xswl，阿里巴巴注册了个公司叫“京西”

AI 应用 / Agent 岗考察:Agent 框架 + 工具调用 + Prompt 工程 + 实际应用落地。增长最快的方向。   1、Agent / 工具调用  介绍一下 Agent 的核心组件  思路:LLM(规划+推理) + Memory(短/长期) + Tools(外部能力) + Planner + Executor + Reflection;关键区别是「循环执行」而非一次调用。   ReAct 的执行流程是什么  思路:Thought → Action(选工具+参数) → Observation(工具结果) → Thought 循环,直到 Final Answer 或达步数上限。  ...

很聪明很活泼的一个女孩，虽然每天干的大部分都是dritywork，但从来没抱怨过，每天乐呵呵的，帮我们在需求群里“骂”甲方需求(正职不太好骂)，经常吐槽校招的困难，看到她一边做毕设，一边找工作面试，一边又要兼顾实习忙的焦头烂额，每天顶着黑眼圈上班的样子，回想自己当年也是这样的，最后给了她一些建议，帮改了简历，希望她以后一切顺利！

这份简历的分量，放眼全世界应该没几个公司敢接还能接得住吧？

1. 自我介绍2. 为什么要通过微调模型来做代码生成？为什么不用纯 prompt 或 spec coding？答案：纯 prompt 和 spec coding 确实可以提升模型在单次任务上的表现，但它们更多是推理时约束，解决的是“让模型按要求做事”的问题。微调解决的是模型行为分布的问题，比如固定代码风格、内部框架 API 使用习惯、异常处理模式、日志规范、单测模板、目录结构约定，这些如果全部靠 prompt 塞进去，成本很高，也容易在长任务里被稀释。在缺陷修复 Agent 里，我选择微调不是为了让模型记住业务代码，而是让它学习稳定的工程动作：先读测试，再定位调用链，再改最小范围，再补回归测试...