三环集团一面人事面（热工流体仿真）

面试官最常问的就是ReAct框架，会要求解释推理与行动交替的工作模式，以及它相比普通Prompt的优势。其次是任务拆解，比如复杂用户需求如何分层、如何设计终止条件、怎么避免无限调用工具。也会现场让设计简单Agent，比如数据分析Agent、客服Agent，重点考察工具调用、记忆机制、异常处理思路。有的还会追问：Agent怎么做反思优化、多Agent协作怎么设计、 hallucination 如何缓解、上下文怎么管理等偏工程实现的问题。整体看，校招面试不会只考概念，更看重你是否理解执行逻辑、能不能把架构说清楚。想冲AI岗的同学，建议把ReAct、Self-Reflect、工具调用流程吃透，再自己动手设计一两个Agent，面试会从容很多。

1.多轮对话中，如果不同轮次的记忆发生冲突，你如何处理？这个问题本质上不是“删哪条、留哪条”，而是做记忆的版本管理。实际处理时一般会同时看三个维度：时间、来源、置信度。时间上通常新信息优先，但前提是它来自更可信的输入；来源上，用户当前轮明确表达、工具查询结果、系统写入，优先级通常高于模型从历史里自己总结出来的内容；置信度上，如果只是一次低置信抽取，不会直接覆盖长期稳定画像。工程上我会把记忆拆成两层，一层是 event log，完整保留用户每次表达过什么；另一层是 materialized profile，也就是给模型使用的当前画像。冲突发生时，不是直接物理覆盖，而是先记事件，再按规则刷新画像。...

其实Agent面试的核心都绕不开大模型理解、工具调用、流程编排还有工程落地这几块，不会太偏理论，更多是看你能不能把技术落到实处。首先肯定会问你对Agent的理解，比如它和普通大模型应用到底不一样在哪，要是说不出自主决策、记忆和工具调用这些关键点，大概率会被觉得底子不扎实。还会聊到主流的框架，比如LangChain或者LlamaIndex，问你用过没有，各自有什么优缺点，踩过哪些坑。然后技术层面会盯着工具调用和RAG这两个核心。比如怎么让Agent精准选对工具，调用失败了该怎么处理，会不会加重试机制或者异常兜底。RAG也是必聊的，比如它在Agent里能解决什么问题，怎么提升检索的准确率，用过哪些向量数据库，这些都得结合实际的使用经验说，光背概念可不行。还有记忆模块，短期记忆和长期记忆的区别，怎么存怎么取，这些细节也会被问到。作为Java工程师，面试官肯定会更关注你怎么把Agent和业务系统结合起来。比如怎么用Java调用大模型API，怎么对接公司现有的接口让Agent拥有实际业务能力，甚至会问你怎么解决大模型调用的延迟和限额问题，比如缓存、异步处理这些实际的优化手段。幻觉问题也是绕不开的，得说说你平时怎么通过事实校验、多轮反思来减少这种情况。项目经验这块特别重要，哪怕没做过正式项目，自己搭的Demo也能说。比如做过知识库问答Agent，或者代码调试助手，得讲清楚核心流程，遇到过什么难题，比如工具调用成功率低，或者检索结果不准，最后是怎么解决的。还会给你出一些实际场景题，比如让你设计一个电商客服Agent，怎么对接订单和物流系统，得有清晰的思路。偶尔也会有一些开放问题，比如你觉得Agent未来会往哪个方向走，多模态或者行业专用Agent算不算趋势，还有作为Java开发者，转型做Agent开发的优势和挑战是什么，这些问题能看出你有没有自己的思考，不是单纯跟风入行。总的来说，Agent面试不怎么考死记硬背的东西，更看重你对技术的理解和实际动手能力，尤其是怎么把AI和业务结合起来，解决真实问题。

1.说一下 Transformer 的底层结构吧Transformer 的核心是用自注意力代替传统序列模型里的递归结构。一个标准模块通常包含多头自注意力、前馈网络、残差连接和 LayerNorm。自注意力负责让每个 token 和其他 token 直接交互，前馈网络负责做非线性变换，残差和归一化负责保证深层训练稳定。它真正厉害的地方不是结构复杂，而是信息传播路径短，长距离依赖更容易建模，并且天然适合并行训练。2. Transformer 为什么用了 LayerNorm 呢因为 BatchNorm 依赖 batch 维度上的统计量，但 NLP 任务里句子长度不一致，线上推理时 batch 也经常...