最近大厂招 Agent 工程师的岗位非常多，没有入门的朋友可能觉得“Agent不就是调调 API 吗？”Agent 不同于传统的“一问一答”式 AI，它是在对话模型的基础上增加了一个自主循环，能够根据任务目标判断“还需要做什么”，并调用外部工具执行。理想中的Agent，人类一动嘴，LLM跑断腿，在我们还喝茶打哈欠的时候就把活全干完了，但在实际落地中，想做出一个稳定可用的产品，还是有很多难点的。首先是工具的适配。在一个可用的 Agent 系统中，AI 推理只占约 30% 的逻辑，剩下的 70% 都是非AI的工程化适配。Agent 必须能够稳定处理现实世界的接口边界问题，包括 OAuth 授权、Token 自动刷新、API 速率限制以及海量数据的分页处理。同时，工具的 Schema 定义直接影响调用准确率。优秀的 Agent 需要对工具的粒度和描述进行反复调优，确保模型在面对数十个可选工具时，指令遵循依然清晰稳定。其次是多步任务的可靠性管理。在长链条推理中，错误会随步骤指数级叠加。哪怕单步准确率达到 80%，连续执行五步后的综合成功率也会降至约 32.8%。这种概率衰减意味着一个微小的幻觉就能让整个任务偏航。好的 Agent 必须具备严密的状态管理，能够在执行异常时实现自动捕获、重试或逻辑回滚。在执行关键操作前，还需要设计逻辑校验环节，防止单个步骤的偏移导致整体任务崩溃。接着是上下文的信息治理。大模型在处理长周期任务时普遍面临指令丢失的问题，尤其是在频繁的工具调用产生大量冗余数据时，核心约束容易被边缘化，导致 Agent 出现“失忆”现象。优秀的工程实践需要实现动态内存管理，精准识别并保留关键指令和历史摘要，同时剔除无意义的中间日志。通过提高上下文的信息密度，不仅能降低幻觉风险，也能在多模型路由中有效控制 Token 成本。最近开源社区非常火的 OpenClaw就是一个典型的例子。它作为一个拥有极高系统权限的 Agent 框架，可以直接操作文件和执行命令，极大地扩展了 AI 的能力边界。但在实际应用中，它的提示词工程仍有提升空间。由于权限极高，如果提示词无法精准约束模型的行为，很容易在复杂的执行链条中产生误操作甚至安全风险，且频繁触发的记忆压缩和超高的token消耗也被人诟病。这也是目前高权限 Agent 在落地时面临的核心痛点之一。总的来说，Agent 开发的本质是构建一个以模型为核心的高可靠软件系统。调通接口只是基础，真正的护城河在于你如何处理那些繁杂的非 AI 细节，包括工具层的异常处理、上下文的动态压缩以及评估体系的建立。正在找相关工作的同学，可以看看你简历上的Agent项目，有没有针对以上的痛点做了有效改进，面试官会很感兴趣的。

skill是什么,有了解过吗项目拷打(主要遇到什么问题,怎么解决的)项目中什么情况下会发生消息堆积agent项目中的日志审查在哪些地方比人工有优势三大缓存问题解决策略项目中用了哪些GC调优怎么保证MCP安全性(高频)项目中对RAG检索优化的点怎么保证RAG检索的消息的有效性(过滤与清洗)怎么解决大模型幻觉的为什么用PGVector向量库,了解过其他的吗怎么重写BaseAdvisor的怎么解决一些不重要的信息对prompt拼接时的影响项目可达到的最大并发数垃圾回收器和G1垃圾回收器的区别，项目里用哪个CAS的ABA现象怎么解决手撕:最近公共祖先(先根据层次遍历建立树(队列))

面试时间：3.30上午11点面试时长：1h5min部门：到家的搜索工程组？（没听清）自我介绍1、完整讲一下你的 RAG 项目（离线 + 在线 + 架构）2、重叠大小分块是自己做的吗？还是用的什么工具？3、向量化用的模型是什么，还记得吗？然后这个模型是你自己部署的吗？还是调的LLM接口？4、专门做过什么策略来提升召回率和准确率？如何评测召回率和准确率，有没有做过数字化的评估？5、如果说你的 embedding 质量比较高的话，那这个评测确实没有问题，但如果说就是向量化的效果没那么好的话，那这个方案好像也并不是很行得通，因为它可能生成向量的时候就会有问题，这个有考虑过吗？然后你有没有想办法去……（接着面试官说，算了不问了）6、关键字检索是怎么做的？7、你可以说一下在线的部分，就是用户从一个请求，到它最终拿到结果的一个过程？8、你刚才说意图节点，也就是意图识别的时候去识别它关联的那个叶子节点，我想问一下你这块是怎么实现的？9、你刚才说首先有多路召回，多路检索，然后每一路检索里面会有一个粗排，然后这些结果拿到之后可能还会有一个细排。然后想问一下你这两个排序大概都是怎么做的？然后如果是用模型排的话，你这分别是用什么模型？然后你知道这些模型的检索排序的原理吗？10、重排序用的什么模型？11、你可以再总结一下，就是从你这个离线到在线的过程中有多少次和大模型的交互吗？分别简述一下。12、我看你这个里面会有那个模型的，多模型的降级策略和熔断机制，你可以简单说一下，你现在是有哪几个模型之间可以降级？然后以及是怎么实现的？13、你这个降级是手动降级吗？还是自动降级？14、那这个自动降级是怎么感知的？比如说从模型里是刚才三个状态，它们三个状态之间流转是什么样子的？就什么情况下就把它变为异常了？然后什么情况下会让它自动恢复正常？还是就是怎么做的这块？15、看你这个里面还支持了那个 MCP 的工具调用，然后你可以说一下你现在支持哪些那个MCP，然后以及这些 MCP 是怎么和模型交互，然后大概的实现原理吗？（这一部分不太会，就扯到MCP与function calling的区别了）16、那function calling的话是怎么调呢？是 RPC调还是HTTP调？还是怎么调用的？17、看你这边那个会话，大概是怎么存储的？可以说一下吗？18、然后就是你这个会话就是大概是一个什么样的存储结构呢？可以说一下这个 MySQL表的存储的结构，就是哪几个关键字段？19、就比如说一个用户可能在一个会话里面和模型会有多轮的这种对话。就比如说问了一个问题，模型回答一次，然后我再问一个问题，他再回答一次，再问，再回答。这样的结构在数据库里面是怎么存的？是一条还是多条？20、然后就是你这个 message 表大概是一个什么结构？就是有哪几个关键字段？21、看你这个里面用到了那个Redis，然后你可以解释一下那个 Redis 的缓存穿透、缓存击穿以及缓存雪崩吗？以及具体解决思路？22、然后那个布隆过滤器，你可以说一下布隆过滤器的实现原理吗？算法题：合并区间23、然后我们谈一下，就是之前就是那个AI coding的那个面试题，然后你可以简单说一下你这边实现的思路吗？（这个是美团面试前发的AI Coding的题目，让设计一个限流中间件）24、我再问一下，就是你认为它的这个Lua脚本能满足那个需求吗？(要求同一个用户60秒内只能发送60个请求)这里面试官理解的是滑动的时间窗口，但是我实现的是固定的时间窗口，题目中只说了“时间窗口”，然后面试官就说你这个实现好像也没有问题。反问1、业务2、具体工作3、建议做项目其实可以更深入一点，而不是说只是作为一个 API 的调用方，就比如说这些模型，因为其实我们日常就是也会和这些模型交互之类的，你除了知道调它这个API，你可能需要更多的去了解一下，就是我为什么要这么设计，然后以及我这个模型具体能做什么东西，它大概是怎么实现的，有了这些可能对你未来会更有帮助，然后职业生涯可能更具有那个什么。（录音没录到，估计是想表达“更具有竞争力”这个意思吧）感受：面试官问的很细，能感觉出来面试官真的很专业，但是自己对于大模型相关底层原理的理解显然不够深入，MCP具体的工具调用也没来得及研究，属于半吊子水平也是第一次拿RAG项目来面试，这个面试官真的让我学到了很多，也让我知道了自己诸多的不足以及还需要提升的地方。整体面试体验感很好，面试官也不会特意刁难，我表达的很含糊的地方或者不会的地方，就是一句“行”帮我带过，感谢面试官现在还没消息，大概率是寄了，下去好好沉淀了二编：4.1晚上6点约二面。

1. 手撕132模式，暴力了，感觉寄2. 实习主要做了什么？你觉得有什么难度3. GMP讲讲4. 为什么使用kafka做消息队列，Redis不行吗？技术选型怎么做的5. 有没有了解过goroutine的大小？假设开了1000个他会有多少6. 了解阻塞和非阻塞吗7. 假设一个G在io，M会阻塞吗？还是去p里新一个G8. channel的底层原理了解吗？他的使用场景是什么？什么场景好什么不好9. 你是怎么在实习的项目中使用goroutine的？10. 实习项目的输入，输出的吞吐量，QPS这些是多少？ （直接答是为了了解公司做的没有这个，不知道怎么答划水）11. 你觉得这个还有什么提高的点吗12. 如果消费者挂了怎么办？有没有什么措施进行补救？13. RAG检索怎么做的14. 有没有对RAG检索的效果进行评测15. 反问有些忘了，感觉对我不是很感兴趣，40分钟就结束了寄大家有没有Go-agent相关的项目？如果有些multiagent，eino相关的可以推荐更好啦有偿也可以