最近大厂招 Agent 工程师的岗位非常多，没有入门的朋友可能觉得“Agent不就是调调 API 吗？”Agent 不同于传统的“一问一答”式 AI，它是在对话模型的基础上增加了一个自主循环，能够根据任务目标判断“还需要做什么”，并调用外部工具执行。理想中的Agent，人类一动嘴，LLM跑断腿，在我们还喝茶打哈欠的时候就把活全干完了，但在实际落地中，想做出一个稳定可用的产品，还是有很多难点的。首先是工具的适配。在一个可用的 Agent 系统中，AI 推理只占约 30% 的逻辑，剩下的 70% 都是非AI的工程化适配。Agent 必须能够稳定处理现实世界的接口边界问题，包括 OAuth 授权、Token 自动刷新、API 速率限制以及海量数据的分页处理。同时，工具的 Schema 定义直接影响调用准确率。优秀的 Agent 需要对工具的粒度和描述进行反复调优，确保模型在面对数十个可选工具时，指令遵循依然清晰稳定。其次是多步任务的可靠性管理。在长链条推理中，错误会随步骤指数级叠加。哪怕单步准确率达到 80%，连续执行五步后的综合成功率也会降至约 32.8%。这种概率衰减意味着一个微小的幻觉就能让整个任务偏航。好的 Agent 必须具备严密的状态管理，能够在执行异常时实现自动捕获、重试或逻辑回滚。在执行关键操作前，还需要设计逻辑校验环节，防止单个步骤的偏移导致整体任务崩溃。接着是上下文的信息治理。大模型在处理长周期任务时普遍面临指令丢失的问题，尤其是在频繁的工具调用产生大量冗余数据时，核心约束容易被边缘化，导致 Agent 出现“失忆”现象。优秀的工程实践需要实现动态内存管理，精准识别并保留关键指令和历史摘要，同时剔除无意义的中间日志。通过提高上下文的信息密度，不仅能降低幻觉风险，也能在多模型路由中有效控制 Token 成本。最近开源社区非常火的 OpenClaw就是一个典型的例子。它作为一个拥有极高系统权限的 Agent 框架，可以直接操作文件和执行命令，极大地扩展了 AI 的能力边界。但在实际应用中，它的提示词工程仍有提升空间。由于权限极高，如果提示词无法精准约束模型的行为，很容易在复杂的执行链条中产生误操作甚至安全风险，且频繁触发的记忆压缩和超高的token消耗也被人诟病。这也是目前高权限 Agent 在落地时面临的核心痛点之一。总的来说，Agent 开发的本质是构建一个以模型为核心的高可靠软件系统。调通接口只是基础，真正的护城河在于你如何处理那些繁杂的非 AI 细节，包括工具层的异常处理、上下文的动态压缩以及评估体系的建立。正在找相关工作的同学，可以看看你简历上的Agent项目，有没有针对以上的痛点做了有效改进，面试官会很感兴趣的。

“我靠，刚才面阿里某部门，项目聊得很好，手撕没撕出来，挂了。”前两天听朋友这样吐槽时，我正处在一种类似的焦虑中：发现自己越来越依赖各种 Coding Agent，开始担心代码能力会退化。朋友的情况在面试中很典型，但有点特殊。很多人觉得刷算法题对实际工作帮助不大，但在目前某些厂的考核体系下，这依然是刚需，要面试只能去刷题，没办法。我想聊的是更本质的问题：在解决实际问题的场景中，我们该如何平衡 AI 工具与自己的代码能力？“代码能力”本身其实有点难定义，不仅是熟悉语言特性或数据结构，更重要的是能把一个实际问题转化成解决它的脚本。现在 Agent 用多了，最直观的感受是：坐在 IDE 面前，不知道该干什么。其实这不是coding能力退化了，是根本没定义清楚自己要解决什么问题，以及用什么方式去解决。手搓代码这件事，早些年大家也是靠CV解决问题，并不是每一行都自己敲。但现在的趋势是很多 Agent 会隐藏内部工作细节，只在特定时刻让你检查进度。这种做法能减少信息干扰，但也极大地依赖模型能力。如果模型本身能力不够，它可能会在后台陷入反复调用一个工具的死循环，没有任何结果，token一直在跑，而你甚至不知道。即便模型能力足够，agents也把规划、调试和审查的过程藏了起来，只留下一个“working”的状态，时间一长，导致我们再次面对代码时会产生一点抗拒感。关于对代码的掌握度，Anthropic 曾做过一项研究，调研了不同模式下开发者对代码的掌握程度：全部交给Agent：最快，但对代码的掌握度为0；纯手搓组： 对代码掌握程度最高，但速度最慢；人机协作组（生成后解释）： 模型不仅输出代码，也输出理由。这一组的得分往往也较高，对代码的掌握也更平衡。话又说回来，现在有一种观点认为，大模型已经发展到不需要我们去关注代码细节了，人只需要有“产品思维”，从业务和需求角度给 AI 分任务就行。但我个人认为，鉴于大模型是有幻觉的，我们对编程语言的常用库和特性依然要有基本的认知，因为你的追问也许可以发现大模型错误的认知，从而在早期避免错误的设计。否则，在后续的调试阶段，你可能要花费比别人多得多的沟通成本和 Token。所以，即便有工具辅助，依然要对代码有一定了解。比如它设计了哪些数据结构，用了什么框架，为什么要这样实现。当 Agent 调试成功后，我们可以多问它几个问题：刚才是哪里错了？你怎么知道的？这个命令具体是什么意思？......这种让大模型进行自我解释的过程，能有效增加你对代码维护的了解程度。

计算机专业，实习对就业多重要，大家都清楚，虽然说工科不放实习的cs导师很多，但每天喊人拍实验室的照片发群里的，我是没见过几个。但凡他科研能力高点，能指导一下发一篇，或者能让研三的正常出去实习，我一定比现在乐观得多。读研三年，亲眼看着同门一个一个黑化，好点的只是自己的数据造假，更没人性的，在小红书上用自己对象的号，骗师弟师妹进组。看着他们我有时候都在想，这个世界是不是出什么bug了...

xdm，我今天突然乐观了。 前两天一哥们私聊我，问要不要加入他的初创团队，做兼职。哥们对自己的项目非常的自信。大意是他做产品，负责调研市场，出方案，我干其中一部分活，做完项目之后挂平台卖，按成交量分成。画了一张非常大的饼：现在有完善的方案，我们只需要每天3-5小时，大概5天就做成一个项目，卖出一单后分成至少1w。 算日薪很高，对不对？ 在我看到他的方案之前一切都正常。方案是邮件发给我的，字数还挺多，分工和步骤都挺明确的——好了，这就是全部的优点了。 他熬夜写出来的这个方案的可行性几乎为0。他想要训练一个模型，但市面上根本没数据，他的星期项目团队也当然是没有实验室来获取数据；他想验证模型鲁棒性，...

春招进行中，个别公司正在偷偷裁员。B站、汇丰、网易广州互娱产研外包、小鹏、海康威视……微博热搜挂着的这些公司，都陷入裁员的舆论中。网传B站直接裁了60%，也许有夸张，但大概不是空穴来风。 整的我也很焦虑。本来秋招签了家SaaS公司的offer，以为写完论文就能躺了，最近也一直在纠结，万一智能体继续这么爆，这家公司的业务被冲垮了，会不会毁约？ 雪上加霜的是，正好又刷到了Anthropic的一篇研究报告，讨论了AI对就业市场的冲击。报告提出了"暴露度"这个概念，结合平台真实使用数据，看AI现在实际正在处理哪些工作任务，以及占这个职业总任务量的比例。（虽然这是美国数据，但趋势大概...

openclawd这股风刮了半天了，今天终于想到能用它干点啥。正好某大厂现在提供免费试用，于是配置了一个用来海投。部署步骤：1.创建xx云电脑实例2.更换为openclawd镜像3.登录，配置好钉钉机器人4.开始让🦞进行自动投递（这里个人认为比较好的方案是：让openclawd打开对应网站，你手动登录，提前上传好附件简历，再让龙虾进行自动投递。其实个别网站也可以让龙虾进行登录，只要你在钉钉给它提供手机号和验证码，道这样可能会触发人机验证。）5.时不时看一眼钉钉，看看它有没有遇到什么问题6.上述方案不适用于ssob。猎x，智x招聘，应x生都是可以用的。7.关于token消耗：我目前用的是qwen3.5plus，也用过3max，效果差不多吧，不过qwen这几天有点慢...另，百x大模型有免费额度（要是有人愿意填我验证码注册就好了）要说速度，可能大模型没有手工投递那么快——它也不能太快，不然就被网站识别为异常了，它的优势在于不用占用你的时间去投了。你原本用来看JD、打招呼的时间、跟进的时间，可以用来好好改简历。大概这样。欢迎想养龙虾的朋友一起交流哇~

最近养龙虾火得有点离谱。技术群、朋友聚会、公司内网，到处都是配置截图——接入了这个，打通了那个，甚至有人做起了付费上门安装服务，还有人打着这个旗号搞擦边，甚至zf出台了鼓励政策。一个月前我也跟着装了，然后看着那个界面一头雾水：这有啥好用的？当然后来发现，网上咋咋呼呼的，其实大多数人根本没用起来。截图发出去，点赞收藏，在评论区指指点点，然后没有下文了。真正落到实处的，我没见到几个。为数不多的一个同事，是用Claude Code给自己写了套代码审查工具，现在日常开发直接用它跑。但这种人是少数，大家更多讨论的，是关于这件事的焦虑，而不是这件事本身。（说真的，一直揪着不放的似乎是自媒体们......那些卖API的倒是赚翻了）。这种焦虑在工业界尤其明显。我在一家电商公司的AI中心实习，部门提倡用AI工具，有员工自发配置，有线下交流会。工业界极度追求效率，希望员工时刻follow新技术——但这种氛围有时候会变成一种隐性的压力，不跟就是落后，不养就是不上进。有次leader让我试一个新的数据框架，我折腾了一天，最后发现根本不适配我们的任务= =。不过也难免，一个工具好不好用，试过才知道，但试的成本是真实的。学校里反而没这种压力。同门几乎没人用这些工具，一方面太贵，另一方面，现有的工具其实已经够用了。我们是懂代码的人，看到一个改动，想知道它改了什么、为什么改、改得对不对，在VS Code里看比在终端里直观得多。没有业界那种效率压力，对新工具自然也没那么敏感，导师那边更不在意，任务完成就行。闲的没事折腾完之后，我看着那个API key的界面发呆，不知道我鼓捣半天是要干什么，好像只是因为它火？但我其实并没有什么需要它24小时一直运行的任务。太多人把手段当成目的了。纺织机比织毛衣针高效多了，但如果你是厨师，你用它干啥呢？会发个消息，跟风接入飞书，不算会用工具。更重要的是判断你的任务性质、项目周期，需要考虑到这个工具引入之后的收益和安全风险，真的有这个必要吗？

今天开会，领导：其他部门那些应用工程师，现在都改名叫AI应用工程师了...... 周会讲了下以后的绩效考评，大概意思是业务线分为 demo → beta → app 三个过程，demo部分可能只需要一到三天，一个人就能搞定。出demo后有专门的小组评估，如果通过，相当于就由你牵头负责这个小项目；beta阶段给你一些资源调度，完成初版，内部进行一些众测；如果效果好，再做成正式版，考虑一些并发，维护。提的demo通过得多的话，绩效也会高，但这个demo不一定是部门内部的，其他部门有些应用工程师现在都直接改名叫AI应用工程师了，当然我们还是有些优势（优势在哪...），所以我们要尽快地做些东西出来。 ...

前些天看了 Clawdbot 创始人的采访——这哥们单日提交 1.3k commits，一个月 6600+ 次提交，有的代码自己一句都没看过，非常恐怖。所以在不久的将来，当 AI 已经完全具备写代码的能力，人类程序员的操作空间还能剩多少？最近在实习，做大模型微调，新鲜期过了，发现不过是机械劳动，造数据 → 训模型 → 看 badcase → 然后再造数据，循环往复...这不就是Agent的ReAct范式么? (坏了，我成智能体了) 需求明确的情况下，Claude-3.5/3.6 也完全可以独立完成造数据 pipeline 的开发，偶尔会留下一些语法错误，在两三轮尝试之内也能自己修正过来......这里非要人来完成的环节并不多，只能用人来完成的理由，好像只剩人比较便宜了...？ 但 AI infra、推理加速也在飞速发展，这种相对的便宜，又能持续多久呢？Clawdbot已经火到到处都在讨论，尽管目前在国内的适配有限，(门槛高是一方面，还很重要的一点是比较烧钱...)不过它对人类劳动力的节省是没办法忽视的。目前同事们普遍认为这玩意儿现在只能接入飞书写写文档，但你也知道，“目前”而已。GPT-4 推出的那年或许看上去还有点呆，但短短几年，拥有 skills 和 function call 的大模型已经可以帮你完成打开应用、查看消息、撰写文档这种复合任务——写代码又能比写飞书文档复杂多少呢？不过是接入不同的软件，阅读不同的文本，调用不同的修改命令，底层是一样的，现在 Copilot 已经做得有模有样，更别说 Clawdbot 这种具有自我进化能力的 Agent，只要 token 多，Clawdbot 完全可以给自己装一堆功能，能量超乎你想象。有人说了，我做的项目大着呢，全是屎山代码，我不信 AI 能看完，这说的其实是长上下文问题，我个人不认为是一个无法解决的问题，随着上下文窗口的扩展和长期记忆管理的研究工作不断发展，AI 总能找到方法把你的超长文本压缩成一个一个的小块，然后逐个击破（虽然目前 GPT-5.2 Codex 改我的代码还是会改着改着一片红...）有句话说得好，你怕被 AI 替代，是因为你太像 AI。你的工作流程高度标准化、可预测、可复现——接需求、看文档、查 API、写代码、测试、提交。每一步都有明确的输入输出，每一步都能被拆解成清晰的指令。这种工作方式，恰好是 AI 最擅长的。如果你的价值体现在“把业务逻辑翻译成代码”，那 AI 确实可以做得更快、更稳定、更便宜。它不会写错大小写，不会忘记边界条件，不会因为昨晚没睡好就漏掉一个判断。要想不被替代，就得做那些 AI 做不了的事，比如和产品经理撕逼，解释为什么这个需求做不了；看着三个技术方案，权衡性能、成本、开发周期，最后拍板选一个；跨部门开会，听运营讲了半天业务痛点，翻译成技术语言，还得判断她说的是真需求还是伪需求。这些事情需要判断、需要博弈、需要对人的理解， AI 暂时还做不来。但问题是，这些事情需要多少人来干？以前一个项目可能需要十个程序员，现在有了 AI，也许三个人就够了,剩下那七个人上哪去？......也许他们会转型，在行业找到新位置，也许是去卖炒粉了，说不好。但有一点感觉很明显：AI 在拉高门槛。以前你会写代码就能找到工作，现在得会“用 AI 写代码 + 理解业务 + 做技术决策”。这个组合技能，不是每个人都能凑齐的。工具会进化，但人怎么不被工具定义，可能是我们未来一段时间需要长期思考的问题。

今年应届大模型算法年包一个比一个高，某书某节应届生开七八十万的好像一抓一大把，但是一看JD：有大模型预训练经验，有万卡集群调度经验，发表顶会论文对于我们这种没有大厂实习，没进强组的小卡拉米来说，基本上都是不可能满足的条件。  所以，没显卡的穷孩子真的不能靠大模型算法翻身吗？ 关于这个问题，实际上也要看“大模型”的几个具体方向（虽然都叫大模型算法or大模型应用），按照对硬件资源需求的程度从低到高排序大概是这样： Prompt工程 ≈ Agent 开发 < RAG <  LoRA等高效微调 < 全参数后训练（微调） < 预训练 这么看其实很明了了，那些对资源要求极高的JD，...

虚假的老板：发水果啦！新年快乐！​真实的老板：研三的，最后时间了，也要认真推进安排的事情，年底你们也没面试什么的了。已经考虑你们快毕业了，尽量少安排事情，但是不要认为稳毕业，就故意拖延甚至不做事了。我到现在也没说谁就稳毕业，即使满足毕业条件了，我也一样可以不签字！ 我年底要写基金本子，很忙！不管xx、xx安排，还是你们之间相互安排协作的事情，都一样认真对待、及时回复处理！希望不要让我再费心督促！

bg双二，非科班，无论文竞赛，小厂实习一段。秋招开始后，从去年8月开始一直断断续续投到现在，不过最近明显没什么HC，大概大家都忙着过年吧。期间面过大大小小的厂几十个了，现在已经能通过面试官的几个问题，大致了解到公司靠不靠谱。有些面试官上来就问“这个你做过吗？那个你做过吗？你对我们公司这个行业怎么看？”，关于具体的技术细节，几乎不会问，你讲了他也是走神——纯草台班子，进去没人带着你干活，你大概率要独自面对一个只会提需求，不能帮你解决问题的老登。有些面试官会从项目入手，等你介绍完后，问你的的业务痛点（或解决的问题、遇到的困难），问你项目的大致结构，问你每个模块的技术细节，问你“如果不考虑资源限制，你想怎么完善这个项目”——大厂基本都有这个流程，这种公司适合有技术追求、愿意卷的同学去——当然，最主要的问题是，这种公司不是很容易进。有些面试官，也问点项目，也问点技术，也问点人际交往、与领导的相处等问题，什么都问，什么都问的不太多——这种公司比较咸鱼，我指的是业务上，可能没有什么很拿的出手的产品，混混日子应该还可以，但如果想从这个公司跳出去，可能不太被认可。（没有说这种公司一定不加班的意思）目前在实习，但是感觉留下可能比较困难，也签了保底的，但是还是想再冲一把。那就投呗，现在心态已经从有事没事就拿起ssob看有没有人回复，转变成每天抽一点时间一顿打招呼发出去，再集中时间发送简历，主打一个命里有时终须有，命里无时莫强求。虽然朋友们回家的回家，旅行的旅行，而我为了一份更好的工作，还在一边实习一边给老登做事，但也觉得挺充实的，也挺好的，至少以后想起这段时间，不会觉得后悔吧。祝大家新年快乐。

人生第一笔工资！！！实习工资，每天300，一月13号入职，一共发了4050！！虽然不多，但是第一次感觉到自己的价值（...或者说价格吧）回想起在学校的时候，每周开组会，挨骂，干不完的活，每个月可怜巴巴的学校发的600补贴。每天都要去实验室，老登安排人定时拍照发在大群，太压抑了。但是！我快毕业了！！我领到了第一笔工资！！好日子快来了！！！希望大家都越来越好！！！

上班摸鱼，翻了2025年至今牛客网的阿里系面经，包括阿里云智能、达摩院（通义实验室）、阿里云计算平台以及阿里妈妈等机构，整理了算法工程师的常见面试内容，希望对想冲大厂的你有所帮助^ ^ 核心架构演进：Transformer组件的细粒度考察 Transformer架构作为现代大模型的基石，其考察深度在2025年达到了前所未有的水平。面试官默认候选人已经熟悉基本结构，转而主要攻击架构中的具体组件选型及其背后的数学原理。 位置编码（Positional Encoding）：从绝对到相对的演变  RoPE (Rotary Positional Embeddings): 42次 ALiBi (Atten...