agent_interview_1
书接上文 社招后端转型 Agent 路径（已落地）
部分面试经验
上文主要说的是转型的路径，在 投递 + 面试期 章节中其实还有些小的经验来不及说，在原文说又有些太冗长，于是统一放在这里说好些。
一是对 JD 的拆解。假定我们能在 BOSS 上或者问猎头 / HR 拿到招聘岗位的 JD，接下来就可以针对性地用 AI 对 JD 进行一定的拆分，包括但不限于让 AI 基于 JD 给你模拟出题。由于这种流程存在重复性，所以一开始我就写了个 Skill，每次输入 JD 以及我的复习进度，基于这两项进行初步的模拟。从经验来看，JD 准确的话命中率可以达到 40-45% 左右，还是较好的。
二是对面试的复盘，同样的思路，结合 JD 和你的面试录音转文字，同样沉淀一个 Skills，每次复盘可以直接输入内容，AI 给你做针对性复盘，主要是找知识缺位和表达得不好的地方。
三是准备好反问，反问是一个非常重要的环节，如果说前面的面试是展示环节，假定你前面展示得有些小问题，反问环节可以给你一些补救的机会。我准备的反问主要有几个问题：
- 部门主要负责什么工作（如果 HR 给了可以不问，面试官应该会比 HR 更了解业务，这里目的主要是为了了解业务，为下一个问题铺垫）
- 可以分享下您认为在部门最近的工作中遭遇的业务痛点有什么吗？（目的是了解业务痛点同时找机会展示，边听边思考痛点你的解决方案是什么，听完后给出自己的见解）
- 您认为您的领导方式偏向于什么风格多一些？（如果是二面、+1 面可以问到领导的风格，如果偏高压，这里可以避坑）
其中第二个问题非常重要，问得好答得好的情况下可以力挽狂澜。ok，面试经验到这里，下面开始分享面经。进入面经前先介绍一下贴主的两个项目，
一个项目是智能排障助手，主要用来排查项目在测试或运行过程中存在什么问题，通过获取日志、配置中心、MySQL 以及项目涉及到的中间件来定位问题根因；
另一个是支付侧知识库助手，主要是 RAG 技术栈。
面经
小厂 - AI 应用 - A - 技术面
业务分类：AI 应用
面试轮次：技术面
- 自我介绍 + 离职原因
- 你已经离职了，是出于什么考虑？
你最近做的这个支付领域知识助手，遇到过什么难点？可以重点介绍一下。
如果渠道和场景都匹配不到，你们怎么做优化？
这个产品是给哪些人在使用？他们为什么会需要它？
如果用户只丢进来一句很泛的问题，没有带渠道、场景等关键信息，你们怎么办？还有什么可以继续优化的？
你们现在工作里会用哪些 AI 软件？在使用过程中，有没有什么协作经验或心得可以分享？
代码可用性提高到了 80%+，这个 “可用性” 是什么意思？怎么衡量的？
spec 由哪些部分组成？你们是通过项目里的 markdown 在做，还是通过 skill/workflow 在做？
最近有学习或了解一些开源 Agent 项目吗？有没有看过它们的一些实现方法、代码？从里面学到了什么？
如果要做一个类似编码 Agent 的系统，你觉得大概需要哪些部分组成？不同业务里又该重点做哪一块？
你觉得像 Claude Code 这类工具，为什么会比通用助手更擅长写代码？
在 AI 的背景下，你觉得研发现在最需要具备什么能力？主要是判断 AI 输出结果的能力吗？
你现在找工作比较看重哪些方面？
无反问环节，无 JD
小厂 - AI 应用 - B - 技术面
业务分类：AI 应用
面试轮次：技术面
面试日期：2026-07-27
请详细介绍一下你的个人经历、工作情况和主要项目？
除 Agent 项目外，请介绍一下你做过的关键后端项目、个人职责和核心设计？
支付领域知识库是不是你们内部自建的一套 RAG 检索系统？
这套 RAG 检索链路是由你主导设计，还是团队协作完成的？从文档切分到 Dense、BM25、RRF 和 Rerank，整体方案是怎么设计的？
简历中检索命中率等指标从基线提升到目标值，具体做了哪些优化？
Dense 与 BM25 的评分量纲不同，你们如何融合两路检索结果并确定最终排名？是分别分配 Top K 名额，还是使用 RRF 统一排序？
RRF 是你们自行实现的，还是直接使用了现成实现？
离线评估使用的 Golden Dataset 是你们自己构建的吗？你在其中承担了什么工作？
Dense 检索在构建索引和高并发查询时可能消耗较多 CPU 与内存，你们是否遇到过这类问题？准备如何处理？
三层评估体系都是你们自己设计和实现的？你具体负责了哪些部分？
为了保证评估结果可信，评估数据集是按照哪些指标和维度构建的？
你说的三层评估体系具体是哪三层？Retriever Eval、Answer Eval 和第三方评估分别解决什么问题？
每周 x 次排障请求具体指什么调用？这个数字是如何统计出来的？
排障 Agent 是否使用了记忆系统？包含短期记忆还是长期记忆，具体保存和使用哪些信息？
RAG 助手和排障 Agent 使用的是公司自研模型、内部部署的开源模型，还是第三方模型服务？
对于服务约 x 名研发测试人员的内部系统，这个指标的统计时间和业务规模口径是什么？
你实际编写和定制过 LangChain、LangGraph 的代码与运行流程，还是主要调用现成框架或第三方 API？
在模型能力有限、多 Agent 协作或反复调用工具时，是否遇到过死循环、相互等待或重复执行同一错误的问题？你们如何处理？
用于判断 Agent 是否陷入循环的 “仲裁者” 是人工角色，还是另一个模型节点？
LangGraph 中的业务 Workflow 是你亲自设计和编写的吗？
一次完整的排障任务通常会调用多少次模型？分别有哪些模型节点或 Agent 角色？模型返回异常时的主要难点是什么？
Agent 为什么能够直接查询业务数据库？数据库账号、密码和读写权限如何管理，如何确保只读能力是数据库账户级的硬隔离而不是应用层软限制？
当模型没有按照要求返回 JSON 或 Structured Output，导致解析失败或字段错误时，你们怎么处理？
当日志上下文过长、模型生成时间过久而导致 LLM 请求超时时，你们怎么处理？
入口通过 FastAPI 调用时，请求本身存在超时时间；你了解默认超时是多少吗？重试方案如何避免超过这个时限？
如果相关日志超过 128K 上下文窗口，甚至达到一两兆，无法一次性输入模型，你们会怎么处理？
一次故障可能同时涉及应用日志、分布式 Trace、数据库、Redis、消息队列、主机 CPU / 内存和 Pod 状态等多类信号；排障 Agent 是否覆盖了这些跨系统信息，怎么采集和组织它们？
支付中台项目与灰度发布项目是什么关系？支付中台主要解决什么问题？
支付渠道中台属于前端可配置流程，还是纯后端的代码抽象？
不同支付渠道的流程步骤可能不同，例如有的需要三步、有的只需要两步，这种流程差异如何适配？
支付中台化能力最终是以独立后台服务的形式交付，还是以 SDK 的形式接入？
支付系统与订单或上游业务系统之间，以及支付系统与外部第三方渠道之间，分别如何进行鉴权？
你负责的系统边界是什么？它是收银台、公共支付中台，还是面向支付中台提供第三方渠道适配能力的适配层？
每个支付渠道微服务的单 Pod CPU、内存规格和 Pod 数量是多少？这样的部署可以承载多少并发和日交易量？
哪个支付渠道的流量最大？它的实际 QPS 大约是多少？
MySQL 使用了什么机器或实例规格？它能够支撑多大的支付流量？
业务团队是否做过压测和容量评估，并据此向运维提出资源需求？
支付幂等是在数据库还是内存中实现的？乐观锁、唯一键和业务流水号分别如何参与幂等控制？
支付流量的削峰是如何实现的？
每个 Pod 的 MySQL 连接池大小配置是多少？这个连接数如何结合 Pod 数量、数据库容量和线程切换成本确定？
支付渠道组件化在代码层面是如何抽象的？公共入参和出参、Manager 适配层、第三方渠道实现及领域逻辑分别如何设计？参考了哪些设计原则？
项目目录采用 MVC 还是 DDD？如果采用 DDD，具体划分为哪几层，各层分别承担什么职责？
上游业务系统向支付渠道服务发起请求时，采用同步接口还是消息队列？同步调用具体使用的是 gRPC，还是 Feign/HTTP？
项目中的 RocketMQ 具体用于哪些业务场景？
你有什么想问我们的？
JD
【工作职责】
负责 Coding Agent 相关业务场景的应用开发与工程落地，包括面向交互式产品与 Coding Agent 生态的记忆能力应用、新特性开发，以及记忆系统在具体业务场景中的集成与落地。
面向交互式 AI 产品，设计并实现具备长期上下文理解能力的 Agent 功能，使 Agent 能够基于用户历史、偏好、任务进展与多轮交互记录提供更连续、更个性化的协作体验。
负责 Coding Agent 生态中的记忆能力嵌入与应用开发，包括插件系统、AgentRuntime、工具调用、多端交互、会话管理等场景下的 Memory 能力接入与产品化实现。
参与 Agent 应用链路建设，围绕 Prompt、Tool Use、Workflow、RAG、Memory、Eval 等模块进行方案设计、功能开发、效果调优与问题定位。
与研究、架构、产品、评测团队协作，将 Coding Agent 的底层能力转化为明确的用户功能、交互流程与可验证的产品效果，推动从 Demo 到可用产品的闭环落地。
【职位要求】
本科及以上学历，计算机、人工智能、软件工程等相关专业，具备良好的应用开发能力与工程实现能力。
熟悉 Python/TypeScript 等语言，能够独立完成 Agent 应用功能从方案设计、接口开发、集成调试到上线迭代的完整闭环。
有大模型应用或 Agent 项目开发经验，理解 Prompt Engineering、Function Calling/Tool Use、RAG、Agent Workflow、多轮对话、上下文管理等常见技术范式。
对 Coding Agent、长期上下文、用户画像、个性化交互、任务状态维护等方向有实践经验者优先。
具备较好的产品理解力与场景抽象能力，能够从真实用户需求出发拆解功能，而不是只停留在技术 Demo 或接口调用层面。
具备良好的工程习惯，重视代码质量、模块边界、异常处理、日志观测、效果评估与持续迭代。
主动性强、学习能力强，能够在快速变化的大模型应用生态中持续探索，并推动方案实际落地。
AI 产品全栈工程师 (后端)
【工作职责】
负责 AI 记忆服务平台的后端研发，支撑 API 服务、SDK、控制台等产品形态
基于 FastAPI 开发核心功能：记忆管理、用户鉴权、APIKey 管理、用量统计
对接 PostgreSQL、Redis、Kafka、向量数据库等基础设施
参与 LLM 服务集成与系统性能优化
与产品、算法、测试团队协作，快速迭代功能
【职位要求】
本科及以上学历，计算机相关专业，3 年以上后端开发经验
精通 Python，熟练使用 FastAPI 框架
熟悉 PostgreSQL、Redis、Kafka，有实际项目使用经验
了解向量数据库 (Milvus/Qdrant/pgvector)，理解向量检索基本原理 (如 ANN、HNSW)
熟悉 Docker、Kubernetes、Linux
了解 LLM 应用开发，有 OpenAI API 或类似大模型接口调用经验
具备良好的 API 设计能力，理解 RESTful 规范
【优先条件】
有 Node.js/TypeScript 开发经验，能参与 SDK 或插件开发
有 LLM 服务集成经验，熟悉 OpenAI API、流式输出
有 LLM 推理框架经验:vLLM/SGLang/LiteLLM
有前端开发能力 (React/ Vue +TypeScript)
有可观测性经验：OpenTelemetry、Prometheus、Grafana
有 ToB 平台经验，熟悉多租户、权限管理
小厂 - AI 应用 - B - 技术面
业务分类：AI 应用
面试轮次：技术面
面试日期：2026-07-30
请先做一下自我介绍，介绍你的工作经历以及做过的主要项目。
关于支付知识助手：
这是一个多大团队完成的项目？
它在你们业务领域中的重要性是什么？
你在项目中扮演什么角色？
你主要负责哪一部分？
这个知识助手后端的知识库大概有多大量级？
你们内部是否存在不同类别、产品线或业务组？不同知识库之间的差异有多大？
你是如何构建一个能够方便问题检索和查询的知识库助手的？
你认为这个 RAG 系统在 Agent 技术或架构设计上有哪些比较有特点的地方？
这个知识助手目前服务多少人？
用户提交一个 Query 之后，系统会经过哪些模块？这些模块之间是如何协同工作的？
如果意图没有识别出来，为什么要触发拒答？
为什么回答一定要参考你们知识库中的信息？如果知识库没有相关信息，为什么不能让模型直接回答，而要拒答？
你在项目中通过 Pre-filter 和 Channel Isolation，把 Wrong Channel Rate 从 15% 降到了 0%。这个指标具体代表什么？
Wrong Channel Rate 为 15% 时，用户实际会有什么感知？降到 0% 后，用户感知发生了什么变化？
通过渠道隔离缩小检索范围以后，在当前目标渠道仍然有很多文档的情况下，你是如何提高精准召回能力的？
在目标渠道内部，你是如何提升 Section Hit 或相关片段命中率的？
Parent-child Chunking 在你们系统中具体是如何工作的？是先用父块定位，还是先用子块进行精确匹配？
从知识库数据源的角度，你是如何组织和整理数据，使后续检索的准确率、速度、精度更好的？
如果源文档组织不好，容易召回无关内容；如果切得太碎，关键信息又可能分散在不同片段中。你们如何处理这两个问题？
在文档预处理阶段，你们具体做了哪些清洗和结构化处理？
在文档切分阶段，你们如何根据业务文档的特点选择切分方式？
切分以后，如何保证相邻块之间的上下文连贯性？
相邻块的 Overlap 具体设置为多少？这个设置是如何实现的？
知识库不是一成不变的。面对新增文档、已有内容修改和内容删除，你们如何快速维护知识库？
如果不是新增文档，而是已有文档内容发生了更新，这些变化会对预处理和切分环节产生什么影响？
已有文档更新后，是否需要重新运行预处理和切分流程？
你接触过的这个知识库有多少份文件或文档？主要包含哪些类别？
知识库中的文件格式主要有哪些？
Markdown、PDF 和 Excel 是否都会整理成统一的标准格式？
PDF 文档具体如何处理？如果文档中包含文字、流程图或其他图片，分别如何提取和保留其中的语义？
Excel 文档如何处理，才能保留其行列结构所表达的语义？
你如何评价构建这个知识库的成本？
构建知识库时涉及外部大模型调用，你是否会根据文档复杂度或业务重要程度选择不同模型？
面对纯文本、复杂 PDF、重要业务文档等不同类型的数据，你如何平衡模型能力、效果和价格？
在保证知识库效果的前提下，你是否考虑过成本更低的方案？具体如何进行模型选型？
你是如何设计这个知识助手的评测体系的？
三层评测体系分别包含哪些部分？每一层解决什么问题？
检索器评测主要使用哪些指标？
生成器评测如何判断问题究竟出在检索器还是生成器？
第三方通用评测体系在整个评测方案中起什么作用？
除了评测指标，评测所使用的数据和 Test Case 是如何构建的？
Golden 评估集中的问题、答案、证据来源、Section ID 和文件路径是如何产生和维护的？
这套评估集构建起来的工作量是不是很大？
评估集主要是由你们从零构建的，还是使用了已有数据？你本人在其中承担了什么工作？
这个知识助手是给内部同事使用的。你是如何与用户协调沟通，了解他们真正关心什么、哪些问题回答不好以及为什么不好用的？
收集到用户反馈后，你们如何判断它属于技术问题还是业务问题，并进一步推动优化？
你当时在前司的工作节奏大概是什么样的？
如果这个项目满分是 100 分，你会给它打多少分？为什么？
你认为剩余没有完成的部分主要有哪些？
你们是否考虑过用户对响应时延的要求？
用户提交一个 Query 后，平均需要多长时间得到答案？
整条链路中主要的时延瓶颈在哪里？
你认为知识库或 RAG 与 Memory 之间有什么区别？
知识库和记忆之间有哪些可以联动的地方？
你在前司的工作是在今年 4 月结束的吗？目前是否处于离职状态？
你以后希望的工作方向是？
JD
【工作职责】
负责 Coding Agent 相关业务场景的应用开发与工程落地，包括面向交互式产品与 Coding Agent 生态的记忆能力应用、新特性开发，以及记忆系统在具体业务场景中的集成与落地。
面向交互式 AI 产品，设计并实现具备长期上下文理解能力的 Agent 功能，使 Agent 能够基于用户历史、偏好、任务进展与多轮交互记录提供更连续、更个性化的协作体验。
负责 Coding Agent 生态中的记忆能力嵌入与应用开发，包括插件系统、AgentRuntime、工具调用、多端交互、会话管理等场景下的 Memory 能力接入与产品化实现。
参与 Agent 应用链路建设，围绕 Prompt、Tool Use、Workflow、RAG、Memory、Eval 等模块进行方案设计、功能开发、效果调优与问题定位。
与研究、架构、产品、评测团队协作，将 Coding Agent 的底层能力转化为明确的用户功能、交互流程与可验证的产品效果，推动从 Demo 到可用产品的闭环落地。
【职位要求】
本科及以上学历，计算机、人工智能、软件工程等相关专业，具备良好的应用开发能力与工程实现能力。
熟悉 Python/TypeScript 等语言，能够独立完成 Agent 应用功能从方案设计、接口开发、集成调试到上线迭代的完整闭环。
有大模型应用或 Agent 项目开发经验，理解 Prompt Engineering、Function Calling/Tool Use、RAG、Agent Workflow、多轮对话、上下文管理等常见技术范式。
对 Coding Agent、长期上下文、用户画像、个性化交互、任务状态维护等方向有实践经验者优先。
具备较好的产品理解力与场景抽象能力，能够从真实用户需求出发拆解功能，而不是只停留在技术 Demo 或接口调用层面。
具备良好的工程习惯，重视代码质量、模块边界、异常处理、日志观测、效果评估与持续迭代。
主动性强、学习能力强，能够在快速变化的大模型应用生态中持续探索，并推动方案实际落地。
AI 产品全栈工程师 (后端)
【工作职责】
负责 AI 记忆服务平台的后端研发，支撑 API 服务、SDK、控制台等产品形态
基于 FastAPI 开发核心功能：记忆管理、用户鉴权、APIKey 管理、用量统计
对接 PostgreSQL、Redis、Kafka、向量数据库等基础设施
参与 LLM 服务集成与系统性能优化
与产品、算法、测试团队协作，快速迭代功能
【职位要求】
本科及以上学历，计算机相关专业，3 年以上后端开发经验
精通 Python，熟练使用 FastAPI 框架
熟悉 PostgreSQL、Redis、Kafka，有实际项目使用经验
了解向量数据库 (Milvus/Qdrant/pgvector)，理解向量检索基本原理 (如 ANN、HNSW)
熟悉 Docker、Kubernetes、Linux
了解 LLM 应用开发，有 OpenAI API 或类似大模型接口调用经验
具备良好的 API 设计能力，理解 RESTful 规范
【优先条件】
有 Node.js/TypeScript 开发经验，能参与 SDK 或插件开发
有 LLM 服务集成经验，熟悉 OpenAI API、流式输出
有 LLM 推理框架经验:vLLM/SGLang/LiteLLM
有前端开发能力 (React/ Vue +TypeScript)
有可观测性经验：OpenTelemetry、Prometheus、Grafana
有 ToB 平台经验，熟悉多租户、权限管理
小厂 - AI 应用 - B - 技术面
业务分类：AI 应用
面试轮次：技术面
面试日期：2026-08-05
请先做一下自我介绍。
重点介绍一下 Agent/RAG 知识库助手：
你在项目中具体做了哪些工作？
你的角色和职责是什么？
整体架构是怎样设计的？
这个知识库项目是你带着几个人一起做的吗？
在项目开发过程中做过哪些优化？
针对成功率或准确率做过哪些优化？
针对响应时延做过哪些优化？
优化前后的指标有什么变化？
你刚才提到三层评估机制，这三层具体是怎样设计的？
检索评估所使用的评估集是怎样构建的？
系统上线后，如果用户反馈某个问题回答得不好，你们通常怎样分析和定位？
怎样判断是检索器的问题，还是生成模型的问题？
检索结果和传给生成模型的上下文通常是同一批内容，为什么还要比较二者是否一致？
这个系统使用的回答模型是什么？
整个文档库大约有多少份文档？
这 x 份文档中，单份文档大概有多长？会不会很长？
当前文档规模并不算特别大，为什么选择 RAG？有没有考虑过其他检索或问答方案？
是否考虑直接使用大模型的长上下文，把文档整体放入上下文？
是否考虑给模型提供搜索工具，让模型自己在文档中搜索？
与关键词搜索（如 grep）相比，RAG 的优势和代价是什么？
- 设计 RAG 系统时有没有考虑响应时延？
期望在多长时间内返回结果？
当前的实际响应时延是多少？
整条链路的主要耗时瓶颈在哪里？
- 是否考虑过大模型调用成本？
是否关注生成长度、模型调用次数和不同模型的价格？
如果复杂工作流需要多次调用模型，如何控制成本？
你大约 x% 的时间做 Agent/RAG，剩下的时间主要做支付系统，对吗？支付侧具体做过哪些工作？
你做的这些支付工作中，是否涉及高并发设计？
我刚才听下来，你主要做的是灰度组件设计和支付模块组件化重构，对吗？这两部分是你最主要的工作吗？
灰度组件具体是怎样工作的？
是否会拦截线上实时流量，将它路由到灰度节点？
如何逐步把灰度流量扩大到 100%？
灰度节点与正式节点之间如何完成流量切换？
你过去主要做支付系统，那么你对下一份工作的内容有什么偏好？
如果后续可以入职，大概什么时候能够到岗？
JD
【工作职责】
负责 Coding Agent 相关业务场景的应用开发与工程落地，包括面向交互式产品与 Coding Agent 生态的记忆能力应用、新特性开发，以及记忆系统在具体业务场景中的集成与落地。
面向交互式 AI 产品，设计并实现具备长期上下文理解能力的 Agent 功能，使 Agent 能够基于用户历史、偏好、任务进展与多轮交互记录提供更连续、更个性化的协作体验。
负责 Coding Agent 生态中的记忆能力嵌入与应用开发，包括插件系统、AgentRuntime、工具调用、多端交互、会话管理等场景下的 Memory 能力接入与产品化实现。
参与 Agent 应用链路建设，围绕 Prompt、Tool Use、Workflow、RAG、Memory、Eval 等模块进行方案设计、功能开发、效果调优与问题定位。
与研究、架构、产品、评测团队协作，将 Coding Agent 的底层能力转化为明确的用户功能、交互流程与可验证的产品效果，推动从 Demo 到可用产品的闭环落地。
【职位要求】
本科及以上学历，计算机、人工智能、软件工程等相关专业，具备良好的应用开发能力与工程实现能力。
熟悉 Python/TypeScript 等语言，能够独立完成 Agent 应用功能从方案设计、接口开发、集成调试到上线迭代的完整闭环。
有大模型应用或 Agent 项目开发经验，理解 Prompt Engineering、Function Calling/Tool Use、RAG、Agent Workflow、多轮对话、上下文管理等常见技术范式。
对 Coding Agent、长期上下文、用户画像、个性化交互、任务状态维护等方向有实践经验者优先。
具备较好的产品理解力与场景抽象能力，能够从真实用户需求出发拆解功能，而不是只停留在技术 Demo 或接口调用层面。
具备良好的工程习惯，重视代码质量、模块边界、异常处理、日志观测、效果评估与持续迭代。
主动性强、学习能力强，能够在快速变化的大模型应用生态中持续探索，并推动方案实际落地。
AI 产品全栈工程师 (后端)
【工作职责】
负责 AI 记忆服务平台的后端研发，支撑 API 服务、SDK、控制台等产品形态
基于 FastAPI 开发核心功能：记忆管理、用户鉴权、APIKey 管理、用量统计
对接 PostgreSQL、Redis、Kafka、向量数据库等基础设施
参与 LLM 服务集成与系统性能优化
与产品、算法、测试团队协作，快速迭代功能
【职位要求】
本科及以上学历，计算机相关专业，3 年以上后端开发经验
精通 Python，熟练使用 FastAPI 框架
熟悉 PostgreSQL、Redis、Kafka，有实际项目使用经验
了解向量数据库 (Milvus/Qdrant/pgvector)，理解向量检索基本原理 (如 ANN、HNSW)
熟悉 Docker、Kubernetes、Linux
了解 LLM 应用开发，有 OpenAI API 或类似大模型接口调用经验
具备良好的 API 设计能力，理解 RESTful 规范
【优先条件】
有 Node.js/TypeScript 开发经验，能参与 SDK 或插件开发
有 LLM 服务集成经验，熟悉 OpenAI API、流式输出
有 LLM 推理框架经验:vLLM/SGLang/LiteLLM
有前端开发能力 (React/ Vue +TypeScript)
有可观测性经验：OpenTelemetry、Prometheus、Grafana
有 ToB 平台经验，熟悉多租户、权限管理
小厂 - AI 应用 - C - 技术面
业务分类：AI 应用
面试轮次：技术面
你现在是在职还是离职状态？
智能排障助手将日志上下文从 128K 降到平均 60K，具体是怎么做结构化压缩的？
在主 Agent 和子 Agent 的架构中，子 Agent 的具体作用是什么？
目前有多少个子 Agent？
上下文是按照 token、字符还是其他维度切分给不同子 Agent 的？如何保证语义相关的内容不会被割裂？
这两个助手都是公司内部使用的吗？
知识库问答助手的原始文档存在哪里，又是从哪里读取的？
你们对文档做过数据清洗吗？具体做了哪些清洗？
向量检索前，你们是不是通过 metadata 硬隔离，排除非目标渠道的文档，并选择对应渠道的文档进行召回？
用户除了输入当前 query，是否还必须提供渠道信息？
渠道是不是一个必填槽位？如果无法从用户问题中识别渠道，是否会持续追问，获取渠道后再回答？
你们使用的 embedding 模型是什么？
你们用的 DeepSeek V4 也是自己部署的吗？
你知道所使用的 embedding 模型采用什么算法架构吗？
你知道 DeepSeek 模型大概有多少个 block 吗？
传统 Transformer 的层数大概是什么数量级？
你能简单介绍一下 Transformer 的整体架构吗？
BERT 和 Transformer 的主要区别是什么？
BERT 主要可以完成哪些任务？
这个项目使用的向量数据库是什么？
你知道向量数据库常见的索引方法有哪些吗？
用于召回评测的评测集有多少条？它是怎么构建的？
召回评测集的数据结构是什么样的，具体包含哪些字段？
评测集中的 query 是怎么获取和构建的，是来自真实用户问题还是其他来源？
如果初始 query 是模型从文档中生成的，如何保证它能代表真实用户问题？后续有什么优化方案？
向量数据库中存的是切分后的文本块，还是 query-answer 对？
在评测标注中，一个 query 是对应一个 section ID，还是可以对应多个 section ID？召回时如何判断是否命中？
section list 是怎么标注出来的？其中的 section 是否属于同一个父块或 parent ID？
如果一个父块下面有多个子 section，召回其中任意一个子 section 就算召回成功吗？
推广智能排障助手时，研发和测试人员一开始愿意使用吗？你是如何收集反馈并迭代产品的？
你认为是什么打动了研发和测试人员，让他们愿意使用这个工具？
知识库问答助手的 wrong-channel rate 从 15% 降到 0%，这个指标是怎么定义和统计的？
wrong-channel rate 从 15% 降到 0% 的统计周期和评测范围是什么？这个 0% 指评测集没有 wrong-channel，还是线上也没有？
传统支付系统接入大模型后，你认为对工程来说最大的挑战是什么？
除了可靠性和权限控制，还有其他工程挑战吗？
如果把你在支付领域的 RAG 和 Agent 经验迁移到代理记账、美国清关等涉及大量财税和海关政策的项目中，哪些现有能力可以复用，哪些坑需要避免？
MCP 相比传统 Function Calling，解决了哪些痛点？
能否以调用支付接口为例，具体说明 MCP 相比 Function Calling 解决了什么问题？
构建工具时，大模型经常会传错参数，或者幻觉调用不存在的工具，你会如何解决和约束？
面对大模型输出的不确定性，包括幻觉和多次输出结果不一致，你会如何建立自动化评估体系？请结合前面两个项目说明。
你提到通过置信度做在线评估，这种方案在之前两个项目中实际使用过吗？
在线上环境中追踪复杂 Agent 的执行链路时，如何快速判断延迟来自大模型、工具还是网络？
你从传统支付后端转向 AI 应用开发的契机是什么？当时是怎么思考的？
这次转型是你主动选择的，还是老板要求的？
这两个 Agent 项目是在完成其他项目交付的同时开发的，还是停下其他工作、全职专项开发的？
JD
工作职责：
- 基于大语言模型 (LLM)，设计、开发面向真实业务场景的 AI 应用；
- 将 AI 能力与现有业务系统进行集成：包括数据库、Web、API 等；
- 负责端到端负责 AI 功能从需求分析、方案设计，到开发实现、部署运行的全过程；
- 设计并实现以下核心 AI 功能模块:
①Prompt Engineering、函数调用、工具调用等交互机制；
②RAG (检索增强生成) 的架构设计、实现与性能优化；
③智能体 (Agent)/ 个人助手系统的设计与开发，支持多步骤推理、任务分解与状态管理。
- 根据智能体、模型与业务反馈，持续优化 AI 系统的稳定性、准确性与可观测性。
任职要求：
- 本科及以上学历，计算机、软件工程等相关专业；
2.5 年以上开发经验，其中至少 1 年大模型应用开发经验，并具备实际落地项目；
- 熟悉大模型原理及应用，精通 Prompt 工程、Function Calling;
- 熟悉常见 AI 开发工具 (Cursor/ClaudeCode/Continue 等)，具备全栈能力，熟悉 Web 开发及 RESTAPI 设计；
- 能熟练使用 Python/Java 进行开发；
- 具备产品思维，善于沟通需求，关注用户体验；
面试流程：共 2 轮，初面 (AI 首席专家技术面，可线上)，复试 (HRD / 首席技术，现场)
小厂 - AI 应用 - D - 技术面
业务分类：AI 应用
面试轮次：技术面
请先做一个简单的自我介绍。
我看到你在前司这段经历里做了两个 AI 项目：一个是日常排障 / 问题分析助手，一个是知识检索助手，我的理解对吗？
你之前一直是做后端开发的吗？为什么简历里主要写的是 AI Agent 项目，而没有展开以前的业务项目经历？
这两个项目里，你选一个自己做得最深入的，讲一下它的业务背景、要解决什么问题。
你再从一个具体例子出发，讲一下这个系统的输入是什么、Agent 编排怎么做、输出是什么。
如果用户反馈 “某个订单一直处于处理中，请帮我排查”，你们整条处理链路是怎么跑的？
在这条链路里，意图识别、日志查询、结果结构化、主 Agent 归因分别是怎么协作的？
除了日志服务之外，你们还封装了哪些服务或工具？
配置中心工具在这个排障助手里具体起什么作用？
MySQL 工具在这个排障助手里具体起什么作用？
如果日志里其实已经暴露出错误信息了，为什么还需要配置中心和 MySQL 这两个工具？
你当时设计这些 tools 的核心考虑是什么？
这些工具现在主要是用于发现问题，还是已经能直接参与问题修复？
你们现在的系统会进一步定位到具体服务器、具体代码位置吗？
你们现在会直接给出具体修复方案吗？
当前这个系统的核心能力边界到底在哪里？
你们的日志服务本身是什么样的系统？是怎么记录和查询日志的？
你们是怎么把日志查询能力封装成 MCP / 工具的？
这个日志工具的调用方式是怎么设计的？
你们在工具参数设计上是怎么考虑的？
你们怎么让模型理解应该如何使用这个日志工具进行查询？
在参数约束、查询范围、返回内容上，你们做了哪些工程化限制？
你做这个项目过程中遇到的最大挑战是什么？
当时这个问题具体是怎么暴露出来的？
你们为什么会遇到上下文被日志塞满的问题？
你们后来是怎么优化这个问题的？
为什么要把主 Agent 和日志 Agent 的上下文拆开？
你们在工具层和 Agent 架构层分别做了哪些优化？
优化之后，效果上有什么变化？
如果日志本身特别长、一次返回量很大，甚至几次查询就把上下文塞满了，你们怎么处理？
当日志里有大量无效信息时，你们如何筛选出真正对排障有价值的内容？
你们为什么会优先关注 error 日志，而不是 info 日志？
你们拿到 error 之后，后续还会怎么继续追踪？
你们做了这么多优化之后，是通过哪些指标去评估整套 Agent 系统效果的？
你们有没有建立系统性的测试集、benchmark 或评估体系？
除了效果之外，你们有没有统计链路耗时、调用成功率、失败节点之类的运行指标？
小厂 - 企业营销软件 - A - 技术面
业务分类：企业营销软件
面试轮次：技术面
请先做一个简短的自我介绍。
你前面提到的两个 Agent 项目，主要都是对内使用的吗？主要服务研发和测试吗？
你说的 “外部文档” 具体指什么？是不是也包括外部合作方提供的 API 文档或接入文档？
相比直接查看飞书文档、语雀文档，这种知识库助手的核心价值和区别是什么？
这个知识库助手项目做了多久？
这个项目做完之后，你们有测试过召回准确率、知识命中准确率或者整体效果吗？结果怎么样？
你们这个 Agent / 知识库项目是在第三方平台上做的，还是完全自研的？框架和平台是怎么选型的？
前面那个非生产排障助手，核心是在解决上线前的问题，还是上线后的问题？
如果未来把它扩展到上线后或生产环境，你会怎么设计整体方案？
你们现在在测试环境里，这个 Agent 主要是在做问题发现，还是在做故障排查 / 问题定位？
更具体一点说，你们现在这个 Agent 是在做问题发现，还是在做问题定位？
如果它主要做问题定位，那它在测试环境里的实际应用流程是什么？
这个 Agent 到底帮研发解决了什么痛点？在日常协作里是怎么使用的？
你们日常大概 60% 还是核心后端开发，为什么做 Agent 时选择用 Python，而不是继续用 Java？
你挑一个过去做过的核心业务项目，详细介绍一下。
我想重点听这几个点：这个业务的场景背景是什么、解决什么问题、整体 Java 技术架构怎么设计、你承担了哪些核心研发任务、最后是怎么落地的？
在灰度发布场景下，你们的灰度服务和生产环境是否共用同一套数据库？
如果灰度版本导致数据写入异常、SQL 已经发布，或者数据关联关系已经变更，回切服务后仍然有数据问题，这种情况你们怎么处理？
归纳来说，你们在灰度发布过程中，是怎么解决数据一致性和数据回退问题的？
你们现在在具体研发里使用 AI 的频率高吗？
例如 AI Coding，在你原来的团队里是怎么推进和落地的？
你现在已经从前司离职了吗？
你之前的薪资大概是多少？
你现在的期望薪资是多少？
JD
岗位职责
- 负责营销领域 AI Agent 应用平台建设，包括营销智能体、营销工作流编排、自动化内容生成、客户触达与转化链路建设。
- 负责基于大模型的营销场景应用开发，包括线索挖掘、营销内容生成、客户画像分析、营销自动化、智能客服、销售辅助等方向。
- 参与 Agent 调度框架、营销工作流引擎、任务执行引擎等核心模块开发，实现营销 AI 应用的快速搭建与交付。
- 负责 AI 应用系统架构设计、性能优化及稳定性建设，提升营销系统的可扩展性与高并发处理能力。
- 对接 CRM、CDP、企业微信、WhatsApp、邮件营销、广告投放平台等系统，实现营销自动化闭环。
- 基于大模型能力构建营销内容生成、用户互动、营销分析及客户运营能力，提升营销效率与转化效果。
- 关注 AI Agent、AIGC、增长营销等前沿技术，推动 AI 在营销业务中的创新与落地。
- 参与营销 AI 产品能力沉淀，输出标准化营销智能体与行业解决方案。
任职要求【Python 技术栈】
- 统招本科及以上学历，计算机、软件工程、人工智能等相关专业，5 年以上后端开发经验，2 年以上 AI / 大模型应用开发经验。
- 精通 Python 开发，熟悉 FastAPI、异步编程、微服务架构及常见设计模式。
- 熟悉 AI Agent、Workflow、多智能体协作等技术体系，具备 AI 应用工程化开发经验。
- 具备较强工程能力，能够完成 AI 应用的架构设计、性能优化、高可用与可观测性建设。
- 熟悉分布式系统开发，能够设计并发、高吞吐的营销任务调度与消息处理系统。
- 熟悉营销相关系统集成，包括 CRM、CDP、营销自动化平台、企业微信、邮件系统、广告平台 API 等。
- 具备 Prompt Engineering、Agent Tool Calling、工作流编排等相关开发经验。
- 有 Agent 系统、营销自动化系统、AI 工作流平台开发经验者优先。
- 具备良好的沟通能力和团队协作能力。
加分项
有 B2B/B2C 营销系统开发经验。
有 WhatsApp、企业微信、邮件营销、海外社媒自动化经验。有多智能体（Multi-Agent）协同系统开发经验。熟悉推荐系统、用户画像、营销标签体系。
有增长黑客、营销自动化、AISales、AISDR 相关经验。了解 RAG 或知识库系统相关方案。
有私有化 AI 平台、Dify/Bisheng 二次开发经验优先。有海外 AISaaS 产品研发经验优先。
技术关键词：
Python、FastAPI、AI Agent、LangGraph、Workflow、MultiAgent、Prompt Engineering、Tool Calling、Dify、CRM、CDP、Marketing Automation、LLM、AIGC、Growth AI
小厂 - 企业软件 - A - 技术面
业务分类：企业软件
面试轮次：技术面
面试日期：2026-07-22
自我介绍。
从全链路的角度讲一下你这个支付领域知识库 RAG 项目是怎么做的。
数据清洗具体包括哪些流程？用了哪些清洗手段？为什么要这么做？
追问：这整个全流程都是你参与的对吧？
追问：你的数据源是异构的、多样的（PDF/Markdown/ 表格），你是怎么做统一格式化的？
- PDF 用代码怎么识别、怎么提取文本？
追问：图片也可以直接提取吗？
追问：你的图片怎么转成文本的形式？
追问：图片里应该不止流程图吧？
追问：既然你都已经用了多模态模型，为什么不直接上 OCR？
- 清洗完之后，分片 + Embedding 的流程怎么做的？切分的具体逻辑直接讲一下。
追问：你刚说 Markdown 之后会做 “语义切分”，就这个点讲一下。
追问：1200 token 做一个父块，那不还是基于 token 吗？语义在哪？父块和父块之间不还是没做到语义关联吗？还是 1200 硬隔断？
- Embedding 模型选型是你做的吗？为什么选 BGE-M3？
追问：有实际测过不同模型对你这个语料分片的效果吗？
追问：大概怎么测的？从数据层面怎么做对比？
向量数据库为什么选 Milvus？
讲一下整体的 hybrid retrieval 流程。
追问：RRF fusion 的机制是什么？怎么做融合的？
追问：BM25 加上向量检索，你个人觉得主要提升了哪些方面、哪些业务层面的精确度？
- 从输入端到输出端，快速讲一遍整个 Retrieval 在线流程。
- 追问：基于规则的（渠道 / 场景）识别机制你是怎么做的？
BM25 具体怎么检索的？这个原理你清楚吗？
【场景题】作为后端开发工程师：知识库分片已经有了，上层要做混合检索，BM25 这一路要怎么入库？用什么数据库、什么方式存？
你现在是怎么用 AI 工具做实际业务开发的？这个流程讲一下。
你现在用的工具大概是什么？大概怎么用的？
AI 通过 PRD 生成了 TD（技术设计文档），再从 TD 做编码 —— 怎么保证 AI 做模块化设计时代码是对的、bug 比较少？
你了解 TDD 吗？实际 AI Coding 中有用到吗？
模型量化、KV Cache 这些你了解吗？用过吗？有业务场景吗？
后端服务要打 Docker 镜像：第一，如何让镜像打得更快？第二，如何让镜像尽可能小？实际过程中你会有哪些方式？
现在有一个模型推理服务，想上 K8s 做弹性调度，你大概会怎么上？用 K8s 的什么方式、什么组件？
你觉得 Function Calling 和 MCP 的区别是什么？
小厂 - 企业软件 - B - 技术面
业务分类：企业软件
面试轮次：技术面
请先做一个自我介绍。
你提到的支付侧排障助手是做什么的？它的工作原理和整体架构是什么？
这个排障助手主要用于生产环境，还是非生产环境？
它目前主要覆盖开发、测试阶段，是给内部研发和测试用的吗？
Agent 定位问题通常需要日志或数据库数据，你们的日志从哪里来，Agent 又是如何捞取日志的？
业务服务到日志平台之间的日志采集链路是什么？
你们的排障 Agent 是多 Agent 协同架构吗？能否详细介绍多 Agent 之间如何协调？
为什么要从单 Agent 拆成多 Agent？拆分主要解决了什么问题？
多 Agent 方案在解决上下文爆炸后，带来了哪些成本或副作用？
主 Agent 与子 Agent 之间具体怎么调用？主 Agent 是把子 Agent 当成工具调用，还是显式知道子 Agent 的存在？
子 Agent 是否知道其他子 Agent 的存在？不同子 Agent 之间是否直接协作？
你们的 RAG 主要对外提供服务，还是用于内部研发提效？
这两个 Agent 项目主要使用 LangGraph，还是也使用了 LangChain？
支付业务服务和 Agent 服务分别使用什么开发语言？
你是从 Java 后端转到 Python Agent 开发的吗？
为什么决定从 Java 支付后端转向 AI Agent 方向？
你了解 AgentScope 吗？是否做过相关调研或实践？
在 Agent 框架选型时，你们调研过哪些方案？为什么最终选择 LangChain/LangGraph？
你们的 Agent 项目主要采用哪一种范式，例如 ReAct、Workflow、Plan-and-Execute，还是其他范式？
Workflow 与 ReAct 在你们系统中分别承担什么职责？
你怎么看 Agent 的记忆系统？
短期记忆和长期记忆分别适合保存什么内容？
你们当前实现了短期记忆还是长期记忆？为什么没有实现另一类记忆？
随着多轮对话增加，上下文越来越长，你们如何管理短期记忆并避免上下文溢出？
触发上下文压缩的条件是什么？压缩时保留哪些内容，摘要哪些内容？
Tool、Function Calling 和 MCP 三者之间是什么关系？
Function Calling 的工具定义、模型决策、参数返回和实际执行流程是什么？
MCP 相比直接使用 Function Calling，主要解决了什么问题？
MCP 除了 Tools，还支持哪些能力或原语？
在不训练或微调模型的前提下，怎样让 Agent 越用越好用、越用越聪明？
面向小微商户店员或老板的 Agent，通用助手和用户自主构建的 Agent Studio 是否应该采用不同的进化方案？两者又有哪些共性？
如何把用户的高价值操作流程沉淀为可复用的 Skill，同时控制错误经验被固化的风险？
对多租户的小微商户 Agent，平台知识、商户知识和用户长期记忆应该如何隔离与组合？
长期记忆应该按用户、门店、商户、设备还是其他维度存储？
如何解决长期记忆 “不一定写、写得不一定对、写对了不一定能召回” 的问题？
同一门店的不同设备是否应该共享记忆？如何处理共享记忆与用户私有记忆的边界？
复杂 Agent 使用较强模型时，思考可能持续十几秒甚至几分钟，但商户等待超过十秒就会认为系统卡顿，你怎么看这个矛盾？
是否可以根据任务复杂度做动态模型路由？模型路由应该依据哪些信号？
当前链路需要经历 Agent 路由、Skill 选择、业务推理、商户信息查询和最终回答等约四轮模型调用，这种串行推理链路应该如何优化？
哪些步骤可以改成确定性路由、缓存、并行预取或合并推理，以减少真实端到端延迟？
SSE 流式输出、进度反馈和中间状态展示能解决真实计算延迟，还是只能缓解用户的等待焦虑？
当系统中的 Agent 越来越多时，继续使用 “一个主 Agent 管理多个子 Agent” 的架构是否合适？
如果要构建一个类似即时聊天群的空间，让用户和多个 Agent 在同一群聊中协作，整体架构应该如何设计？
用户在群聊中发出消息后，系统如何决定由哪个 Agent 响应？是否必须通过 @Agent 进行显式路由？
多个 Agent 之间应该采用任务移交、共享上下文、直接调用还是编排协调？
群聊空间中的共享上下文、Agent 私有上下文、权限、并发冲突和结果聚合应该如何处理？
用户是否可以单独与某个 Agent 对话？单聊和群聊的状态及记忆如何隔离？
你之前主要做 Java 后端，数据库访问框架通常使用什么，是 JPA、MyBatis 还是其他框架？
你有使用 JPA 的经验吗？
你们的系统从开发到上线的部署流程是什么？
系统分别部署在 K8s 和 VM 环境时，发布流程和灰度策略有什么差异？
如何实现不停机发布、白名单验证和流量灰度？
流量从 1% 逐步提升到 100% 时，如何判断是否可以进入下一阶段或需要回滚？
假设要做一个客服 Agent，用户提问后需要查询旧业务中的商户、商品、订单和历史日志，你会如何设计？
如果这些数据是实时业务数据，只存在于关系数据库或已有业务接口中，而不是知识文档或向量数据库，Agent 应该怎样访问？
对已有接口和没有接口、只能查库的旧系统，应该分别怎样封装工具？
一个系统可能有几十到上百个接口，多个系统累计有几百个工具；如果全部注入模型上下文，会产生哪些问题？
工具数量过多时，如何减少 Tool Schema 的 Token 消耗？
工具数量过多时，如何降低模型选错工具或出现决策困难的概率？
是否可以按照业务系统、领域或场景构建工具空间，先路由到工具空间，再选择具体工具？
工具空间路由之外，是否还需要工具注册中心、动态发现、语义检索、权限过滤和按需加载机制？
反问
团队当前已经落地了哪些 Agent 业务场景？除小微商户通用助手外，还有哪些垂直 Agent？
当前 Agent 产品最核心、最头疼的问题是什么？
长期记忆当前最大的困难更偏向写入、存储位置、召回，还是记忆内容正确性？
商户对响应时间的可接受范围是多少？团队当前主要关注首 Token 延迟，还是完整任务完成时间？
如果通过面试，这个岗位入职后主要负责什么工作？
入职后会优先负责智能音响 Agent、Agent 延迟优化、Agent 持续进化，还是人机协同系统？
团队不训练行业模型的情况下，希望通过应用层方案解决哪些原本依赖行业模型的问题？
人机协同方向当前处于方案设计、原型验证还是正式产品开发阶段？
JD
一、岗位描述
负责企业级自主智能体的全生命周期构建与持续进化搭建具备自主规划、记忆、工具联动、自我纠错能力的 Agent 系统，建立完整智能体进化闭环，持续提升复杂任务自主完成率、降低人工干预成本，支撑业务全流程自动化落地。
二、岗位职责
- 多 Agent 架构与编排：基于 AgentScope 框架参与多 Agent 协同流程的设计与落地，支持任务拆解、子 Agent 分工协作、结果聚合与决策闭环
2.Agent 记忆系统：参与短期 / 长期记忆系统的设计与实现，持续优化上下文管理、用户偏好承载等难题
- 工具与接口集成：负责 FunctionCalling 工具的开发与维护 (覆盖商品、订单等业务域)，对接内部 RESTfulAPI 及外部 MCP/A2A 协议
- 垂直业务 Agent 迭代：参与餐饮零售、智能硬件、经营分析等垂直领域 Agent 的功能开发与效果提升
- 效果调优与进化迭代：参与 Prompt 工程、幻觉与死循环抑制，规范工具返回契约与输出格式，推动 Agent 能力持续进化
- 评测体系搭建：搭建 Agent 能力评估体系与 Benchmark，量化迭代效果，关注准确率、延迟、成本等关键指标与线上监控
- 技术前沿跟踪：跟踪 Agent 技术前沿 (论文 / 开源项目)，将先进方法落地到产品中
三、任职要求
- 双一流院校、本科及以上学历，计算机、软件工程、人工智能等相关专业，5 年以上软件工程经验，3 年以上 AIAgent 研发经验
- 扎实的工程基础：熟练 Java (SpringBoot、虚拟线程、MyBatis/JPA)，熟悉至少一门其他语言 (Go/TypeScript/Python)
- 理解 Agent 核心组件原理：Prompt Engineering、Function Calling、RAG、长短期记忆、ReAct/Plan &Execute 等基本范式
- 熟悉 RESTfulAPI 设计与 SSE 流式通信，有对接第三方服务接口的经验
- 了解智能体协作与交互生态 (MCP/A2A 等协议)，有使用或对接经验
- 具备批判性思维，能将复杂问题转化为简洁、高效的实现方案
- 熟练使用 Claude Code / Cursor 等 AI 辅助编程工具
四、加分项
- 有 AgentScope 或 LangChain/LangGraph、AutoGen、Dify 等框架的实际落地经验
- 参与过企业级 Agent 平台或 SaaS 化 Agent (Skill/ Tool/Guardrail 规范体系) 的设计与实现
- 有餐饮零售、智能硬件、经营分析等垂直领域的 Agent 应用落地经验
- 有 Agent 效果闭环 (评测→调优→迭代) 的完整实战经验
- 有多模态 (图像 / 视频 / 语音) Agent 经验，或了解 AG-UI 等智能体交互标准
- 有 Coding Agent 等开源 / 商业 AI Agent 产品的深度使用或二次开发经验
- 有从 0 到 1 完整 Agent 项目落地经验 (原型验证到生产上线)
- 有 Docker/K8s 深度使用或运维经验
小厂 - 企业软件 - C - 技术面
业务分类：企业软件
面试轮次：技术面
面试日期：2026-08-07
请先做一下自我介绍，并尽量完整地介绍你的项目和工作经历。
你为什么离职？
离职以后，你在 Agent 方向做过哪些探索或个人项目？
你之前考虑过做面试模拟 Agent，这个项目具体是怎么设计和考虑的？
从离职到开始找工作的这段时间，你是怎么安排的？
请按每一年或每个阶段，介绍你在前司四年的成长、收获和职业发展。
非生产环境智能排障助手配置了哪些工具和工作环境？它的完整工作流程是什么？
Agent 如何理解数据库的数据模型、业务逻辑，以及当前被测试功能遇到的问题？
这个系统是完全采用 ReAct，还是由 LangGraph 的确定性流程和 ReAct Agent 共同组成？两者的边界是什么？
每个子 Agent 的 ReAct 最大步数通常设置为多少？为什么设置成这个数？
达到最大步数仍未找到根因时，系统如何结束、降级或向主 Agent 回传现场？
排障 Agent 会读取业务分支代码吗？如果不读取代码，如何判断问题的真正根因？
当前系统主要解决的是配置、环境、部署和中间件问题，还是也能识别代码 Bug？能力边界是什么？
你们如何调优排障 Agent，并评估它最终结果和各中间节点的表现？
ReAct 中间推理、工具调用或某个节点异常时，你们通过什么方式定位问题？
你们如何利用 Trace、状态快照或回放判断一次错误究竟来自模型、工具、路由还是上下文？
面对 100 多份业务文档，为什么采用 RAG，而不是 grep、关键词或普通模糊检索？
关键词检索、BM25、向量检索和混合检索分别适合什么场景？
与分层暴露上下文的 Skill 方案相比，RAG 有哪些缺点和边界？
RAG 如何处理精确 Token、错误码、接口路径和参数名召回不足的问题？
如何降低 RAG 的幻觉风险，并验证答案确实得到了检索证据支持？
你们如何评测 RAG？检索失败和模型生成失败如何归因？
设计一个成熟的 Coding Agent 时，工具体系应该如何设计？
Coding Agent 的权限审批、参数约束、错误反馈和工具调用结果应该如何设计？
Coding Agent 的上下文工程应该如何设计？
如果联网读取到一个约 1 MB、包含大量垃圾内容的网页，如何避免它直接挤占模型上下文？
工具返回结果应该在什么条件下截断、分页、摘要或外化到文件？
当上下文达到阈值时，应该如何进行压缩？哪些信息必须原样保留？
上下文压缩有哪些副作用？它为什么可能破坏 Prompt Cache 或 KV Cache 复用？
面对复杂任务，Planning 或 Write Todo 能力应该如何设计？
什么情况下计划应该保存在上下文中，什么情况下应该外化到文件或状态存储？
Agent 执行过程中出现新发现时，如何修改原计划并保证任务状态一致？
如果把 Todo 作为一个正式工具，它应该有哪些参数、状态、操作和返回结构？
Todo 工具是否需要 Token 上限？如果需要，限制的究竟是输入、输出还是任务数量？
你平时使用过哪些 Coding Agent？分别用它们完成过什么真实任务？
你是否了解 LangChain Deep Agents？它相对基础 ReAct Agent 增加了哪些能力？
如何理解 Agent Middleware？它能在哪些生命周期节点介入？
Middleware 可以承担哪些职责，例如重试、权限、日志、Guardrail、压缩或模型路由？
如何理解 LangGraph 中的 State？
State、Reducer、Checkpoint 和持久化分别解决什么问题？
你是否使用过 Claude Code 的 Effort 或 Auto 类模式？你如何理解动态子 Agent 工作流？
动态子 Agent 应该由谁创建、如何限定权限、如何回传结构化结果并避免失控？
你对企业软件 - C 的产品、目标用户和 Agent 业务有什么了解？
AI 找人产品和传统招聘、销售线索或达人数据库产品的差异是什么？
对于 “找人、筛选、调研、触达” 这种长链路 Agent，最大的工程难点是什么？
如果岗位主要负责 Agent 效果调优和业务开发，而不是纯后端开发，这是否符合你的预期？
你的支付后端经验如何迁移到批量找人、邮件触达、任务调度和 Agent 稳定性建设？
反问
如果一个人在互联网上留下的信息很少，系统是否可能找不到这个人，或者无法获得足够完整的画像？
在 AI 找人的业务场景中，Agent 当前最核心的痛点是什么？
如果这个岗位通过，主要工作职责、Agent 与后端工作的占比，以及可能负责的业务线分别是什么？
JD
【岗位职责】
1、理解业务，分析需求，参与公司系统后台服务端、APP 接口的设计、开发、优化与维护工作；
2、持续改进优化系统架构，适时重构系统，提升服务性能与用户体验；
【任职资格】
1、计算机本科及以上学历，1-3 年 Java 开发工作经验，具有良好的开发习惯；
2、熟练掌握目前主流的开源框架 (SpringBoot/MVC/MyBatis/Redis/MQ 等);
3、熟练掌握 MySQL 常用操作，有良好的 SQL 编码习惯；
4、扎实的 JAVA 基础；熟悉 web 前端技术能力；
5、具有解决问题的能力，有激情有责任心，能够抗压，良好的沟通能力和团队协作能力；
优先条件：有 SaaS 后台开发经验，RPA 开发经验，全栈技术优先；熟悉外语；具有团队管理经验。
小厂 - 企业软件 - C - 技术面
业务分类：企业软件
面试轮次：技术面
面试日期：2026-08-07
请简单做一下自我介绍。
在你做过的 Agent 项目中，能否选择一个你认为最困难或技术含量最高的部分展开介绍？
排障 Agent 早期为什么会出现上下文爆炸？
你们针对上下文爆炸做了哪些分层优化？
为什么把单 Agent 拆成多 Agent？多 Agent 除了隔离上下文，还解决了什么问题？
你们为什么使用 LangGraph 的 Send 做并行子 Agent 调用？它对整体 SLA 有什么帮助？
除了已经做过的项目，你还对哪些 AI 或技术方向感兴趣？
在本职工作之外，你平时会主动探索哪些技术或 AI 应用？
你对 AI 在运营、增长和营销领域有哪些了解？
能否介绍几个你了解的运营或增长营销案例？
你对这些案例了解到了什么程度，是否亲自尝试或落地过？
如果让你设计一个营销或渠道运营 Agent，你会如何拆解和实现？
能否进一步说明具体方法，而不只是概括为多个 Agent 协同？
在数据拉取、分析、选品、执行和效果反馈之间，你会如何设计完整业务链路？
你刚才介绍的营销 Agent 方案，是实际做过，还是只进行过方案层面的了解？
你从后端开发转向 Agent 开发时，最开始是怎么学习的？
遇到一个陌生 Agent 工程问题时，你通常如何从问题定位走到方案验证？
做了一段时间 Agent 开发后，你认为哪些技术变化可以让 Agent 能力进一步提升？
当一个 Agent 无论如何优化都遇到瓶颈时，你会如何判断它是工程问题、数据问题、业务问题还是模型能力边界？
判断出瓶颈以后，你会如何决定继续优化、调整方案、引入人工，还是接受当前技术边界？
如果问题确实来自模型，模型的哪些能力会影响 Agent 的最终表现？
新模型发布后，你会如何判断它是否适合替换当前 Agent 使用的模型？
公开 Benchmark 和内部业务评测分别应该承担什么作用？
你会关注哪些具体 Benchmark？为什么这些 Benchmark 与当前业务相关？
你是否看过这些 Benchmark 的具体数值？
你是否研究过这些 Benchmark 的任务设计、评测方式和指标原理？
你如何评价自己目前在 Agent 应用工程、效果优化和模型评测三个方向上的能力边界？
你为什么想离开原来的岗位并寻找新的机会？
原部门的发展方向与个人职业规划之间存在什么差异？
你对未来的工作机会有什么期望？
你选择新公司时最看重哪些因素？
你只考虑特定垂直行业，还是更看重 Agent 工作本身？
你更希望承担 Agent 功能开发、效果优化，还是两者之间的完整闭环？
反问
目前 DeepLink 和 AI 找人这两类 Agent 分别面临哪些主要痛点？
公司在构建这些 Agent 时主要使用哪些技术栈或工程方案？
如果加入公司，这个岗位通常会负责哪些工作？
Agent 功能开发和 Agent 效果优化是如何分工的？
岗位会固定负责某一条业务线，还是根据业务阶段动态分配？
JD
【岗位职责】
1、理解业务，分析需求，参与公司系统后台服务端、APP 接口的设计、开发、优化与维护工作；
2、持续改进优化系统架构，适时重构系统，提升服务性能与用户体验；
【任职资格】
1、计算机本科及以上学历，1-3 年 Java 开发工作经验，具有良好的开发习惯；
2、熟练掌握目前主流的开源框架 (SpringBoot/MVC/MyBatis/Redis/MQ 等);
3、熟练掌握 MySQL 常用操作，有良好的 SQL 编码习惯；
4、扎实的 JAVA 基础；熟悉 web 前端技术能力；
5、具有解决问题的能力，有激情有责任心，能够抗压，良好的沟通能力和团队协作能力；
优先条件：有 SaaS 后台开发经验，RPA 开发经验，全栈技术优先；熟悉外语；具有团队管理经验。
小厂 - 企业软件 - D - 技术面
业务分类：企业软件
面试轮次：技术面
请先做一下自我介绍，并介绍一下你过往的项目经历。
请挑一个 AI Agent 项目详细讲一下整体架构。
项目落地过程中遇到过什么典型工程问题？你们怎么解决？
如果按订单号查日志，日志量还是很大，你们具体怎么控制日志规模？
你们一开始的 ReAct Agent 是如何实现工具调用的？
模型输出 ReAct 协议不稳定时，你们怎么处理？
为什么不用原生 Function Calling？你们当时用的是什么模型？
为什么从 LangChain 高层 Agent 迁移到 LangGraph？
请重新梳理一下主 Agent 和子 Agent 的具体执行流程。
主 Agent 只是一个 Router，还是具备动态思考和继续排查能力？
如果用 Claude Code / Skill / SubAgent 的思路重新设计排障助手，你会怎么做？
Claude Code Skill 是怎么触发和加载的？
主 Agent 怎么知道有哪些 SubAgent 可以用？
Claude Code Skill 里的 reference、scripts/libs 分别有什么作用？
Skill 在文件结构上是怎么组织和被发现的？
Skill 的输入输出是什么？Skill 里的代码怎么执行？
你平时用过哪些 AI 编程工具？
Claude Code 中你常用哪些 Skill 或插件？
你有没有用过 Claude Code 最新版本的新特性？讲讲新特性主要有什么？
最近有没有关注 AI Agent / AI Coding 领域的前沿趋势？
反问
贵司目前知识产权 Agent 的产品方向是什么？产品形态更接近 IDE/TUI 还是 Web 工作台？
专利撰写 Agent 当前最大的技术瓶颈是什么？
小厂 - 健康医疗 - A - 技术面
业务分类：健康医疗
面试轮次：技术面
你现在是已经离职了吗？
你是因为什么原因离职的？
你在前司不是已经在做 Agent 相关工作了吗？为什么不能继续做下去？
你之前在前司的工作中，后端开发和 Agent 相关工作的占比分别是多少？
你们现在后端开发还是以手写代码为主吗？
你提到的 Spec 是指什么？是一个 Markdown 文档，还是其他形式？
你们的 Spec 是自己定义了一套规则和规范吗？
你们使用 Spec 指导 AI Coding，相比直接用 Prompt 生成代码，差别在哪？
你们有没有做过直接 Prompt 生成代码和 Spec 驱动生成代码之间的对比？
直接用 Prompt 生成代码会有哪些问题？
用 Spec 指导 AI Coding 的优势是什么？
你们团队在 AI Coding 中是如何沉淀规范和 SOP 的？
在 AI 辅助开发中，你认为如何约束 AI 生成代码比较重要？
你过往做过多年后端项目，有没有接触过线上环境的准备和发布？
你们后端项目的发布流程是怎样的？
在你的工作经验中，后端工程有哪些好的规范或最佳实践可以分享？
支付系统上线时，如何处理灰度发布？
你们的灰度发布具体是如何实现的？
你们是否有自研 SDK 来支持灰度发布？
为什么没有选择服务网格等方案，而是选择自研 SDK？
你们在线上发布时如何做到无损流量切换？
支付场景下，如何降低资损风险？
你们系统是否有容灾机制？
你们的异地双活或容灾机房是如何设计的？
日常情况下，容灾机房是否会承接真实流量？
你们是否会定期进行容灾切换？
容灾切换是演练性质，还是会进行真实流量切换？
容灾切换后，主机房和容灾机房的角色如何变化？
在系统设计中，你们是否会考虑降级、幂等、分布式容错等手段？
在系统架构设计上，你们有哪些好的规范？
你们支付渠道侧的系统职责是如何划分的？
主体业务逻辑和网关层是如何拆分的？
你提到的支付网关具体承担什么职责？
网关层主要负责哪些功能，例如流量分发、请求分发还是通信？
中台侧和支付渠道侧的职责边界是怎样的？
哪些逻辑会放在中台，哪些逻辑会放在渠道侧？
你们整体的系统架构大概是什么样的？
你们平时只负责后端，还是也会参与前端部分？
前后端之间是如何协作的？
你们如何定义前后端接口和数据交互方式？
在 AI Coding 或 Agent 开发场景下，你认为工程师最重要的能力或特质是什么？
你认为在使用 AI 进行开发时，哪些约束是必须提前明确的？
如何定义 AI 生成代码后的验证方式？
你认为 Prompt 沉淀为什么重要？
如果 Prompt 沉淀不好，会带来什么问题？
你在 AI Coding / Agent 工作流方面有哪些优势？
你之前是否主导或参与过相关工作流的调研与落地？
你能用一句话概括一下你们的非生产环境智能排障系统吗？
这个智能排障系统目前解决了哪些问题？
这个系统目前还不能解决哪些问题？
对于订单卡在处理中、中间件异常、环境配置异常等问题，系统是如何处理的？
为什么对账这类专业流程目前还不能解决？
如果要继续解决对账类问题，需要引入哪些能力？
为什么你们当时还没有引入知识库或 RAG？
你离职后，这个系统是否还交由其他同事继续维护？
你平时是否关注 AI / Agent 领域的最新技术动态？
你能分享一下最近 AI Agent 领域的发展趋势吗？
你如何看待从对话式 AI 到 Agent 交付式 AI 的变化？
你如何理解通用 Agent 的兴起？
你如何看待 Engineering Agent 的发展方向？
当模型能力趋同时，工程师的核心竞争力会变成什么？
你如何理解通过约束和流程来驾驭 AI？
你对 Agent Loop 或 AI 自动循环编码有什么理解？
OpenClaw / OpenCode 和 Hermes Agent 这类产品或理念之间有什么区别？
你认为 OpenClaw / OpenCode 更偏向什么类型的使用场景？
Hermes Agent 的核心特点是什么？
Hermes Agent 的自我迭代能力体现在哪里？
什么是 Skill 形式的任务沉淀？
OpenClaw / OpenCode 和 Hermes Agent 在任务可复用性上有什么差异？
它们各自适合什么样的场景？
哪些任务更适合用一次性通用 Agent？
哪些任务更适合用可沉淀、可迭代的专业 Agent？
你接下来的工作更倾向于什么方向？
你觉得什么样的工作是你比较满意的？
你是否偏好某个具体的 AI Agent 垂直领域？
你更看重工作内容、薪资还是公司氛围？
你如何定义一份工作是 Agent 相关的？
你认为 Agent 相关工作应该解决什么样的问题？
你如何看待通过 Agent 产出实际业务价值？
在非技术领域，你有哪些好的工作习惯或特质？
在团队合作中，你认为有哪些需要特别注意的地方？
你认为如何才能更好地和团队同事协作？
你如何和领导保持有效沟通？
为什么你认为工作留痕很重要？
反问
贵公司的主营业务是什么？
AI 在贵公司当前业务中主要承担什么角色？
小厂 - 出行物流 - A - 技术面
业务分类：出行物流
面试轮次：技术面
自我介绍
这个排障助手，主要应用在什么环境？
它的整体使用流程大概是什么样子的？
你在这个系统里主要做了哪些工作，或者说你负责哪个模块？
整体架构是你这边设计的，对吧？
你这个意图识别目前有多少个意图？
意图识别的模型用的是哪一个？
这个模型是私有化部署还是调 API？部署这块是谁负责？
在群聊或聊天场景下，用户多次 @机器人，这些 session 怎么切换和管理？
如果用户长期在群里提问，他所有会话都是同一个 session 吗？现在是怎么切分的？
如果用户一天问了很多问题，仍然算同一个 session，会有什么问题？
具体怎么检测阈值、怎么摘要、怎么裁剪？
模型返回的 token 字段有哪些？累计逻辑是什么？
摘要这一块，你是换一个模型做浓缩摘要，还是用一些策略手段做压缩？
第一层意图识别和下面各个 Agent、子 Agent 用的是同一个模型吗？
模型参数大小大概是什么情况？
是否了解 MoE？千问 3.5 是 MoE 模型，除了总参数外，激活参数你清楚吗？
现在一次 QA 或一轮排障的耗时大概是什么情况？
意图识别那块的 prompt 是你们自己写的吗？
如果一个 query 同时包含多个意图，比如既要查日志又有闲聊，你们怎么处理？
从代码层面看，你的意图识别是通过 prompt 硬控实现的，还是让它输出一个意图字段再去解析？
如果你约定输出 JSON，但模型没有按 JSON 输出，会对系统有什么影响？你们又是怎么保证结构化输出的？
如果抛开框架兜底，只用纯 REST 调模型，要让它结构化输出，你会怎么从 prompt 上降低异常输出概率？
如果它不是按 JSON 格式输出，系统怎么办？
你这个系统一次 query 最多会有几次模型调用？
你整个系统的准确率怎么统计？包括意图准确率和整个 query 的准确率，怎么评估？
评估集什么规模？一共多少个 case？
有没有用过一些 LLMOps 工具，比如 LangSmith 之类的？
第二个项目 RAG 这一块，你这边对于数据召回用了哪些策略？
反问
贵司目前部门这边在做什么相关内容？
目前做这块业务时比较大的瓶颈是什么？
假设面试过了的话，我这个岗位主要负责什么样的工作？
小厂 - 汽车软件 - A - 技术面
业务分类：汽车软件
面试轮次：技术面
请先做一下自我介绍。
你现在还在职吗？
这次离职换工作是什么原因？
后面是希望一直做 Agent 相关的开发吗？
Agent 开发涉及的东西很多，你具体想做哪一块？是模型相关的（调优、算法），还是偏应用层的？
选一个跟你想做的方向最贴近的项目，重点从技术层面讲一下你做了哪些事情，以及项目最终的情况。
这个排障助手既可以问答又可以排障是吧？
你这里面有个 ReAct Agent 是吧？它是做什么的？
ReAct Agent 的输出格式错误，你是怎么处理的？
- 追问：这个 parser 具体会做哪些修复？举个例子，有哪些语法问题、怎么修复的？
- 这里面有考虑过并发吗？
换问法：多个子 Agent 并发去查询的时候，你是怎么控制上下文长度这些的？
再换问法：从结果来看，整个排障助手里你的上下文治理是怎么做的？
（针对单 Agent 拆多 Agent 方案）成本大概能上升多少？这个有测过、有验证过吗？
上下文治理里，摘要提取出来会有关键信息丢失，你们是怎么处理的？
关键信息是怎么提取的？哪些会被识别成关键信息，有哪些提取特征？
现在整个排障助手在你们公司内的使用情况怎么样？面向什么角色？
你说 70% 可以自动闭环，这个是怎么估算出来的？
为什么没做自动修复？
追问：你说的成本比较高，是哪一方面的成本？
追问：有没有安全方面的考虑？
你自己平时开发有用 AI 吗？具体怎么用的？
你刚提到的这些 skill 是谁做的？是你们自己做的吗？
你们用 OpenSpec 主要用来做哪些方面？能具体讲一下吗？
编码除了基于 spec，还有用到哪些 skill 吗？
你觉得现在 AI 帮你做开发的比例大概占多少？
追问：这个 “有效” 是怎么定义的？
追问：你说的 90% 有没有包含后面的正确性、调试、功能逻辑验证？
这次换工作对工作地点有什么要求吗？成都能接受吗？
薪资待遇希望达到多少？之前是多少？
之前学习成绩怎么样？四六级过了吗？绩点多少？
想做 AI 应用开发，对行业 / 垂直领域有要求吗？
对我们公司有了解过吗？知道我们大概是做什么的、哪个领域的？
反问
- 部门最近在做什么垂直领域的 Agent？
JD
工作职责
- 主导 AI 在汽车软件中的应用与开发，负责汽车 AUTOSAR 开发流程的 AI 化改造，如相关 MCP、skills 的开发，将 Agent 能力深度植入需求分析、配置、调试等环节，交付能带来显著效率提升的突破性解决方案。
- 建立 Agent 开发过程的 “经验 - 解决方案” 知识闭环，主导团队知识沉淀体系建设，将关键决策、踩坑记录、调优经验转化为结构化知识资产 (知识卡片、决策树、最佳实践手册)，构建面向汽车软件的领域语料与样本库，组织技术复盘与知识迭代。
- 建立并维护 Agent 的全链路评测体系与可观测性，验证 AI 功能的落地有效性，持续优化 AI 输出质量。
- 跟踪 AI 领域前沿技术，结合业务需求进行技术预研与创新。
任职要求
- 本科及以上学历，计算机、软件，电子、自动化、汽车 / 航空航天等复杂装备研发相关专业，熟练掌握 Python 等 AI 开发常用语言；
- 三年以上工作经验，具备 AINative 思维与复杂系统构建能力，能基于模型能力边界进行任务拆解与流程编排，独立完成复杂 Agent 系统的架构设计与代码实现，对上下文工程有深入理解 (如上下文裁剪、结构化记忆、动态装配等)。
- 具备领域知识沉淀，AI 训练样本整理 / 清洗意识，能够将业务经验转化为 AI 能力资产；
- 掌握 Agent 评测与效果调优的系统性方法，能围绕业务目标构建评测集与指标，基于数据反馈持续优化 Agent 的任务成功率、准确率与稳定性。
- 有 AUTOSAR、汽车电子或嵌入式开发背景，或具备 AICoding 助手、系统需求工程等复杂 AI 系统成功落地经验者优先。
小厂 - 跨境电商 - A - 技术面
业务分类：跨境电商
面试轮次：技术面
面试日期：2026-08-06
请先做一下自我介绍。
你为什么在四月份主动从前司离职？
从四月份离职到现在，这段时间主要做了什么？
除了 Agent 项目，你还做过哪些传统项目？你所在的团队是否主要负责支付业务？
前司不是主要做物流的吗？公司内部还有哪些业务？
请介绍一下你负责的支付业务、上下游链路以及你的个人职责。
你们是在对接外部银行，还是你们本身就是一家银行？
所谓支付渠道，是别人通过渠道与你们交互，还是你们主动与外部渠道交互？
你现在是准备转做 Agent 吗？你后面做的项目主要是知识库和排障助手吗？
请介绍一下支付领域知识库助手的整体搭建方案。
元数据前置过滤和渠道隔离具体是怎么做的？
请介绍一下 Dense、BM25、RRF 和 reranker 组成的混合检索策略。
RRF 的 k 值设置为多少？
稠密检索和 BM25 两路召回分别设置了多少权重？
Rule-based 与 LLM-based 识别如何配合？这里是否也包含查询重写？
你怎么理解 “检索优化不等于答案优化”？
答案引用和来源溯源是怎么实现的？
这个知识库当前有哪些准确率或效果指标？
是否建立了持续提升知识库效果的机制？
如果用户第一次没有得到正确答案，后来通过其他方式找到了正确答案，系统如何把这个反馈纳入线上改进闭环？
ReAct 为什么容易出现流程失控？可以怎样治理？
智能排障助手 Agent 如何处理 ReAct 工具调用格式不稳定？这个项目主要使用了什么框架？
在 LangGraph/Agent 项目中，你如何通过链路追踪、Trace ID 等机制进行问题归因？
做 Agent 流式输出时，SSE 和 WebSocket 应该如何选择？
SSE 的断线重连和断点续传原理是什么？
请介绍一下 Plan-and-Execute 架构。
你如何理解 Loop Engineering 和 Graph Engineering？Loop 有什么问题，为什么要用图的方式进行编排？
Graph Engineering 与传统工作流有什么区别？
反问
你们团队主要在做哪些 Agent 业务场景？
这些 Agent 场景目前落地到了什么程度？核心难点是什么？
Agent 生成售后规则后，是自动执行，还是需要用户确认、人工审核或运行验证？
如果面试通过，这个岗位具体负责哪些工作？
JD
岗位职责
负责大语言模型智能 Agent 系统设计、开发与迭代，构建具备规划、工具调用、记忆、反思能力的自主智能体；
实现 Agent 核心能力模块：短期 / 长期记忆管理、任务拆解规划 (ReAct、Plan-and-Solve、CoT 等)、多轮自主推理、工具调用编排；
对接各类外部工具 API (数据库、检索系统、业务接口、RAG 知识库等)，搭建 Agent 工具生态，实现智能体自主调用工具完成复杂业务任务；
搭建多 Agent 协作框架，支持多个智能体分工、通信、协同完成复杂目标，实现角色分工、任务协商、结果汇总；
优化 Agent 执行链路，解决幻觉、任务发散、循环调用、输出不稳定等问题，设计评估指标，持续提升 Agent 任务完成率；
结合 RAG、FunctionCalling、AgentPrompt 工程、微调等技术，落地业务场景智能体应用 (办公自动化、业务流程处理、智能客服、数据分析 Agent 等);
参与 Agent 平台底座建设，封装可复用 Agent 组件、调度引擎、监控链路、调试可视化工具。
任职要求
基础要求
本科及以上学历，计算机、人工智能、软件工程等相关专业；
扎实 Python 开发能力，熟悉异步编程、FastAPI/Flask 等 Web 框架，熟练掌握 Git 工程化开发流程；
深入理解大模型基础能力，熟练使用 OpenAI / 通义千问 / 文心一言 / DeepSeek 等 LLMAPI，精通 FunctionCalling 机制。
核心技能
有 Agent 项目落地实战经验，熟悉主流 Agent 范式：ReAct、AutoGPT、LangGraph、LlamaIndex、AutoGen、CrewAI 等框架优先；
掌握 Agent 核心技术：记忆机制、任务规划、自省反思、多智能体协作、Prompt 工程、Few-shot/CoT 提示词优化；
了解向量数据库与 RAG 技术 (Chroma、FAISS、Milvus、Qdrant)，能够结合检索增强提升 Agent 事实准确性；
具备系统思维，能够独立完成 Agent 架构设计，理清任务调度、状态管理、上下文生命周期；
具备问题排查能力，能够定位 Agent 推理失效、工具调用异常、上下文溢出、幻觉等常见问题并优化。
小厂 - 跨境电商 - B - 技术面
业务分类：跨境电商
面试轮次：技术面
面试日期：2026-07-21
简单做个自我介绍。
（确认人在深圳后）你后面的职业规划是怎么样的？
你之前做的支付里，哪些核心的部分是你做的？哪些有挑战的？详细说一下。
你们对接了几家支付渠道，如果一个渠道有问题：首先怎么感知到它有问题？然后怎么自动切换或降级？
- 追问：监控里有时候会有抖动，你怎么定义它 “有问题”？比如只是一次网络超时算有问题吗？要达到多少次数、什么情况才需要切换？
支付的时候渠道没有给你返回，但用户重试去支付，怎么办？
让你去调研一个新的市场接入支付，让你自己去找服务商，你会对比、考虑他的哪些方面？
- 小公司做新站点新国家时，前期调研就是开发自己做的，站在你开发的角度、以你的经验，你会倾向于考虑哪些？
你们支付会有组合支付的方式吗？（澄清后：指 APP 里的钱包 / 余额和银行卡的组合支付）
提单页面里的交互是你负责开发吗？你的工作边界到哪一部分？
灰度的话，你怎么保证同一个用户稳定落在同一个版本？
追问：灰度标识怎么传递？
追问：线程池里、MQ 里，全链路需要透传吗？
双活在网络分区的时候，怎么防止重复支付？（用户已支付但系统没感知到，又重试了一次 —— 怎么保证数据一致性？）
25 年开始做 Agent 开发，是公司调整吗？→ 业务开发和 Agent 开发的精力是怎么分配的？
介绍一下排障助手这个 Agent 项目。
这个东西现在在生产上使用过吗？是个人使用还是给团队使用？
你这里面会涉及到写操作，Agent 的写操作怎么控制安全性？
- 追问：没有写操作吗？我看你简历不是写了配置变更这些？
你之前写的那些工具，会有权限之类的控制吗？
你们怎么评测（这个 Agent）？
Agent 如何判断它已经找到了问题的根因，而不只是找到一个现象、或者一个相关的异常？
你这里写的上下文从 128K 平均压到 60K，主要压了哪些东西？
你们压缩的结果，如果格式看着是正确的、但内容是错误的，怎么去发现？
RAG 项目主要用在什么场景？什么业务方会用这个助手？
知识库是谁去维护？是你一个人维护吗？（团队怎么分工？）
知识库助手查出来的答案，你怎么评测它的置信度？
文档更新之后，怎么防止旧的知识被继续引用？
不同团队之间，文档会有权限的隔离吗？
让你用 AI Coding 完成一个需求：“支付成功后返一张券”，没有 PRD，业务就给你这一句话。你会给 AI 什么样的输入？大概几轮对话？怎么和它沟通完成这个需求？
AI 给你开发完之后，你怎么验证？怎么放心地去发布？你平时一般怎么做？
JD
职位描述：
我们是一个专注于全球时尚零售的创新型技术团队，致力于通过 AI 技术重塑电商购物体验。随着 AI 技术的快速发展，我们正在寻找优秀的 AIAgent 工程师加入，共同构建下一代电商智能系统，一起在 AI 驱动的电商革命中创造历史！
- 创新探索：研究 AI 在电商领域的创新场景与商业价值，将 AI 能力融入现有业务系统。
- 系统开发：负责 AIAgent 系统架构设计、核心模块开发与落地实现。
- 跨团队协作：与产品、业务团队紧密配合，理解业务逻辑并快速实现技术方案。
- 技术前瞻：持续关注大模型、Agent 框架、工具生态的最新进展，推动团队技术栈升级。
职位要求：
- 编程能力：精通 Java/Python/Go/Ruby 至少一种编程语言，具备扎实的软件工程与系统设计能力。
- AIAgent 开发经验：理解 AIAgent 的核心概念、架构模式及技术生态。
- 大模型应用能力：具备基于大语言模型 (LLM) 的应用开发经验，熟悉 LangChain、LangGraph、LlamaIndex 等主流框架。
- AI 技术理解：理解 Transformer 架构与主流大模型技术栈，掌握 PromptEngineering、RAG 等关键应用技术。
- 数据处理：有数据清洗、特征工程等相关经验。
- 软技能：具备良好的沟通与协作能力、产品思维与创新意识，对技术充满热情。
- 教育背景：本科及以上学历，计算机科学、人工智能、软件工程或相关专业。
- 工作经验：具备 1 年以上的工作经验。
加分项
- 有电商平台相关 AI 产品研发经验者优先。
- 有多 Agent 系统开发或从 0 到 1 落地经验。
小厂 - 酒店服务 - A - 技术面
业务分类：酒店服务
面试轮次：技术面
请简单介绍一下自己
排障助手如何获得信息，又如何完成排查？
这些 MCP 是什么系统的？由谁开发？
MCP 是怎样从零开始搭建的？
请完整介绍排障助手架构
普通问答和排障请求之间是否存在路由？
排障过程是 ReAct、Planner 还是固定工作流？
某个子 Agent 失败后如何处理？
如何避免失败的子 Agent 一直卡住 Supervisor 主流程？
项目使用什么语言和框架？
LangGraph 中设计了多少种任务状态？
Agent State 使用 TypedDict 还是 dataclass？
是否实现 Checkpoint？失败后能否从检查点继续？
项目为什么做了四个月？复杂度在哪里？
项目团队有多少人？
请介绍 RAG 项目的业务背景和完整链路
RAG 使用几路召回？
Dense 和 BM25 的权重如何设置？为什么？
是否有文档级权限控制？
如何分析 RAG Bad Case？
为什么使用 metadata pre-filter 和 channel isolation？
metadata filter 在哪一层执行？
RRF 的参数设置是多少？是否调过？
如何实现答案引用和文档溯源？
RAGAS 有哪些指标？Faithfulness 如何计算？
Milvus 有哪些索引？项目实际使用什么向量数据库？
如何理解 “检索优化不等于答案优化”？
Top 5 已经命中正确文档，但答案仍然错误，如何定位？
请介绍 Transformer 的整体流程
Self-Attention 的复杂度是多少？
神经网络并不是新技术，为什么近几年 AI 才爆发？
当前是在职还是离职？为什么离职？
当前是否仍在深圳？
反问
当前主要做什么类型的垂直 Agent？
AI 基建是否包含模型部署？
团队是否已有 Agent 应用？
当前 Agent 项目的核心痛点是什么？ （这里最好笑的是对方回答没有）
JD
主要职责：
1、负责业务需求分析，进行服务端功能模块的设计、开发和迭代。
2、编写高质量、可维护、高性能代码，确保系统稳定可靠。
3、参与系统架构设计、技术选型与性能优化，保障系统扩展性与可用性。
4、编写技术文档，并与前端、测试、产品等团队成员高效协作。
5、开发系统接口，实现 AI 模块与业务系统集成。
6、跟踪前沿 AI 技术，评估并应用新算法和工具。
任职要求：
- 精通 LangGraph 实现多 Agent、Planner-Executor 编排、状态管理、工具调用与异常处理；熟练 LangChain 组件，了解 LlamaIndex
- 独立搭建 RAG 全链路：脏文档清洗标准化、语义分片、检索重排、知识库迭代、回答溯源，擅长弱数据源幻觉治理
- 可梳理结构化知识体系，搭建 Agent 量化评估体系，管控调用时延与成本等
- 主力开发语言熟练使用 Python，基于 Python 完成 Agent、RAG 整套工程落地开发
小厂 - 金融投资 - A - 技术面
业务分类：金融投资
面试轮次：技术面
请先做一个自我介绍。
你现在还在前司吗？
支付领域知识库助手大概做了三个月，这个项目几个人做？你主要负责哪一块？
从原始文档到用户提问，再到模型回答，中间主要做了哪些处理？
不同格式文档的清洗逻辑是什么？你们是怎么决策的？
简历里写 wrong channel rate 从 15% 降到 0%，这个指标是怎么定义的？
这个渠道判断是人工标注的吗？评估脚本怎么判断？
Hybrid Search、BM25、RRF 这条链路可以展开讲一下吗？
从用户发起问题到回答，总耗时大概是多少？每个环节耗时分别是多少？
parent-child chunk 方案可以展开讲一下吗？怎么实现？
最终线上召回多少条喂给大模型？
你提到 retrieval miss 和 LLM miss 指标，出现 miss 时怎么判断是检索的问题还是生成的问题？
整个知识库项目用什么框架？每个环节用哪些模型？
非生产环境智能排障助手是几个人做？你负责什么？
从一个问题发生，到使用助手排查出来，中间大概流程是什么？
定制化 Qwen 的 output parser 和 LangGraph 分别做了什么改动？
你简历里写提示词工程，在这两个项目里有什么体现？
向量搜索里的 HNSW 算法可以简单介绍一下吗？
假设线上单个服务响应变慢，你会如何定位？
你提到分布式锁和幂等保证一致性，具体是怎么实现的？
回顾这两个项目，你觉得有哪些可以改进的地方？
工作过程中有没有比较深刻的问题？你是怎么解决的？
工作过程中个人是否使用大模型？有什么经验？
你用的大模型或 AI Coding 工具是哪些？
你对我司有什么了解？
你目前换工作的原因，是想找 Agent 在业务应用领域更垂直、更可落地的场景吗？
上一家公司 / 部门有哪些阻塞点，导致你觉得和职业规划不匹配？
为什么选择裸辞，而不是找到下一份工作再离职？
目前找工作进度如何？有哪些机会？
我司在上海，你现在在深圳，城市选择怎么考虑？
你坚定选择 Agent + 业务融合方向，你觉得自己有哪些优势？哪些方面需要提升？
你会通过哪些方法持续学习模型和 AI 前沿？
你对投资理财、证券、基金等金融板块有什么接触和了解？
如果来我们行业方向，哪些业务模块会比较感兴趣？
反问
目前金融投资 - A 做的 Agent 主要是哪方面垂直领域？
以智能投顾为例，证券垂直 Agent 当前最大的瓶颈是什么？
小厂 - 金融投资 - B - 技术面
业务分类：金融投资
面试轮次：技术面
先做个自我介绍吧。
你刚才说的 Agent / RAG，主要是帮助公司内部做一些规范类知识问答吗？
当时 RAG 已经比较成熟了，为什么还要自己做一套？比如飞书文档、谷歌文档相关产品，或者用 Dify / Coze 很快就能搭一个，为什么自研？
你是从 2025 年 7 月开始做大模型 Agent 相关开发的，那之前主要做什么？
你们是对接多个支付渠道，然后做成一个类似支付中台的东西吗？
对账和清结算这块你们也会涉及吗？
你是怎么从支付后端研发转到大模型 Agent 相关项目的？是内部申请转岗吗？
这个项目是公司级大家一起参与的项目吗？
智能排障助手 Agent 是不是要分析代码？
能举一个已经落地的例子吗？
这个项目中你觉得最难的部分是什么？
日志上下文过大的问题你们怎么优化？
你们是怎么查日志的？用 MCP 吗？
有没有遇到日志数据不够，需要让其他部门补日志的情况？
如果现在重新做这个项目，你觉得还可以怎么优化？
你有自学过 Transformer 相关内容吗？
除了 Transformer，RNN 有了解过吗？
能简单讲一下 Attention / 自注意力机制吗？不用公式，用思路解释就行。
为什么 Self-Attention 要做 Multi-Head，多头注意力的作用是什么？
你学这些内容是公司培训，还是自己学的？
你在项目中写了 “构建评估并实现三层评估体系”，这个三层评估体系能展开介绍一下吗？
RAG 项目前置会有类似意图识别的能力吗？
意图识别这块是怎么设计的？
你刚才提到置信度，这个置信度是怎么计算的？
你们项目里面用了哪些模型？应该不止一个吧？
为什么选择 BGE-M3 作为 Embedding 模型？
为什么你们没有选择参数量更大的模型？尤其 Agent 项目也用了相对较小的模型。
这块你们有做实际对比评测吗？
做这两个项目时，参与团队大概有多少人？
可以理解为这两个项目基本都是你自己一个人完成的吗？
你现在已经离职了是吧？方便介绍一下原因吗？
听过 Prompt Engineering、Context Engineering、Agent Engineering 吗？你觉得这三个有什么区别？
你做这两个项目以及之前后端项目时，会用 AI 编程工具吗？
对于 AI 编程工具来说，是工具本身的工程环境更重要，还是背后的模型更重要？
反问
你们这边也是金融方向、基金方向的吗？
可以介绍一下主要面向什么工作场景吗？
所以本质上也是做一定程度的人力提效，对吗？
你们这边技术栈大概是什么？