给我面没招了，发点面经攒攒人品～Q1：你的 Agent 具备上下文记忆功能，基于 ReAct 模式，目前实际运行中最多能支持多少轮对话？Q2：在 ReAct 模式下，Agent 需要频繁调用工具。考虑到不同大模型（如 Kimi 支持 20 万+ token，DeepSeek 支持 10 万+ token）的上下文窗口限制，您在执行过程中是否遇到过因工具调用次数过多（N 次）导致 Token 超出限制（撑爆上下文）的情况？如果有，是如何处理的？Q3：在问答类场景中，如果 Agent 陷入死循环（例如反复搜索不到内容，不断重复“查看文件 - 搜索文件”的操作），有什么机制来检测并处理这种异常情况？Q4：项目基于 MCP 协议集成了服务器资源查询、数据操作和校内文档检索，为什么没有考虑集成外部互联网资源的检索能力？Q5：像 Codex 这类代码模型，其内部显然不是基于向量检索的。您是否研究或思考过 Codex 内部的文件检索策略是如何实现的？Q6：目前 OpenClaw 比较热门，您是否阅读过相关源码或研究过其技术实现？Q7：您提到了“服务器辅助开发”功能，是基于 Plan-Execute-RePlan 的方式实现的。能否详细讲解一下这一功能的具体实现逻辑？

记录一场特别的面试，这是我求职以来面得最差的一次，却也是收获最多、成长最大的一次，来牛客记录感悟，分享给正在求职的小伙伴。这段时间我一直以积累面试经验为主，前几次自我感觉良好，摸索出了面试逻辑，还误以为自己已摆脱学生思维，能从容应对各类提问。但今天的面试官跳出传统框架，先介绍企业情况，再从全新角度探讨我简历上的内容，到后期几乎全程是我向他提问，他耐心解答并引导我思考。最触动我的是，我答不上问题时他会主动指导，还会提前说明可能超出我认知的问题“不答也没关系”，这份包容让我彻底放松。他问我“人生中的成功是什么”，我思索良久后回答，过往经历塑造了我，我也能主动塑造未来。他接着围绕“主动”追问事例，让我更清晰地剖析自己。这次面试最大的收获，是学会了问自己“为什么是我”——无论面对岗位竞争还是工作任务，多问一句，才能明确自身优势与不足。他还和我聊了职场真相，那些我已知的道理，经他一说变得无比真切，他笑着提及职场的冷酷与个人的微小，让我对职场有了更清醒的认知。以前我十分抵触dirty work，觉得繁杂且无价值。他用桌子的例子点醒我：社会分工本就是各司其职，重复做好小事才能提升效率；职场中，把小事做精，才能让领导看到价值，获得更多机会。他还分享了实用职场思维：学校里我们答问答题，工作中要给领导提选择题。他问的刁钻问题贴合职场实际，还纠正了我处理部门利益冲突的固有思路。虽然大概率拿不到这个岗位，但我毫无遗憾。他的指导让我实现了思维提升，坚定了自身想法，这场面试超值又有意义。我也清醒认识到自己仍有较重的学生思维，成长之路还很长。很庆幸遇到这样真诚专业的面试官，这份收获远比一个offer更珍贵❤️

淘天搜推团队的AI应用算法工程师实习岗，整整115分钟，是我面试以来时间最长的一场。整体分为五个环节：① 自我介绍（面试官也同步介绍了搜推团队的业务）② 大模型基础知识问答（30分钟）③ 项目深挖（40分钟）④ AI Coding笔试（30分钟）⑤ 反问环节（10分钟）技术问答和项目深挖尤其硬核，面试官会顺着你说的方向一直往下追问。提问：大模型基础：- Attention的QKV怎么计算，WQ/WK/WV的形状- MOE的路由机制，稀疏vs稠密的区别- KV Cache在prefill和decoding阶段的读写差异- 大模型幻觉怎么规避- 微调后出现复读机，怎么排查- SFT够用 vs 必须上DPO/RL，怎么判断- DPO损失函数的潜在问题- KL散度在模型对齐里的作用还问到了Google的TurboQuant KV Cache，这块我确实不太了解，如实说了🫠深挖了项目，简历上的两个项目都被追问得很细。建议：简历上写的每一个点都可能被问到底层逻辑，提前想清楚“为什么这么做”。AI Coding笔试第一次遇到这种形式——不是自己闷头写代码，而是和AI协作完成一道设计题。面试官说“过程比结果更重要”，让我松了一口气。我的做法是：先让AI输出整体技术方案，确认思路后，再开多个会话并行处理各模块。笔试环境有点卡，但稳住心态、把思路讲清楚就好。整体感受：115分钟对我来说确实是新纪录，中途压力不小。但面试官整体很专业，不刁难，追问都是顺着你的思路往下挖。发个面经攒攒人品，希望能过🙏

面试时长半小时，没有手撕代码环节，大部分时间在深挖项目经历，穿插少量八股文问题。1. AI coding / 工具使用有没有用过 Cursor 或其他 AI coding 工具不同 AI coding 工具之间的设计差异你怎么看多 task 执行这种设计是否合理AI 生成代码的主要问题是什么2. 项目深挖 - 系统设计系统里的缓存（比如 Redis）一般怎么使用如果要支持高并发，你会怎么设计服务一般是怎么部署的你怎么理解“可扩展”3. AI 项目（RAG 方向）效果提升是怎么评估的，有没有 baseline 对比技术选型是怎么考虑的怎么判断效果好不好，有没有遇到过 bad case4. Agent / AI 系统理解对 MCP 和 tool calling 有没有了解skills 为什么能减少 token 消耗5. 实习经历为什么既做产品又做技术这段经历最大的收获是什么6. AI 行业认知有没有了解过 AI coding 类的产品7. 项目难点讲一个你遇到的技术难点有没有用 AI 工具解决过实际问题