最近在准备和整理 AI Agent 方向的面试内容，顺手看了不少开源教程。其中 Datawhale 的 Hello-Agents 很适合做系统入门。它的定位是《从零开始构建智能体》，内容覆盖智能体基础、ReAct、Plan-and-Solve、低代码平台、Agent 框架、Memory、RAG、上下文工程、MCP/A2A、Agentic RL、评估和综合案例。如果你是第一次系统学 Agent，Hello-Agents 这种路线很完整，适合从概念到代码慢慢补。但我在准备面试时发现，另一个问题更迫切：系统学过 Agent，不等于能在面试里讲清楚 Agent 工程。面试官不会只问你「ReAct 是什...

上周组里招人，我面了六个候选人，回来跟同事吃饭的时候聊起一个让我挺感慨的现象。前三个候选人，算法题写得都不错。第一道二分查找，五分钟之内给出解法，边界条件也处理得干净。第二道动态规划，状态转移方程写对了，空间复杂度也优化了一版。我翻他们的简历，力扣刷题量都在300以上。后三个呢，就有点参差不齐了。有的边界条件没处理好，有的直接说这道题没刷过能不能换个思路讲讲。其中有一个女生，我印象特别深——她拿到题之后没有马上写，而是先问我：“面试官，我能先跟你确认一下我对题目的理解吗？”然后她把自己的思路讲了一遍，虽然最后代码写得不是最优解，但整个沟通过程非常顺畅。这个女生的代码不是最优的，但当我问她“如果这里是线上环境，你会怎么设计’的时候，她给我讲了一套完整的方案——异常怎么处理、日志怎么打、怎么平滑发布。她对这是之前在实习的时候踩过的坑。”我在想LeetCode到底在筛选什么？我自己的经历可能有点代表性。我当年校招的时候，也是刷了三百多道题才敢去面试。那时候大家都刷，你不刷就过不了笔试关。后来工作了，前三年基本没再打开过力扣。真正干活的时候，没人让你写反转链表，也没人让你手撕红黑树。更多的是：这个接口为什么慢了、那个服务为什么OOM了、线上数据对不上了得排查一下。所以后来我当面试官，慢慢调整了自己的评判标准。算法题我还会出，但目的变了。我出算法题，不是想看你能不能背出最优解。而是想看你拿到一个陌生问题的时候，是怎么思考的。你会先理清题意吗？你会主动问边界条件吗？你想不出来的时候会怎么办？你写出来的代码，变量命名乱不乱、结构清不清楚？这些才是工作中真正用得到的能力。LeetCode是一个工具，不是目的。它帮你熟悉数据结构和常见算法思路，这没问题。但如果你刷了三百道题，却说不清楚自己的项目解决了什么问题、遇到了什么困难、你是怎么解决的，那这三百道题可能真的白刷了。所以还要不要刷LeetCode？要刷，但别只刷题。刷题的时候，多问自己几个为什么：为什么用这个数据结构？为什么这个解法比那个好？如果换个条件，解法还成立吗？把刷题当成锻炼思维的方式，而不是背答案的任务。毕竟面试官想看到的，从来不是一台背题机器，而是一个能解决问题的人。

把最近两个月听到、看到几个事，分享给大家：湖南长沙某个给政府驻场开发的项目中，全是古法编程、纯手工CRUD，一个在那里的实习了几个月的小朋友担心自己再干去会找不到工作。国内某家股份制商行、三大运营商某研究院，日常开发都还是在对话式阶段，把模块需求描述给AI，再把AI给出的代码粘到工程中，最先的AI工具不让用，国外工具更是免谈，虽有国企的稳定不卷，员工却担心自己被温水煮青蛙，彻底失去竞争力。西安一个朋友的公司每月多花几万块钱采购Token，虽然是笔不小的费用，但营收端这两年接到的AI项目越来越多，成本端过去30多人的研发团队现在只需要十几个了，多出来的人要么去跑客户、要么去搞新产品研发、要么就走...