1. 怎么把 RAG 接入到你的 Agent 执行链路里的？是在调用工具之前先检索，还是在生成结果之后再做校验？我们的 RAG 是通过 Spring AI 的 Advisor 接入到 ChatClient 的：模型调用前在 before() 做向量检索，把命中文档拼成上下文注入 prompt；模型生成后在 after() 把命中文档回写到响应 metadata 便于追踪。当前是“先检索再生成”的 pre-RAG，并没有单独做生成后的事实校验，后续可以增加 verifier 节点来做 post-check。2. MCP 是完全自研的吗？和市面上成熟的 Agent 框架相比，你的方案在扩展性上有什...

从我春招投 agent 的经验来看，agent 基本是 用 py，很少用 java 的，java 局限性很大。包括我现在实习也是这种感受，langgraph 这些，用 java 写会很难受。而且 py 的第三方库是非常丰富的，比如语音识别，py 的 ai 生态更丰富。那 java 后端是不是可以直接丢了呢，那绝对不是的，后端是 agent 的基石。你写 agent 大多数情况下是要对接后端系统的。那么 agent 的 技术栈大概需要哪些呢，以我目前用到的，大概有这些：简单的面试：fastapi,langchain进阶：langgraph，模型部署还有 RAG 的那些东西一定要会，不要用其他东西去代替向量数据库，也不要用什么 chroma 这种玩具，直接用 qdrant 去写 RAG 项目就行了。反正 RAG 是非常重要的，面试难点亮点可以从这里来

1. 自我介绍2. 介绍下项目，重点讲架构、关键设计和线上问题3. Agent 的上下文窗口不够时，长短期记忆应该怎么分层设计长短期记忆不能简单理解成“最近消息”和“很久以前的消息”。更合理的设计是把状态拆成三层：工作记忆负责当前回合执行所需的最小上下文，摘要记忆负责阶段性中间结论，长期记忆负责稳定事实、偏好、任务状态和关键证据索引。这样做的好处是短链路推理不会被旧噪声拖死，而长任务又能在需要时按状态检索历史事实。真正难的不是分层本身，而是写入和召回策略。不是每条消息都值得进长期记忆，通常只把高价值、可复用、低歧义的信息写进去，比如用户偏好、外部工具执行结果、关键约束、任务完成状态。否则记忆库...

双9（中间有gap)，走java后端，项目搞了个后端+rag。实习投的比较晚，4月初才开始投，到现在的情况是：只有一个小公司给了实习，但是太小了，不想去。其他中大厂，投了一大堆，不是在走流程，就是直接挂简历，到现在面试机会都寥寥无几。同门走agent开发，都拿到offer了。我现在焦虑得团团转，都准备考公考编得了。本来想走选调，结果发现，很多好的岗位要求党员，现在去走流程也来不及了。感觉失败彻底