CVTE AI Agent开发 一面

1、自我介绍

2、现场笔试：用 Trae 二十分钟写一个工具

我通常会先自己确定功能最小闭环，再用 AI 帮我补骨架代码、参数解析和异常处理，然后自己做最后校验，不会完全依赖 AI 自动生成。因为这种场景最容易出问题的地方不是代码量，而是需求理解错、接口设计乱、边界没处理。

下面是一种比较适合这种面试场景的小工具写法，功能是读取文本，做清洗后统计高频词，输出前 k 个词，结构简单，也方便快速展示工程习惯。

import re
from collections import Counter

def clean_text(text: str) -> str:
    text = text.lower()
    text = re.sub(r"[^\w\u4e00-\u9fff\s]", " ", text)
    text = re.sub(r"\s+", " ", text).strip()
    return text

def top_k_words(text: str, k: int = 5):
    text = clean_text(text)
    words = text.split()
    counter = Counter(words)
    return counter.most_common(k)

if __name__ == "__main__":
    sample = """
    AI Agent is useful. AI coding can improve efficiency.
    Agent tools and coding tools are important.
    """
    result = top_k_words(sample, 5)
    print(result)

3、你平时用什么 AI 写代码

4、如何用 AI 写代码的

5、你是如何学习一个新的语言的

6、你了解多 Agent 么，会用多 Agent 开发么

了解，也做过相关设计。多 Agent 不是简单把一个 Agent 拆成多个角色就算完成了，它真正适合的是任务天然可以分工，而且不同角色之间有明确边界的场景。比如一个 Agent 负责规划，一个负责检索，一个负责执行工具，一个负责审查结果，这种结构在复杂任务里会比单 Agent 更清晰。

但多 Agent 也不是越多越好。它最常见的问题是链路变长、误差放大、状态混乱和角色重叠。如果角色边界不清楚，很容易出现多个 Agent 互相覆盖结论、反复讨论却不推进任务。所以实际开发时，我会优先判断任务是不是值得拆成多 Agent。如果只是一个简单查询或固定流程，单 Agent 加工作流往往更稳。只有在任务复杂、需要明显分工时，多 Agent 才有意义。

7、你是如何选择这些模型的？你认为它们各自擅长什么

模型选择本质上要看任务类型、成本、延迟、部署方式和输出稳定性，不是单纯选参数更大的模型。通常我会先从几个维度去判断：第一是任务是不是偏生成、偏分类、偏推理还是偏工具调用；第二是线上更看重效果还是更看重成本和时延；第三是能不能接受云端调用，还是必须本地部署；第四是输出是否需要更强的结构化能力和稳定性。

从能力特点上看，不同模型通常会有明显侧重。有些模型更擅长代码生成和工具调用，适合做开发辅助、Agent 执行和结构化输出；有些模型更擅长长文本理解和总结，适合做知识整理、RAG 问答和文档分析；有些模型在中文表达、指令跟随和业务问答上更稳，更适合国内业务场景；还有些开源模型推理成本更低，适合本地部署、隐私要求高或者需要深度定制的场景。实际选型时，我一般不会