑定的？9. Agent 工具调用的完整业务流程是怎样的？10. 长期记忆和短期记忆在设计上有什么区别？本质上有什么区别？11. SSE 在前后端是如何交互的？12. 后端以什么数据格式推送流式信息？13. Agent 发生“工具调用”时，SSE 推送的事件结构中通常包含哪些字段？14. MCP的交互流程是怎样的？15. Agent 如何与 MCP Server 连接通信？16. RAG 的主要模式和主要工作流程是怎样的？17. Agent 一般在什么阶段去查询向量知识库？通过什么方式去查询？18. 查询知识库的工具函数，其标准输入和输出是什么？19. Go 语言的 GMP 调度模型是怎样的？20. GMP 模型中的 Machine (M) 代表什么？21. Processor (P) 上的本地队列长度通常是多少？22. 系统如何实现图像识别等多模态功能？23. 为什么不直接使用多模态大模型？24. 在没有前端界面的情况下，本地图片是如何传到后端并进行识别的？25. 对其他主流 AI 框架有了解吗？26. 你最熟悉的主力编程语言是什么？27. 手撕 ：两两交换链表中的节点

Agent/大模型应用岗bg 双非本 2硕

有在上海的uu分享一下工作氛围和强度吗，万里汇的后端。