AI求职实录

某大厂面试官：其实你简历上写的这些东西，其实我们都不感兴趣😅。某次反问环节，当我问到面试官“您对这个岗位的应聘者有什么期待？”，他沉默一会，叹了口气，开始了长达十分钟的输出——（以下是省流版）1.大厂看重面试者的潜力，而不只是经历匹配度。所谓“高潜人才”，必须要多进行思考，比如，这个任务的困难是什么，怎么做更好？为什么？大多数面试者问完面试官负责的业务之后就开始提下一个问题，其实你完全可以针对这个业务谈谈自己的理解，“我认为这个任务可以用xx方法去做”“这个业务的痛点是不是xxx？”，哪怕你的说法完全是错误的，面试官也能看到你的态度。2.自我介绍的时候，也要体现对公司的思考。面试之前，去查一...

想写这个很久了，因为自己在开源和实习中也接触过一些 ai 的工程化内容，对这一块也有一些自己的思考，这个路线图说是 AI 应用开发全景路线图，其实我是想写从 maas 平台到 AI infra 的整个模型工程化的全链路的知识，但是笔力有限，第一版应该先聚焦于平台和应用开发。学识尚浅，也欢迎各位牛友一起交流，探讨，完善阅读建议：每个模块开始是我的一点思考和收集的信息，后面就是学习建议和资料（主要是开源项目+文档，视频资源如果有比较不错的也会放上去），有些技术可能没有好的教程，后续会陆陆续续的出文章+ demo 和大家交流一，AI 应用开发到底是什么概述AI 应用开发这个字眼从 gpt 刚开始火的...

此文章不讨论技术深度，不纠结任何底层 旨在给到大家快速找到一段实习的最低要求1.直接学习python，不学java，虽然语言可能在之后不成问题，但是对于初学者，还是直接来python！！！！看到爬虫之前即可2.数据库 作为一名本质上是后端开发的工程师，怎么能不会数据库呢 这里推荐MYSQL 看完基础篇即可3.如何支撑起一个后端服务，这里推荐FastAPI，也是可以直接看黑马的视频4.两板斧Agent，RAG如果学到这里 我认为再写两个项目 就可以去找一段实习 在入职前可以再学学git，当然，这里只是最低要求建议以下的地方做强化后端方面：redis，消息队列的使用 需要会以及下面的一些深挖点5....

最近在学习Agent项目时，踩了很多坑，也有了很多体会，以下是笔者的一些见解。第一，必须具备完整的工程后端体系很多 AI 项目在实现时只关注 Prompt、工具调用或者 Agent 流程，但却忽略了系统工程本身。然而在企业环境中，AI Agent 本质上仍然是一个应用系统，它需要具备完整的后端架构，包括 API 服务层、数据库设计、会话管理、日志系统、错误处理，完善的兜底机制以及高并发处理能力等。如果一个项目只展示模型能力而忽略系统工程能力，那么在面试官眼里往往会被认为只是一个 Demo，而不是一个可以上线的产品级系统。第二，不能只是简单调用框架，而应该具备真正的 Agent 系统能力现在很多...

接上篇 https://www.nowcoder.com/discuss/847995166416703488?sourceSSR=users还缺少了平台和中间件的部分没有和大家交流，这一篇补充一下平台&&中间件和 AI 相关的平台主要就是 Maas 平台和机器学习平台，Maas 平台，大家最熟悉的就是阿里云百炼，用于模型部署，模型微调，并且整合知识库，Agent平台的综合平台AI 中间件主要包括 AgentRuntime，AI 网关 等等资料推荐：首先是平台侧，对于大模型的工程化平台，开源的，我是最推荐 langfuse 的https://github.com/langfuse/langfuselangfuse 是 langsmith 的开源平替，包含可观测，评估，提示词管理，数据集管理等主流功能机器学习平台就比较复杂了，这个主要是各个公司的内部平台，用于算法同学快速迭代的，所以开源的资料比较有限，但我也找到合适的可以学习的https://github.com/kubeflow/kubeflow目前最主流的 MLops 工程包，很多机器学习平台的核心功能都是通过这个的组件编排实现的，通过学习这个，就可以逐步理解机器学习平台的核心功能此外还需要补充，k8s 和云原生相关的技术栈，用于优化模型的部署和调度。此外还要学习 Ray 这个不可或缺的分布式框架https://github.com/ray-project/ray然后是中间件这边AgentRuntime智能体沙箱，用于安全，快速，高效的运行智能体应用，并且和 k8s ，serverless 等相关技术结合，实现毫秒启动和动态扩缩容开源可以看看火山的子项目https://github.com/volcano-sh/agentcubeAI 网关只推荐阿里的开源 AI 网关 HIgresshttps://github.com/alibaba/higressAI网关除了一般网关的功能之外，还要支持，mcp托管，http无缝转mcp，模型路由等等，higress通过一个巧妙的插件系统接入了这些，并且还保留了大流量网关需要的核心功能（这个项目的语义化检索mcp插件是我写的，感兴趣的牛友可以看看）上面的这些，基本就把我认知中设计 AI 的开发岗位都讲的差不多了，其他评测平台和数据 pipline 搭建的，基本都是比较常规的技术栈，不太需要单独讲，比较喜欢鸡架的同学可以冲这些岗位。后面的系列规划：1. 从 0 - 1 实现一个 Agent 框架（教程 + 源码）可以写到简历上面的2. 一些有意思的项目推荐，目前已经想好了两个，后面发一下3. 自己的一些踩坑记录（比如后面暑期继续找垂直实习踩的坑）

在当前开源项目极为丰富的背景下，付费资源并不一定意味着最前沿的技术优势，在具体执行层面展示出自己的独特价值，才是简历上最重要的加分项。1. WebMCP — 让网站主动告诉 AI 该怎么操作AI 操作浏览器的方案一直靠"猜"——截图识别、DOM 解析，错误率 15-30%。WebMCP 反过来，让网站自己声明能做什么，AI 直接调用结构化接口，准确率接近 100%。Chrome Canary 已实装。企业内部系统的 WebMCP 适配目前几乎没人做，是明确的蓝海。推荐理由：简历上写的不是"我会用某个框架"，而是"我在标准刚发布时就做了企业适配&...

1.问AI项目是企业的嘛，还是自己搞着玩的2.在一次http请求中涉及的协议栈都有哪些3.输入域名会发生什么4.ARP协议介绍5.http常用方法介绍，优缺点6.抓包是什么原理，为什么可以抓包7.介绍CAS8.java的线程池核心参数有哪些，介绍9.你一般会采用什么样的类型的线程池，什么情景会用10.拒绝策略介绍，他们的优缺点11.介绍hashmap的扩容机制12.为什么是翻倍扩容13，为什么翻两倍，三倍，四倍不行嘛14，你提到的方法还有没有代替方案15，什么是token16.token怎么来的，怎么识别token，怎么划分token17.介绍mcp18，不同mcp工具的共同点，为什么叫MCP19.你提到的AI自动审核代码，怎么样自动审核，那些规则审核20.AI审核代码具体流程是什么21.什么样的提示词能使得更加准确的审核代码23.手撕二叉树路径和反问业务，几点上下班大部分都答上来了，太深层的回答一般，感觉春招HC很少，竞争激烈，随缘把

很多同学跟我说，AI 出来之后感觉面试变难了，岗位也少了。这种焦虑我理解，但说句实话，好和坏是共存的——关键看你能不能用好 AI，把它变成自己的杠杆。接下来我从几个方面聊聊，校招生在实习和春秋招的时候，怎么借助 AI 在面试中展现出不一样的一面。氛围编程说到 Vibe Coding，对应届生来说真是一个巨大的红利窗口。能展开的太多了，这里先说三个最实用的场景。1. 代码优化大家学习开源项目的时候，一定要带着审视的眼光去看，而不是照着敲一遍就完事了。现在你完全可以把一段代码丢给 AI（比如 Codex、Claude Code），问它：这个功能实现有没有什么不足？请结合实际案例说明。AI 分析出来...

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。

小红书|字节|京东|快手|拼多多|滴滴|得物|携程等前端面试AI频繁题目1. SSE 与 WebSocket 区别- 通信方向：SSE 是服务端单向推送给客户端，WebSocket 是双向全双工- 协议：SSE 基于 HTTP，WebSocket 是独立的 ws/wss 协议- 数据类型：SSE 只支持文本，WebSocket 支持文本和二进制- 重连：SSE 浏览器自带自动重连，WebSocket 需要自己写心跳和重连- 使用成本：SSE 非常简单，前端用 EventSource 就行；WebSocket 需要服务端支持协议升级- 适用场景：SSE 适合通知、日志流、AI 流式输出；WebSocket 适合聊天、游戏、协同编辑、直播简单理解：SSE：客户端连上去，服务器一直发消息过来WebSocket：客户端和服务器随时可以互相发消息---2. 对 AI 基本概念了解：RAG、Agent、FunctionCall、MCP、Skills- RAG：先检索外部资料，再让模型回答，用来解决模型瞎编、知识过时的问题- Agent：能自己思考、做计划、调用工具、一步步完成任务的智能体- FunctionCall：模型调用外部接口或函数的标准方式，比如查天气、查数据库- MCP：模型和外部系统、工具之间通信的统一协议，方便对接各种能力- Skills：把常用功能封装成可复用的技能，比如写代码、生成图表、总结文档它们的关系：用户提需求 → Agent 作为大脑 → 用 RAG 查资料、用 FunctionCall 调工具、用 Skills 执行能力 → 通信靠 MCP 协议---3. 个人 AI 技能了解（可直接背）- 了解大模型基本原理和提示词工程- 能基于 RAG 搭建私有知识库问答- 理解 Agent 工作流程，会使用 FunctionCall- 能做前端+AI 项目，比如对话界面、流式输出- 了解多 Agent 协作和常用框架- 能独立完成需求拆解、AI 方案设计与落地---4. 了解主流模型有哪些及各自特点、应用场景国际模型：- GPT-4o：综合能力最强，多模态好，代码、推理都很强- Gemini：谷歌多模态，图片、视频理解能力突出- Claude：擅长超长文本，安全性、合规性好- Llama：开源模型，可以本地部署、二次开发国内模型：- 文心一言：中文理解好，知识覆盖全面- 通义千问：阿里生态，适合电商、客服、业务系统- 讯飞星火：语音能力强，教育、医疗场景多- Kimi：超长上下文，适合读文档、总结资料---5. 用了什么 IDE 以及对比- VS Code：生态最丰富、轻量、插件多，日常开发主力- WebStorm：智能提示、代码重构强，适合大型项目和团队- Cursor：AI 原生编辑器，代码生成、对话一体，AI 开发首选- Zed：启动快、操作流畅，追求高效编码可以用总结：日常用 VS Code，AI 开发用 Cursor，大型项目用 WebStorm。---6. 多 Agent 有了解吗多 Agent 就是多个智能体分工合作，像一个团队一起完成复杂任务。- 分工：有的负责规划，有的负责搜索，有的负责写代码，有的负责测试- 通信：智能体之间可以传递信息、对齐目标- 优点：复杂任务更稳定、逻辑更清晰、更容易维护- 常用框架：AutoGen、CrewAI、LangGraph简单流程：用户提需求 → 主管 Agent 分配任务 → 各个智能体分别执行 → 汇总结果返回给用户---7. AI 在实习部门中应用场景- 智能客服、内部问答：用 RAG + 对话界面- 代码生成、自动补全、代码解释：用 Cursor、Copilot 这类工具- 需求文档、接口文档自动生成与总结- 前端页面自动生成：根据描述或草图生成代码- 数据可视化、报表自动生成：自然语言转图表- 测试用例、测试脚本自动生成---8. Agent 底层原理：ReAct、Transformer 了解ReAct：- 就是推理 + 行动- 流程：先思考要做什么 → 调用工具或执行动作 → 观察结果 → 再思考 → 直到完成任务- 是现在大多数智能体的核心逻辑Transformer：- 是现在所有大模型的基础架构- 核心是自注意力机制，能理解上下文、语义关联- 前端层面只要知道：它是模型用来理解语言、生成内容的底层结构---9. 现有需求如何用 AI 实现：拆解小需求、AI 规划、实现、测试，包含 /plan、/spec标准流程：1. 需求拆解：把大需求拆成小模块，明确每个模块做什么2. AI 规划 /plan：明确目标、执行步骤、输入输出、依赖项、时间安排3. 方案设计 /spec：确定接口、数据结构、页面逻辑、提示词、异常处理4. 实现：前端界面 + 模型调用 + RAG 或 FunctionCall 集成5. 测试：测试功能是否正常、有没有幻觉、流式输出是否稳定、异常情况是否处理6. 上线与优化：根据效果迭代提示词、流程、模型参数简单模板：/plan：目标 → 步骤 → 分工 → 时间/spec：接口 → 字段 → 页面 → 提示词 → 异常处理

一、Agent模块（秋招顶流！大厂会轮番追问）为什么做Agent项目？（结合岗位说，比如“想解决XX场景的效率问题，刚好贴合贵司AI落地方向，还能锻炼推理和工程能力”）讲下你的Agent项目？（必追问预警：难点咋解决的？踩过啥坑？落地有啥数据效果？别只说“做了啥”，重点说“解决了啥问题”）演示下Agent项目实现细节？（划重点：别只说“用了LangChain”，面试官要听具体的！比如核心代码逻辑、用的框架版本、部署时卡在哪了，怎么解决的）Agent开发框架咋选？LangChain/LLaMA Index/AutoGPT/Chroma，你为啥选这个？（避坑：别只吹优点，提一嘴框架的小缺点，再说说...

（git链接在评论区，内含简历模板和面试QA）说实话，我的学历背景并不算好。写这个项目的时候，我正在春招里挣扎，投了很多简历，也被拒了很多次。刚入门的时候走了不少弯路。看过很多付费课程和「项目实战」，花了钱也花了时间，最后发现大多数所谓的项目不过是把官方文档的 demo 包装了一下——CRUD 写完就结束了，没有权限体系，没有审批流，没有审计日志，更不会告诉你一个真正要上线的系统需要考虑什么。拿这样的项目去面试，面试官稍微追问两句就露馅了，因为你自己也说不清「为什么这么设计」。我不想再做这样的项目了。所以我选择了一条不一样的路：找一个技术上足够先进的开源项目，在它的基础上做企业级改造。选 Sk...

最近面试了不少AI大模型方向的候选人，自己也从业务面和HR面两个维度做了复盘很多同学在准备面试时，总是习惯站在“如何回答”的角度去背题，缺乏结构化的思维和表达但其实更有效的准备方式是：站在面试官的角度，理解他为什么这么问，他想考察什么，什么样的回答能让他眼前一亮第一部分：业务面试官 (简历深挖与场景题)这部分主要考察你对做过项目的深度理解，以及解决实际问题的能力，而不是只会调用API。模块一：项目深挖（SD与RAG）问题1： SD项目中的提示词是如何编写的？（考察Prompt Engineering基本功）考察点： 是玄学调参还是有方法论？有没有建立标准化流程？回答思路拆解： 不要只说“根据经...

一、Agent核心模块（秋招最热，几乎必问）1.为什么选择做Agent项目？（结合求职方向，突出你的核心价值，避免泛泛而谈）2.讲下你做的Agent项目，核心目标、技术难点、你负责的模块及落地效果（秋招必问，重点说“解决了什么问题”）3.演示Agent项目实现细节（重点说关键流程、核心代码逻辑，避免只说框架）4.Agent项目开发的核心框架有哪些？你用的是哪种？为什么不选其他框架？（LangChain/LLaMA Index/AutoGPT对比）5.了解市面上有哪些主流智能体（Agent）？各自的优势、应用场景及局限性（比如AutoGPT、ChatGPT Plugins、Meta AI Age...

很多同学，在有了一定工程基础之后，想顺应现在的潮流去学习 AI Agent 的开发，但是又苦于没有入手的项目，网上的教程要么又臭又长，要么就是在割韭菜，很难学到真东西。但其实很多开源项目的实现就能让我们学到非常多的东西了，如果让我推荐的话，我一定会推荐 langchain 官方的这个基于 langgraph 的 deepagents项目地址：https://github.com/langchain-ai/deepagents为什么推荐这个项目呢，先来看看这个项目的特点通过文件系统进行智能体记忆，保存上下文，这个也是最近比较火的 skills，openclaw，字节的上下文数据库 openVik...

最近组内在招实习生，同事哥是面试官，中午吃午饭的时候偶尔会聊到实习生的面试情况，简单和大家说下情况1.产品确实学历很卷收到的简历基本都是硕士起，如果说开发只有理工科生在卷，但产品是文+理+商的所有同学都在卷，基于对于名校学生自驱力的信任，因此团队内部会优先学历背景好的同学进行面试2.做没做过项目或是不是有真东西很明显可能很多同学简历写的很好，但实际上一问项目或者实习经历，说不清楚自己到底做了啥、收益影响，面试时说话也没有重点，建议大家提前针对自己的简历做一个面试稿，捋清楚自己做什么的----每件事的背后的价值和收益---对于业务能够做哪些赋能价值...3.面试官到底看重什么？AI产品是业务+技...

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，...

一、先搞懂：OpenClaw到底是什么？（面试必背）一句话总结：OpenClaw = 本地运行的AI执行代理（曾用名：ClawdBot → MoltBot → OpenClaw）核心就是：你说自然语言指令 → 它拆解任务 → 调用工具/接口 → 执行 → 用自然语言反馈结果。举个例子：你说“查一下传感器角度是否报警”，它不用你写一行代码，自动去调用接口、拿数据、判断结果，最后告诉你“当前角度95°，已触发报警”——这才是程序员要的AI工具！二、核心亮点：不止提效，更是面试加分项！✅ 本地优先：隐私+免费，双重安全感可直接部署在Windows 11本地，数据、记忆、执行全在自己电脑/服务器，不上...

腾讯 - 后端开发（暑期实习）3.13面试部门：QQ 面试时间：55min一、 自我介绍与背景简单做个自我介绍。作为后台开发，你目前最擅长的开发语言是什么？有没有用过 Go 或 Python？二、 Java 基础与 JVMJava 这种语言相比其他语言（如 C++、Go），你觉得它有什么优势和特点？ （感觉我上来就没回答好）对 Java 的垃圾收集（GC）有没有了解？谈谈判断条件和回收算法。刚才说的是算法，那么 Java 中比较成熟的垃圾收集器有哪些？在启动 Java 进程时，通常会配置哪些垃圾收集器（如 CMS 或 G1）？你配过吗？ 三、 并发编程（线程池）用过 Java 的线程池吗？讲讲...