简历上最虚的一句话，大概就是“精通C语言”。写下去很容易，但真正被问到内存管理、指针细节或底层实现时，才发现只是停留在会用阶段。越是基础，越难说精通。这句话更像一种自我安慰，也提醒自己还有很长的路要走。

感觉面完人都通透了，还是太菜了，下去沉淀一下1.介绍一下agent实习的项目架构2.你刚才提到配合定会议那个是多 agent 架构，一共用了几个 agent？每个 agent 分别负责哪一块？3.在设计上，什么情况下你会用单 agent，什么情况下会用多 agent？4.多 agent 之间的数据传输或者通信一般是怎么做的？5.如果多个 agent 之间有并发的情况，你一般怎么处理？6.如果有多个 agent 同时去操作数据库或者文件，这种并发你怎么处理？7.如果它们是异步执行的，这边会考虑怎么做8.rag混合检索机制，是怎么实现的9.你们项目里有没有遇到幻觉问题？这个问题怎么减少、规避？10.你之前都开发过哪些工具 / function？11.你提到那个 self-refine / 自我修正，你做过哪些修正策略？12.如果 API 返回结果有字段缺失，或者有冗余内容，你会用这种方式处理吗？13.你对 MCP 了解多吗？有没有写过相关的 MCP？14.假设 agent 调工具失败了，一般怎么处理？15.你之前开发过 agent，怎么管理它的 context？16.你自己在做 AI coding 时，一般怎么用？有没有什么方法论？17.上线前主要是通过什么方式保证质量的？只是靠 code review 吗？18.除了简历上写的这些，你自己还用 AI coding 做过哪些项目？19.你刚才提到那个 omo / openspec的东西，是你自己的项目实践，还是从别的地方学来的？

1. 模型训练里你怎么在全参微调和 LoRA 之间做选择这个问题我一般不会只从显存够不够来答，而是会结合任务复杂度、分布偏移程度和上线方式来讲。全参微调的优点是表达空间更大，适合任务分布和原模型差异比较大的场景，比如领域知识很重、输出风格和推理路径都要明显改造的时候，它更容易学到深层适配；LoRA 这类 PEFT 方法更适合成本敏感、实验迭代快、模型版本频繁切换的场景，特别是多任务并行或者多租户配置时，管理上会轻很多。如果任务本质上是在原模型能力基础上做轻量偏移，比如格式约束、领域术语补强、特定工具调用习惯，LoRA 往往就够了。反过来，如果发现训练后模型虽然会答，但深层行为模式改不动，比如推...

给我面没招了，发点面经攒攒人品～1.实习拷打后面都是问项目2.QA业务型和deepsearch agent的差别3.解释项目1 agent的工作模式4.mcp 的schema格式，mcp协议大概包含哪些5.业务agent evaluation的流程，每个指标代表什么含义。如果有tools被多调用了但是对结果没有影响，如何设计/采用评价指标来描述6.rag里文档如何chunk的，如果预输入不是md，而且不同的文档类别的上下文格式不一样，需要怎么处理7.embedding模型的选型原则，稠密检索算法原理，rerank采用的算法原理。8.rag如何判断一个环节中是检索还是生成出问题。9.原生库/numpy手撕multiattention