最近Agent岗位的面试风向变了。以前聊的是大模型能干什么，现在面试官更关心：当大模型“掉链子”的时候，你的架构怎么接住它？逃不开的架构选择：从“全能大脑”到“流水线”面试官最爱问的一类问题是：“你的Agent架构是如何权衡灵活性和确定性的？”很多人习惯设计一个全能型Agent，让它自己想、自己做。但在工业级场景下，这种“盲盒式”架构往往会被面试官质疑。现在的进阶聊法是谈“SOP（标准作业程序）的Agent化”。你是采用顺序流（Sequential）还是分叉流（Branching）？在架构中，你是否引入了“硬代码”逻辑来约束AI的胡思乱想？路由（Router）是如何设计的？是靠模型语义判断，还...

整理的时候发现，为啥这么多redis？？？😂😂😂我还是换回我的rpc吧(起码自己手敲了)有啥需要改进的，求大佬指点

1. 自我介绍2. Qwen3.5 这类新一代模型，如果不只停留在“Transformer 变体”更有含金量的讲法不会只说它是 Decoder-only，而是会落到训练稳定性、推理效率和长上下文适配这三条线上。比如归一化方式、注意力结构、RoPE 扩展策略、GQA 对 KV cache 的影响、SwiGLU 对表达能力的提升，以及 tokenizer 和多语种兼容设计。面试官真正想听的是这些结构选择为什么出现，它们解决了什么具体问题，而不是模块名背诵。如果要再深一点，可以顺手带出工程后果。比如 GQA 不是为了论文好看，而是为了在长生成场景下降 KV cache 占用；长上下文扩展也不是简单把...