我认为在AI时代刷LeetCode仍然有其意义，它相当于一种思维纪律训练，能够 sharpening 处理边缘情况和复杂逻辑的能力，而这些正是AI工具在构建Agent系统时容易忽略的部分。虽然大模型可以快速生成代码，但人在面对非标准场景时的结构化分析能力依然关键。我目前主要练习那些能与Agent决策流程相结合的题目，避免机械式刷题。完全放弃算法练习会让技术敏感度下降，保持适度训练才是更明智的选择。

如果目标是从事Agent开发的话，我建议优先掌握Agent记忆架构设计、动态工具选择机制、多Agent协调协议、安全防护栏技术、可观测性仪表盘搭建以及可扩展推理优化方法。这些内容的核心在于构建一个能够在真实世界中稳定运行且易于监控的系统。我的建议是不要只停留在学习API调用，而要通过完整项目把各个模块连接起来反复测试。只有真正经历过调试和优化的过程，才能理解Agent在生产环境下的复杂挑战。

我发现很多同学对HR面的准备严重不足。实际过程中，他们会深入讨论长期职业忠诚度、如何处理项目中的模糊需求、工作与生活如何平衡，以及面对职业挫折时的应对方式。这些问题远不是简单的闲聊，而是在全面评估候选人的长期稳定性和文化适应性。我的体会是，HR面往往决定最终结果，必须提前对自己的职业规划进行系统梳理，给出一致且真实的想法，否则很容易在压力提问下暴露逻辑漏洞。

从我参加的面试来看，一些传统银行IT部门和国企背景的技术中心仍然热衷于考察八股内容。他们把这些经典题目当作主要门槛，却很少关注候选人在AI系统设计或实际工程落地上的思考深度。这让我觉得部分企业的选拔标准已经跟不上技术发展的速度。这样的考核方式不仅消耗候选人的准备时间，也难以筛选出真正具备问题解决能力的同学。我建议在准备时把重点放在如何将基础知识服务于实际项目，而不是单纯为了通过筛选而死记硬背。

回顾我的整个求职过程，从投递第一份简历到最终拿到OC，我总共花费了接近六个月。冬季假期开始大规模申请，春节后逐步进入面试阶段，四五月份完成核心技术轮和HR沟通，六月初正式签约。中间有过连续四十多天毫无回音的低谷，我每天都在反复修改项目文档和模拟面试问题。这段经历让我明白，求职不是简单的次数竞赛，而是考验一个人能否在漫长等待中保持专注和自我迭代。最终结果虽然来得较晚，但过程带来的成长让我觉得值得。

每次父母关心我的求职情况，我会先安抚他们的担心，然后详细分享自己目前面临的几个主要选择和背后的思考逻辑，最后表达对他们长期支持的感激以及自己会认真负责到底的决心。我会说明不同机会的优劣对比，同时告诉他们我最终会做出综合考虑后的决定。这种方式让我既保持了家庭沟通的开放性，也让他们感受到我已经具备独立思考和承担责任的能力。平静而有条理的交流，能有效降低双方的心理压力。

父母询问工作进展时，我会客观描述当前的主要阶段，然后明确说明自己对未来的信心和正在执行的行动计划。我会告诉他们目前有几个比较合适的offer正在推进，同时强调我正在认真权衡不同选择的长期发展空间。这种回应既让他们了解真实情况，也传递出我对结果持积极态度的信息。我发现只要表达出自己在有计划地推进，他们通常会减少焦虑，转而给予我更多的理解和空间。

我记得很清楚的是当我在后续几场面试中，用实习期间积累的实际案例回答复杂系统设计问题并获得面试官高度认可的那一刻，我突然觉得之前的努力没有白费。另一个时刻是之前实习部门的同事主动邀请我参与他们的新项目讨论，希望参考我当时的解决思路。这两个时刻让我意识到，那段实习已经转化成了可迁移的经验和被认可的专业能力，而不再只是简历上的一行文字。这种被需要的感觉让我彻底肯定了那段时间的价值。

我观察到最适合大厂的人，通常是那些能够快速适应高节奏环境、善于团队协作并且希望获得系统性培训和行业认可的人。他们倾向于利用大厂的资源和规范流程来快速积累经验，通过明确的目标管理和竞争机制实现个人成长。如果你需要外部结构来保持前进动力，同时希望获得较强的职业背书，大厂能提供明显帮助。但如果更喜欢自主性高、节奏可控的工作方式，可能其他类型的组织会更适合自己的长期发展。

通过这轮春招我注意到，考察AI Coding的公司明显增多，包括部分社交平台公司、医疗AI企业和自动驾驶相关技术团队。他们通常要求候选人使用大模型完成复杂任务，并需要详细解释从Prompt设计到结果优化的完整思路。蚂蚁的AI Coding测试也以注重实际系统思考而被广泛讨论。这个变化说明企业对AI工具使用能力的重视程度已经超过传统编码能力，准备时需要大量练习真实业务场景下的端到端开发。

我从这段时间的求职中总结出，AI时代仍然有必要刷LeetCode，其作用是保持对基础计算逻辑的敏感度。这种敏感度在调试Agent异常行为和优化系统效率时显得尤为关键。虽然AI Coding工具已经非常强大，但人在面对非标准问题时的结构化思考能力依然无法被完全替代。我目前主要挑选那些能与Agent规划和决策逻辑相结合的题目进行练习。完全放弃刷题会让技术基础变得脆弱，适度保持练习才是更务实的做法。

想要从事Agent相关工作，我建议系统学习ReAct的各种变体、自主Agent编排方法、评估测试框架、生产就绪模式以及多Agent辩论系统。这些技术的关键在于如何让Agent在真实环境中保持可靠、可解释且可扩展。我从实践中体会到，必须把每个部分都放到实际业务场景中反复验证和优化，单纯阅读文档或跑示例代码很难建立真正的系统理解。只有通过持续迭代，才能真正掌握Agent在生产环境下的复杂性。

由于我之前把HR面想得过于简单，结果在实际过程中被问得十分被动。他们会仔细询问职业规划的灵活性、如何看待工作中的重复性劳动、对企业文化的适应能力，甚至会探讨我在压力环境下的长期应对策略。这些问题核心是在评估我的稳定性和长期匹配度。我现在认为HR面需要像技术面一样认真准备，必须提前梳理清楚自己的职业底线和价值观，否则很容易在连环追问下暴露出思考不够深入的问题。

我发现一些金融科技的传统部门和部分国企下属的IT中心仍在面试中频繁考察八股内容。他们把这些理论题目当作核心筛选工具，却很少探讨候选人在AI项目中的实际工程决策。这让我认为此类考核方式难以有效识别具备落地能力的人才。我的建议是，遇到这类公司时不要把精力全部放在背诵上，而是尝试把基础知识与自己参与过的真实问题解决过程结合起来回答，避免陷入低效的纯理论对话。