Q1：规划和执⾏要不要拆开两个模型？答案：视任务⽽定。Planner-Executor 拆分可提升可控性（强模型规划、快模型执⾏）；单模型端到端更简单但易在⻓链路漂移。可混合：规划⽤强模型，执⾏层做确定性校验。Q2：如何避免 Agent 在⼯具调⽤间「迷失」？答案：明确 停⽌条件 与 最⼤步数维护 任务清单（todo） 与 当前⼦⽬标对每步输出要求 结构化（JSON）关键步骤 强制验证（单元测试式检查、⼆次 LLM 审核）Q3：结果冲突怎么整合？答案：优先级规则（权威源 > 时间新 > 多源⼀致）、让模型显式输出「冲突说明」、必要时触发⼈⼯。Q4：基于效⽤的 Agent 和基于⽬标...

感觉面完人都通透了，还是太菜了，下去沉淀一下1.项目介绍 + 深挖2.开发你的agent的时候，用的是什么流程？为什么用这个流程？3.开发你的项目agent的时候，有没有借鉴目前各个产品的思路？4.模型和 Agent 的区别是什么？5.本地工具、MCP Tools、Skill 三者的区别？6.为什么已经有了 MCP，Anthropic 不继续做 MCP 而是转向做 Skill 了？7.Skill 里面有没有工具？8.Claude Code 的记忆架构是什么？上下文真的等于记忆吗？9.为什么 Claude Code 不用 RAG 检索代码而是直接用 grep？10.有没有了解过最前沿的记忆设计？11.手撕：实现一个 Skill 系统，完成 Skill 的注册、发现和调用。目录结构为 .agents/skills/ 下每个 Skill 一个子目录，包含 .yaml 配置文件和 scripts/*.js 执行脚本。

Q1：请⽤你⾃⼰的话定义 LLM Agent，并说明与单次调⽤的差异。答案：LLM Agent 是以⼤语⾔模型为推理核⼼，在 多轮 中与外部环境交互，通过 规划、记忆与⼯具 完成复杂任务的系统。与单次调⽤的差异在于：单次调⽤是 开环⽣成；Agent 是 闭环决策，每步可依据⼯具返回更新状态，直到终⽌条件。追问：若没有外部⼯具，还能叫 Agent 吗？答案：可称为「弱环境」Agent，仅有对话记忆与推理；但仍可有内环多步 CoT 与⾃我验证。⾯试中强调是否存在「⾏动—观察」循环更清晰。Q2：Agent 的记忆⼀般怎么设计？答案：分层设计最常⻅：⼯作记忆（当前轨迹与关键结论）+ 会话记忆（摘要滚动...

感觉自己好菜、面试很难，还是要多多练习1、实习拷打2、项目相关的问题3、八股a. ThreadLocal怎么使用的+相关的八股b. RPC 和 Http分别有什么用？两者有什么区别c. 知道限流吗？限流怎么做？4、AI相关a. 了解Rag吗？它是干什么的？b. Rag和普通的大模型回答有什么区别？c. Agent 和普通工作流有什么区别？d. 平常怎么用AI Coding的？e. AI Coding生成的代码不是你想要的你怎么办？有什么提效方式