面试官根据我的项目问了项目相关的业务问题和一些八股，问题如下：1.项目是自己初始化的吗，使用什么创建项目的，配置了一些什么2.vue的生命周期3.computed和watch区别，哪个性能更好4.ES6新特性了解哪些5.有哪些可以实现动画的方式，css中的animation有哪些属性，js中可以实现动画吗6.js和ts区别7.你认为你的项目还有什么亮点和难点吗，讲讲思路8.axios，websocket，SSE区别是什么

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...

继续多发面经多多攒人品---------------------------------------------------------1.个人的基本介绍（2min）------------------------------------------项目介绍（25min）---------------------------------------------------2.项目的介绍以及拷打。3.技术和业务上面的难点能分别讲讲么？4.RAG知识库如何搭建的，如何进行隔离呢，用的是什么样的元数据过滤，具体是靠什么字段来区分的呢？5.讲一下embedding 的原理，以及你的项目用的是什么模型，和其他的模型比较有什么用的不同么？6.整体流程，就是问当前端调用，用户输入流经的全过程，哪些工具要调用，然后交互是什么样的，记忆是如何进行一个更新的呢，然后会输出返回什么给用户。7.PE的提示词工程的设计是怎么样的，你说的分层次设计和最佳范式以及高质量样本是什么呢？8.项目用了MCP么？如果Mcp工具如果要运用在你的项目当中该怎么做？9.有多少工具，这里的调用会不会有其他的问题，比如上下文的占用以及这些工具的设计目的是为了什么业务场景？----------------------------------------------------基本八股（8min）---------------------------------------------------10.如何进行AI coding 的使用呢？个人或者团队开发时是怎么办的？11. TRAE、克劳德、谷歌，gpt，都用过那可以说一下他们各自的使用体验，多模态和分析角度的不同。12.Mysql的数据引擎有哪些，InnoDB，MyISAM，Memory从事务，锁的粒度来讲，以及innoDB为什么更好呢？13.索引的实现，有哪些数据结构？有哪些索引，能说多少说多少--------------------------------------------------算法题（16min）---------------------------------------------------DFS的岛屿数量问题，思路，写一下，以及如果要求最大面积该怎么做呢？写完再写一个（调了好一会，因为好像没有debug的功能么）-------------------------------------反问--（10分钟）--------------------------面试官也比较能说会道，给我讲解了业务的方向，以及遇到了什么样的难点，用户意图识别，以及openclaw相关的未来应用的方向的讨论。---------------------后续：2小时后约三面。

多智能体系统（Multi-Agent Systems）让一群AI Agent分工协作，看起来效率很高，但实际落地时，单个Agent的问题会被成倍放大：流程容易卡死、幻觉连锁传播、Token成本失控。以下是2026年生产环境中最常见的6个坑，以及对应的避开方法。1. 所有Agent都用同一个大模型现象：规划层、执行层、审计层统一用同一个强模型（比如全用Claude 3.5或Grok 4）。为什么坑大：思考能力强的模型被用来跑简单工具调用，Token成本直接拉高；同时不同Agent的输出风格互相干扰，幻觉更容易在链路中放大。避法：分层选模型。规划层（Supervisor）用思考强的模型，执行层Worker换更快、更便宜的专用模型（Qwen3、DeepSeek等）。混合使用能把整体Token成本降低约70%，每个Agent也更专注自己的角色。2. 只靠Prompt记录历史，不做状态管理现象：Agent之间的对话历史直接塞进Prompt，让它们“自己记住就行”。为什么坑大：任务稍长或出现分支，上下文就混乱，前面的决策后面被遗忘，或者重复执行无效步骤。避法：必须采用有状态的图结构（Stateful Graph）或Checkpoint机制。LangGraph在这方面做得成熟，每一步状态都能持久化、回溯和调试。不要把全部记忆压在Prompt上，那不是生产级做法。3. 缺少Verifier和人工干预节点现象：Agent数量增多后，一个Worker的幻觉直接传给后面的分析和写作Agent，最终输出看着合理，实际使用就出问题。为什么坑大：错误在链路中快速传导，生产环境风险极高。避法：在关键节点强制加入Verifier Agent，专门负责事实检查和一致性校验。同时在高风险步骤保留Human-in-the-Loop（人工审核点）。2026年成熟系统几乎都会在全自动链路中加把关机制。4. 工具集成和Agent间通信全靠自定义胶水代码现象：自己手写代码去连接工具、传递消息。为什么坑大：维护成本高，换框架或需要扩展时要重写大量代码。避法：优先采用标准协议。MCP（Model Context Protocol）让Agent以统一方式发现和使用工具，像插统一的“USB接口”一样接入浏览器、API、数据库。A2A（Agent-to-Agent Protocol）负责Agent之间标准发现和委托任务。2026年主流框架都在支持这两个协议，用它们能大幅减少自定义代码，系统也更容易跨框架扩展。5. 一上来就用完全去中心化的Swarm模式现象：所有Agent平等协作，追求“涌现智能”。为什么坑大：复杂任务容易出现死锁、互相等待或输出冲突，调试难度极大。避法：大多数生产场景先从分层结构（Hierarchical）入手——上方Supervisor负责拆任务、分配和汇总，下方是专注的Worker。系统跑稳后再在局部引入Swarm式的并行协作。分层结构控制力强、审计方便，是2026年企业落地最广泛的模式。6. 忽略整体成本和监控现象：集群跑起来后，Token消耗、延迟、错误率失控，尤其是多个Worker并行执行时。为什么坑大：账单和系统稳定性同时出问题。避法：从一开始就接入可观测性工具（LangSmith、Langfuse等），实时监控每个Agent的调用次数、Token用量和成功率。定期压缩记忆，避免历史越积越多。同时设置预算阈值和自动降级机制（复杂任务失败时切换到更简单的流程）。搭AI Agent集群，本质上是搭建一个“数字员工团队”。团队越大，分工必须越清晰，协作协议必须越标准，检查机制必须越严格。避开以上6个坑，系统才能从“看起来能跑”变成“真正稳定、好维护、成本可控”。原文：https://x.com/dss_ws14043/status/2038804249669411229，个人推特。