静下心开始啃硬件手册，对着芯片 Datasheet 和开发板原理图一点点研读。第一次面对满页的引脚定义、电气参数和功能寄存器，很多专业术语都看不懂，只能一边对照实物开发板，一边慢慢标注重点，把不懂的地方逐一记下来。没有多余的空闲时间，一天一半时间动手实操焊板，一半时间沉下心看手册学理论，

他性格不苟言笑，对待硬件实操和代码调试零容忍。我焊板子稍有虚焊、连锡，元器件摆放不规整，都会被当场指出，直接要求全部拆焊重焊，不允许凑活交差。看原理图、写单片机底层代码时，只要逻辑不严谨、注释混乱、选型不合理，都会被严肃指正，逐行带我排查问题根源。

工作上他特别务实，从不搞形式主义。我焊板子虚焊、连锡，调试单片机程序卡死、看不懂原理图时，随时都能找他请教。他不会直接给答案，而是带着我看 datasheet、用万用表测电路、一步步梳理代码逻辑，引导我自己排查 bug、找问题根源，重点教我嵌入式硬件基本功和底层调试思维。

实习第一天，没有复杂的理论培训，直接扎根嵌入式工位焊板子。前辈给了我空白 PCB 板、电阻电容、排针和电烙铁，手把手教焊接基础手法。我第一次实操格外拘谨，握烙铁手总发抖，要么温度不够造成虚焊，要么焊锡过多出现连锡。只能耐心跟着修正，拆焊、补焊反复练习。一整天都专注对着电路板，一点点焊元器件、理线对位。沉浸在焊锡融化的微光里，慢慢摸清控温、送锡的节奏。看似简单的手工焊接，却是嵌入式硬件的入门基本功，第一天就在踏实的焊板实操中，正式开启了嵌入式实习生涯。

工具调用是Agent实现复杂任务的关键，首先进行工具注册，定义工具的名称、功能描述、输入输出格式、调用接口，将工具信息存入工具库，便于Agent检索；然后是工具选择，Agent根据用户指令和当前任务状态，通过大模型推理或规则匹配，从工具库中选择最合适的工具（如用户要求“统计上月销售额”，则选择Excel工具或数据查询工具）；最后是工具执行，通过接口调用工具，获取返回结果，若结果符合预期，则用于后续决策，若不符合，则触发异常处理。异常处理需具体，比如工具调用失败（如接口超时、服务宕机），采用分级重试策略：首次失败后，间隔1秒重试1次，再次失败则切换备用工具（如Excel工具失败，切换为在线表格工具），若所有备用工具均失败，则触发降级策略（返回用户“当前工具暂时无法使用，将为您手动处理”）；若工具返回结果异常（如数据错误、格式不符），则加入结果校验逻辑，对返回数据进行合法性检查（如数值范围、格式规范），异常则返回工具重新调用，或提示用户确认指令。需举例说明项目中具体的工具类型（如文件处理、API调用、数据库查询），以及异常处理的实际案例，体现落地能力。

记忆模块是Agent区别于普通AI应用的核心，需明确短期记忆和长期记忆的实现细节，短期记忆可采用缓存（如Redis）存储当前任务的上下文信息（如用户当前对话内容、正在执行的步骤），更新策略为实时覆盖，任务结束后自动清除，确保低延迟和资源高效利用；长期记忆需存储用户习惯、历史任务记录、领域知识等，可采用向量数据库（如Milvus、Pinecone）存储，将文本信息转化为向量，便于快速检索，更新策略为增量更新（如用户新增习惯、完成新任务后，同步写入记忆库）和定期清理（删除长期未使用的冗余信息）。解决记忆冗余问题，可设计基于相似度的去重机制，当新记忆与已有记忆相似度超过阈值（如85%），则不重复存储，同时定期对记忆库进行聚类分析，合并相似记忆；解决记忆遗忘问题，可采用“近期优先、重要性排序”策略，检索记忆时，优先返回近期和高重要性的记忆（重要性可通过用户操作频率、指令优先级标注），同时加入记忆唤醒机制，当Agent遇到陌生场景时，主动检索相关历史记忆，辅助决策。需结合项目实例，比如在智能客服Agent中，如何通过记忆模块记住用户的历史咨询偏好，避免重复提问，提升交互体验。

Agent产品经理，负责智能体产品需求拆解、功能规划及技术落地推进，需具备AI技术认知与业务场景拆解能力；行业解决方案架构师，基于各行业场景，设计智能体定制化解决方案，统筹技术选型与落地实施；AI伦理合规官，负责智能体算法公平性、数据安全性及合规性审核，保障技术落地合规可控

智能体架构师，负责多智能体系统的架构设计、智能体间通信协议制定及任务调度策略优化，需掌握多智能体协作算法与系统工程能力；大模型算法工程师，聚焦Agent底层大模型微调、推理效率优化及对齐技术研发；具身智能算法工程师，负责打通AI与物理世界的交互链路，研发感知、决策与执行一体化算法，

非技术向技术岗（低门槛切入）：智能体训练师，负责智能体的Prompt工程优化、多轮对话逻辑调试及行为规则配置，无需编码基础，重点掌握Prompt设计与场景适配能力；提示词工程师，聚焦指令工程与上下文优化，输出高效可复用Prompt，入门门槛低且薪资具备竞争力；低代码智能体搭建师，基于低代码平台完成智能体流程编排、组件集成与落地调试

项目开发中遇到过推理卡死、识别闪退、丢帧、算子报错、随机死机等问题吗？完整说一遍你的排查流程和解决办法。没有踩过坑的项目基本都是 demo 拼接，面试官一眼就能看穿。整理真实排错逻辑：先分层定位，区分硬件问题、驱动问题、模型问题、代码逻辑问题；通过串口日志、内存监控、算力占用排查基础故障。针对推理卡死，排查死锁、内存越界、数组溢出；针对识别不准，核对预处理参数、归一化系数、图像数据格式。遇到小众算子报错，通过替换模型层、自定义算子、升级推理框架修复

你的 AI 项目能否移植到其他国产 MCU、ARM 异构 NPU、瑞芯微、全志等主流芯片？移植最大难点是什么？嵌入式产品迭代快，经常需要切换主控芯片，只会单平台开发局限性极大。回答时梳理移植核心难点：推理框架适配、专属 NPU 算子不兼容、外设驱动差异、内存映射地址不同。讲解解决方案，采用模块化分层开发，将 AI 推理层、硬件驱动层、业务逻辑层解耦，做到快速裁剪替换。提前封装通用预处理接口、模型调用接口，降低跨平台改造成本。针对国产芯片生态差异，说明如何适配不同厂商的推理工具链，修改编译配置、调整硬件加速参数

很多 AI 项目死在预处理环节，面试官会专门针对嵌入式特殊环境拷打。核心问题：你的设备没有完善开源库，图像缩放、裁剪、归一化、色域转换这些预处理操作怎么实现？直接调用开源库还是手写底层代码？电脑端部署可以依赖各类第三方库，但嵌入式端资源受限，很多库无法移植、占用过大。一定要区分场景，裸机环境下纯手写矩阵运算、像素处理逻辑，轻量化 Linux 环境精简裁剪依赖库，只保留核心功能。讲解预处理优化细节，比如像素数据格式对齐、数据类型转换简化、批量处理减少重复计算。同时说明预处理与推理的时序配合，避免数据错位、缓存覆盖导致 AI 识别异常。还要提到不同摄像头输出格式的适配，RGB、YUV 格式一键转换方案

嵌入式开发，内存比算力更稀缺，内存相关问题是必考题。面试官拷问重点：你的 AI 模型占用多少 ROM、RAM？运行过程中有没有内存溢出、栈溢出、内存碎片问题？如何长效管控内存资源？MCU、低端 MPU 内存空间极小，AI 模型权重、特征图、图像缓存极易挤占内存，稍有疏忽就会死机重启。回答时要给出具体占用数值，区分静态内存与动态内存消耗。讲解实操解决方案：全局内存池管理、动态释放临时缓存、限制特征图最大尺寸、裁剪模型中间层参数。针对长期运行的设备，重点说明如何规避内存泄漏，定期回收无用资源，减少碎片化内存堆积

只要做视觉类 AI 项目，必被追问推理性能细节。面试官会精准提问：单帧推理耗时多少毫秒？实际运行帧率多少？高低温、高负载极限场景下性能会不会暴跌？很多面试者只会模糊回答运行流畅，没有具体数据支撑，非常减分。回答必须带上实测参数，明确标注普通工况、极限工况的帧率与延迟，精准定位性能瓶颈，是预处理耗时久、模型计算量大，还是总线传输拖慢速度。优化方案分三层：算法层简化图像尺寸、减少通道数；工程层异步推理、多线程解耦采集与推理；硬件层启用 NPU 加速、DMA 快速传输。还要说明动态适配策略，场景复杂时自动降帧率保稳定，简单场景拉满性能