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...

虚心请教，给点建议，会不会太冗余了  

友友们，本来在一个做自动驾驶的大厂实习，但因为长时间没刷宿舍门禁刷脸被导员发现，后面被拷问出来在实习后也是迫于压力离职了。但是我争取了一下，公司那边说是如果暑假还有hc的话我可以继续入职。但是只是口头承诺，我很焦虑到时候一句没有hc了就炸了（暑期目前只有一个小厂offer，四月才开始投，两个月生疏八股算法，感觉拿别的大厂暑期实习无望了）  友友们有什么建议吗？比如我要不要持续跟hr聊天来增加些好感度之类的？

Q1：⼀句话说明什么是 AI Agent？答案：AI Agent 是以⼤模型为认知核⼼，结合规划、记忆与⼯具调⽤，能在多步交互中根据环境反馈持续决策并完成任务的系统；其本质是 闭环的感知—思考—⾏动 循环，⽽不仅是单次⽂本⽣成。Q2：为什么说 Agent = LLM + Planning + Memory + Tools？缺⼀块会怎样？答案：缺 Planning：容易变成「只会接话」的聊天，⻓任务易跑偏或⼀步登天完不成。缺 Memory：⻓对话会丢线索，多会话⽆法延续⽤户偏好与任务状态。缺 Tools：只能「空谈」，⽆法查实时信息、执⾏代码、改系统状态。LLM 仍是中枢，但单靠 LLM 没有外...