本人技术栈主要是Python+Go，之前有两段后端实习经历一面一开始面试官就围着我之前的实习项目问，问得还挺细的：当时做项目的时候，为什么要引入父子索引？还有BM25，引入的原因是什么，比例是怎么设置的，整个具体流程是怎样的，有没有做rerank操作？如果做了rerank， rerank之后返回几个块？有没有做过一些验证来确保效果？rerank之后的topk截断是怎么实现的？为什么选这个k值，有没有考虑过其他方案？让我讲一下上下文工程，还有记忆功能是怎么实现的。除了AI相关的项目，还问了我之前做的后端实习项目，都是一些项目里的细节问题。分布式令牌桶限流、漏桶限流，还有滑动窗口算法限流，这三个都让我讲一下。尤其问了滑动窗口的数据结构会包含哪些字段，滑动窗口对比令牌桶有什么缺点，还有用Redis的什么数据结构能实现滑动窗口。又绕回我自己做的项目，让我讲一下LRU的原理和实现。布隆过滤器的原理、应用场景，也让我详细说一下。MySQL索引失效的情况，这块我八股好久没看了，只想起来两个，被面试官追问了好久，有点没答好。面试官还补问了一句，like查询会不会导致索引失效。MySQL的事务隔离级别，还有一致性相关的内容，让我讲清楚。MVCC这块问得特别细，反复追问，还举了具体场景，问这种情况下会创建几个readview，我当时琢磨了半天，尽量把自己知道的都讲了。最后还问了MySQL的锁相关知识，行锁、表锁这些都涉及到了。手撕代码环节，我跟面试官坦诚说，最近一直在实习，好久没刷过题了，然后面试官就出了一道反转链表，不算特别难，慢慢理清楚思路就做出来了。二面跟一面不一样，二面全程没涉及后端相关的问题，全是AI agent和RAG相关的，而且大部分都围绕我之前做的RAG项目展开，问得特别深入。首先问我，做RAG项目的时候，是怎么评测效果的？有哪些评测维度，具体用到了哪些指标？然后问项目里的数据集包含什么内容，数据来源、数据格式这些都问到了。如果让我对RAG的相关度和回答效果做优化，我有什么思路？有没有更体系化的优化方案，而不是零散的调整。面试官还举了个具体场景，比如有一千条数据，需要做求和处理，让我说说这种数据处理场景，我会怎么设计实现。RAG的性能怎么提升，有没有实际的优化思路，不管是工程层面还是算法层面。我项目里的上下文是怎么处理的，有没有什么优化的方向，比如上下文过长、冗余这些问题怎么解决。agent的长记忆和短记忆之间，怎么做到协同工作的，两者的衔接逻辑是什么。最后问我，有什么思路能让自己做的agent更智能？这个问题我感觉太宽泛了，当时没太get到面试官具体想了解什么，就主要围绕我工程开发中遇到的实际问题，讲了一些针对性的优化思路。手撕代码环节，出的是全排列，这个之前刷过类似的，思路比较清晰，顺利做出来了。感觉面试官比较爱问的AI问题就是RAG 的全链路优化、Agent、减少幻觉

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。

给我面没招了，发点面经攒攒人品～1. 实习拷打2. 论文拷打3. 项目拷打4. 闲聊，职业规划5. 实习中遇到的比较有挑战的地方，或者比较感兴趣的地方6. 八股1. Cap理论，cp和ap的系统分别举例2. 有用过抓包软件吗3. 哈希怎么扩容7. 手撕 - 最大交换（leetcode 670）

给我面没招了，发点面经攒攒人品～1.拷打实习2.如何提升AI生成质量？3.什么是幻觉？解决方案？4.Rerank详细讲一下？5.多智能体系统设计架构？6.上下文管理？怎么确保多智能体系统并行而不是读同一个上下文？7.mysql/pgsql区别？暑数据结构？8.Redis内存竞争？分布式锁？9.Redis缓存策略？更新策略？10.为什么用Stream？11.更新策略？Redis旧数据库新咋办？12.缓存击穿/穿透/雪崩？13.手撕：LeetCode 768