某新能源汽车厂商agent大数据面试

📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。

1.自我介绍2.实习介绍3.会哪些编程语言，掌握程度，会哪些agent开发框架？4.LangChain和LangGraph的区别？5.新版本LangChain为什么底层使用LangGraph？6.使用过哪些Vibe Coding工具，怎么使用？实习相关：7.讲一下Agent自动建单流程？8.再自动建单前的NLP处理是怎么做的？9.主Agent和自动建单Agent（子）是怎么做协调的？10.为什么需要单独构建Agent Tools服务？11.为什么将Tools注册到Nacos上，而不是使用MCP这种形式？12.工具的自动注入是怎么实现的，有什么意义？其他：13.请你讲讲Agent和基模的本质区别...

原题1： 工作有搭 agent，为什么不采用 workflow 或者 prompt+大模型？拆解： 这是整场面试最致命的一题。面试官不是在否定 agent，而是在考你技术选型的决策逻辑——你是否真的理解 agent / workflow / prompt 三种方案的适用边界。• Prompt+大模型：适合单轮、无外部依赖的简单任务。快，成本低，但上限也低• Workflow：适合多步骤但路径确定的流程，可以并行调用不同服务，可控性强• Agent：适合路径不确定、需要自主规划和工具调用的复杂任务，灵活但稳定性差面试官追问「觉得没有必要用 agent，让我说 agent 具体做了什么」——说明你的 agent 场景没能说服他。核心问题是：你无法清晰说出 agent 在这个场景下的不可替代性。如果 workflow 也能做，那你为什么要上 agent？答题框架： ①先承认「这个场景确实可以考虑更轻的方案」②然后说明为什么在这个场景选了 agent（比如说，用户的输入不可预测、需要动态选择工具链）③最后给出 agent 带来了什么 tradeoff（灵活性 vs 稳定性）───原题2： agent 使用弊端拆解： 这题考的是对技术的批判性认知。很多候选人用 agent 只会说好处，说不出弊端=你不懂。agent 的弊端至少四点：1. 稳定性差——自主决策意味着结果不可控，同样的输入可能产生不同输出2. 调试困难——不像 workflow 可以逐节点排查，agent 的黑箱决策链路很难定位问题3. 成本高——多次 LLM 调用+工具调用，token 消耗远高于单次 prompt4. 循环风险——ReAct 模式下可能陷入无限重试关键： 能说出弊端并给出 mitigation 方案才是高分答案。比如「为了解决稳定性问题，我们加了最大步数限制 + 关键节点人工审核 + fallback 到规则兜底」。───原题3： 用过飞书多维表格吗？用过哪些模块的功能？拆解： 不是闲聊。飞书AI产品岗必考题。考的是你对飞书生态的理解深度——多维也表格是飞书 AI 的核心载体之一（数据存储+工作流引擎）。说不出具体模块=没用过=对产品理解停留在表面。建议：投飞书 AI 岗之前，至少把多维表格的公式、自动化、仪表盘、AI 字段这几个核心能力吃透。通过cli发现的不错面经，如有侵权请联系删帖。

Q1：大模型是怎么让生成的文本丰富而不单调的呢？答案：从训练角度来看：基于Transformer的模型参数量巨大，有助于模型学习到多样化的语言模式与结构；各种模型微调技术的出现，例如P-Tuning、Lora，让大模型微调成本更低，也可以让模型在垂直领域有更强的生成能力；在训练过程中加入一些设计好的loss，也可以更好地抑制模型生成单调内容；从推理角度来看：基于Transformer的模型可以通过引入各种参数与策略，例如temperature，nucleus samlper来改变每次生成的内容。Q2：什么情况用Bert模型，什么情况用LLaMA、ChatGLM类大模型，咋选？答案：Bert 的...