商汤多模态算法实习生 一二面

MCP（Model-Connect Protocol）与A2A（Agent-to-Agent）作为当前AI领域两大核心协议，主要区别如下：一、核心定位差异1. MCP由Anthropic提出，专注于单个智能体与外部工具/资源的连接标准化，通过统一接口协议实现AI模型与数据库、API、文件系统等异构资源的安全互通，本质是提升单体智能体的工具调用效率。（例如：通过MCP协议，AI模型可直接调用搜索引擎API或操作文档编辑器，无需重复开发对接逻辑）2. A2A由谷歌主导，聚焦多智能体间的协作框架，定义智能体间通信标准以实现任务分配、信息共享等协作能力，本质是构建群体智能的协同网络。（例如：日历Agent与邮件Agent通过A2A协议自动协商会议时间，无需人工中转）二、应用场景差异- MCP的典型用例• 单智能体调用多个外部API（如AI写作工具同时调用搜索引擎、图表生成器和数据库）• 企业系统与AI模型的深度集成（如通过MCP将ERP系统数据实时接入大模型）- A2A的典型用例• 多智能体协同决策（如营销Agent、库存Agent、物流Agent联合制定促销策略）• 分布式任务处理（如文档分析Agent将数据清洗任务拆分给多个子Agent并行处理）三、架构设计差异1. MCP架构采用“插头-插座”模型：定义标准化接口（如数据格式、鉴权流程），外部资源需按协议改造为“插座”，智能体仅需适配统一“插头”即可调用所有兼容资源。（技术实现：通过Schema定义工具描述文件，采用RPC调用机制）2. A2A架构采用“对话式”通信模型：包含智能体发现、能力声明、消息路由等模块，支持异步消息传递与协议缓冲区（Protocol Buffers）数据封装。      

在AI Agent的设计中，意图识别是自然语言理解（NLU）的核心环节，直接影响用户体验和业务目标达成。作为AI产品经理，需从业务场景、技术实现和用户体验三个维度系统设计意图识别方案1. 明确业务需求与意图分类体系- 场景拆解：根据Agent的应用场景（如客服、智能家居、电商导购）梳理高频用户诉求。例如：- 客服场景：咨询、投诉、退款、查询进度等- 智能音箱：播放音乐、设置闹钟、控制设备- 意图分层设计：采用树状结构（主意图→子意图→槽位），避免分类粒度混乱。例如：主意图：订机票├─子意图：查询航班（槽位：出发地、目的地、日期）└─子意图：改签机票（槽位：订单号、新日期）- 兜底策略：设计"未知意图"分类，结合澄清话术（如“您是想查询订单还是联系客服？”）或转人工流程。2. 数据驱动的模型构建- 数据采集与标注：- 通过用户历史对话、搜索日志等获取真实语料。- 标注时需注意同义表达覆盖（如“帮我订票”和“买张去北京的机票”）。- 技术选型方案：- 规则引擎（正则表达式、关键词）：冷启动阶段/高确定性场景（如命令词）- 深度学习（BERT、TextCNN）：复杂语义场景- 大模型微调（Few-shot Learning）：长尾意图识别- 多模型融合：规则兜底+模型预测，例如先用规则处理高频意图，剩余流量走模型。3. 用户体验闭环设计- 容错机制：- 置信度阈值设置（如低于0.7时触发澄清）- 上下文继承（用户说“换一个时间”时继承前文航班查询意图）- 效果评估指标：- 技术指标：准确率、召回率、F1值- 业务指标：任务完成率、转人工率、单次对话解决率（FCR）- 用户感知：用户主动纠正次数、满意度调研- 持续迭代闭环：- 建立bad case分析流程，将误识别样本反馈至标注池- 监控意图分布变化（如新增促销活动可能引发未覆盖的咨询意图）的         

update4.25    和hr说最早六月到岗，被告知要排序1、redis如何实现可重入的分布式锁2、如何根据运行中机器负载动态调节线程池，说说具体的代码3、假设开始10线程，动态调整降成5个，这一过程中的具体细节3、项目介绍，agent的怎么实现的4、意图识别的prompt是怎么写的（说我做的太简单了）5、rag介绍，应用场景6、检索召回topk的设计7、rag如何优化（说我的rag和网上搜到的模板一样，没有自己的优化）8、代码编写和项目开发有什么区别9、ragflow对项目的帮助10、mcp介绍，解决哪些问题11、项目中的困难，写过多少代码12、自己python的使用反问： 业务  一共40多分钟 无手撕

电商治理面经 第三面三面完就hr面了记录一下面经