Agent 这一块儿

发面经 攒人品面完后第二天挂1. 自我介绍2. 讲一下react和plan-excute-replan的使用场景3. 讲一下react和plan-excute-replan的区别（回答了几个面试官觉得不够又追问，不会了）4. 设计agent的时候怎么能在保证效果的前提下减少token消耗？（不会，随便蒙了几条）5. 思考一下有没有其他的方案，能够减少token消耗？（不会，蒙的是特定领域微调和后训练增强模型能力）6. function call、mcp、skill的区别？7.  skills和rules的区别？（不会）8.  大模型调参过程中经常调两个参数，一个是温度，一个是topK，你怎么理解这两个参数？（不会）9.  redis的hash大key怎么优化？10. redis的hash大key优化后怎么兼容老业务老数据？新业务怎么用优化后的缓存？老缓存删不删？11. 为什么业务实际应用中要避免使用threadlocal？（头一次听说要避免使用threadlocal，不会）12. 事务的特性13. 之前实习中最大的难点是什么？jdk用的什么版本？14. java创建一个对象，虚拟机会有哪些变化？JVM的内存会有哪些变化？15. 垃圾回收的触发条件16. TCP怎么保证数据包一定能到达？17. TCP拥塞控制怎么做的？（具体细节忘了）反问：1. 什么业务？- 业务安全中的内容安全相关，检测视频、音频、文字中的违法行为2. 具体涉及哪些工作？运维和开发占比怎么样？- 简单来说要负责所有事情的研发。大概20%运维。80%开发。大模型来了后之前所有的运维的同学全转开发了。

1. 自我介绍2. 前期用 Milvus，后期切到 FAISS，可能是什么原因？答案：Milvus 更适合服务化、分布式、多租户、海量向量管理场景，提供索引管理、持久化、过滤查询、集群扩展和运维能力；FAISS 更偏本地高性能向量检索库，轻量、可控、部署简单，适合数据规模没有大到必须上分布式、但对延迟和工程可控性要求比较高的场景。如果项目早期用 Milvus，可能是为了快速验证向量库能力，支持元数据过滤和服务化接口；后期切到 FAISS，可能是因为数据量可控、线上环境更希望减少外部组件依赖，或者 Milvus 的运维成本、资源占用、冷启动、版本兼容不符合需求。FAISS 的优势是本地化部署简单...

不只是大模型算法岗，互联网绝大多数开发岗位，都在陆续接入 AI Agent 能力，选择远比想象中多。后端方向优先选择AI 应用开发、智能业务开发、大模型应用工程师，主打 Agent 工程化、RAG 知识库、工具调用编排、业务流程自动化，不用深耕算法训练，侧重落地开发，适配 Java 技术栈，门槛友好。还有智能运维 Agent 开发岗位，结合日志分析、服务监控、故障自动排查，是后端天然契合的垂直场景，需求量稳定。行业垂直类岗位选择也很广，企业数字化、智慧办公、智能客服方向，大量需要业务 Agent 开发，搭建问答机器人、流程自动化助手、办公协同 Agent。

👋个人背景：双非计算机硕，有一篇A类论文。两个offer都要提前实习👏offer1：深圳某小厂做海外广告业务，岗位是AI应用工程师，说是进去要搞算法，大小周要加班，转正薪资14k左右，离家远。💯offer2：无锡某制造业的AI应用管培生，团队刚组建，要用AI降本增效，老板给的压力比较大，转正薪资10k，离家近。