江西移动二面

最近帮不少同学看了Agent开发方向的简历。能明显感觉到，能过初筛的简历，其实不一定项目多复杂，但都有一些共同特点。而很多简历被刷，也往往是因为几个重复出现的问题。下面这些问题，我几乎在每份简历里都会看到，对照看看你的简历有没有中招。1、把团队项目写成个人独立这是比较危险的写法，也是最常见的。项目描述里写着"多智能体协作系统"，但每一条bullet都是"我实现了 X""我负责了 Z"，涵盖了从模型训练到前端推送、从检索模块到容错机制的全部内容。一个人在一两个月内独立完成所有这些板块，面试官可能存疑。问题不在于参与了团队项目，而在于没有把自己的边界画清楚。如果追问"这部分你自己写的还是有人配合"，答案是"有人配合"，但简历上写的是"我实现了"，整份简历的可信度都会被打折。正确的做法是收窄范围、写深细节，独立负责的两三个模块，认认真真写清楚技术细节和效果。范围缩小了，每一条反而更可信，面试官也更容易顺着你写的方向深挖。2、有数字，但baseline不清楚数字本身不是问题，baseline不明确才是问题。"召回率提升 25.9%""平均压缩率 62.6%"这些写在简历上看起来很有说服力，但面试官的下一句话一定是："相比什么提升的？怎么测的？测试集是什么？"如果回答不上来，这个数字就从加分项变成了减分项。面试官会开始怀疑：这个数字是精心设计的测试条件下跑出来的，还是真实场景的效果？更麻烦的是，有些数字写出来反而会自己暴露问题。比如 7路并行说效率提升 70%，这意味着大部分任务是串行的，面试官一追问"那并行的部分是哪些，为什么其他部分不能并行"，反而把系统设计的弱点暴露出来了。还有一类是"理论值型"数字，比如 N 路并行加速比"接近 N 倍"，在有网络 IO 和 LLM 调用的 Agent 场景里，这个数字几乎不可能出现，听起来就是理论上限而不是实测结果。3、两个项目方向完全不搭一份简历里，一个项目是 Agent 应用开发，另一个是系统编程或算法研究，两者之间没有任何叙事联系。两个项目平权放着，篇幅差不多，面试官读完不知道主方向是什么。如果和 Agent 无关的项目篇幅反而更长、细节反而更丰富，面试官会产生疑问，Agent 项目是你真正主攻的方向，还是顺手做的实验室小活？这个疑问一旦有了，对 Agent 项目的可信度也会打折。项目之间不搭，有时候是因为经历本来就跨方向，没办法。但写法上可以做处理：和投递岗位关系不大的项目，压缩到三四行，只保留"我有这方面底子"的标签信号，细节全砍；主项目展开写，把篇幅和密度都给它。更好的做法是找到两个项目之间的联系，哪怕只是"系统编程项目证明了我有 C++ 工程能力，Agent 项目体现了我把这个能力用在了大模型应用上"，有了这条线，两个项目就不再是割裂的，而是互相支撑的。4、bullet只说了做了什么，没有怎么做和结果这是最普遍的问题，几乎每份简历都有。"构建了包含意图理解、动态检索、文档过滤和流式生成的完整 Agent 工作流。"读完知道你做了这个东西，但不知道难点在哪，不知道你的技术选择是什么，不知道做完之后效果怎么样。"完整工作流""全流程闭环""端到端链路"，这类词不传递任何信息，面试官看到只会跳过。一条合格的 bullet 应该包含三件事：做了什么 + 怎么做的（关键技术选择） + 解决了什么问题或达到了什么效果。缺"怎么做的"，没有区分度。缺"效果"，面试官不知道这件事做没做成、做到什么程度。三件事齐全，才能给面试官一个可以深挖的入口。效果不一定是百分比。"从需要人工介入降到全自动运行""时延从 1.4s 降至 360ms"，有具体对比就比形容词强。最后写简历的时候有一个最简单的自测方法：把每一条 bullet 单独拿出来，问自己"如果面试官对这句话感兴趣，连续追问三个问题，我能不能全部答上来"。答得上来的留，答不上来的，要么删要么补完细节再写。简历的作用是给面试官提供一个可以深挖的入口，能撑住追问的 bullet，才是真正的加分项。

刷到这个话题，真的像看到了3个月前的自己。作为双非计算机本科，之前一直在做Java后端开发，今年春招想转Agent赛道，最开始连能投什么岗位都不知道，海投的时候看见“AI”“大模型”就瞎投，结果简历全石沉大海，连面试机会都拿不到。后来跟着已经入行的学长一点点摸，自己前前后后面了十几家公司，才终于把Agent赛道的岗位摸得明明白白，最后也顺利拿到了杭州一家AI公司的Agent应用开发offer。今天就把这些岗位全部分享出来，尤其是适合我们应届生、零基础转行能冲的，帮大家少走我踩过的弯路。先给所有想入行Agent的应届生一句真心话：Agent赛道不是只有算法岗，也不是只有硕士才能做，绝大多数岗位，...

这个是5.11发的offer了,HR面和二面隔了10多天1. 自我介绍2. RAG 有没有解决大模型胡说八道的问题答案：RAG 只能缓解幻觉，不能彻底解决幻觉。RAG 的作用是把外部知识、业务文档、历史记录和实时数据作为上下文提供给模型，让模型减少依赖参数记忆。但如果召回错了、召回不全、chunk 切分不合理、rerank 排错、prompt 没约束好，模型仍然会基于错误证据生成错误答案。所以线上 RAG 不能只做“检索 + 拼 prompt + 生成”。必须做证据约束。比如在园区运维场景里，模型说“冷却塔水泵异常导致能耗升高”，就必须引用对应的告警记录、传感器曲线或历史工单。如果没有证据，只...

1. 自我介绍2. 介绍你的实习项目，你做了哪些事情以及你的思考3. 升级之后 tool 调用准确率提升了多少，怎么衡量答案：tool 调用准确率不能只看模型有没有调用工具，而要看调用的工具是否正确、参数是否正确、调用顺序是否正确、结果是否被正确使用。我们会把一次工具调用拆成几个指标：工具选择准确率、参数填充准确率、无效调用率、重复调用率、最终任务成功率。比如升级前模型经常把“查询保单责任”和“查询历史理赔”混淆，或者漏传 policyId。后来通过工具分域、意图路由、参数 schema 校验和少量高质量样例，工具选择准确率从大概 82% 提升到 92% 左右，关键参数完整率从 88% 提升到...