未必然 Agent开发 一面

一、实习
1.介绍项目
2.拷打了一下实习项目中的细节
3.项目中有涉及过NL2SQL的场景吗？
这里如实回答没有，讲了一下向量搜索的业务场景。
面试官没有继续追问，说没事，还讲了一下什么是NL2SQL，即将用户输入的自然语言转化为sql语句进行查询。
4.讲一下RAG的整体流程吧
详细说了一下RAG的流程，分片、索引、召回、重排、生成。
5.在RAG中都有哪些分片的策略？
比如通过字数、段落、章节，甚至语义进行分片、调整overlap的大小等等。
6.讲一下仅仅通过字数进行分片的优劣吧
优势肯定是技术上实现比较简单，劣势则是这种暴力的切分方法，可能导致文档在语义方面的逻辑不是特别清晰，从而使最终返回的结果质量不理想。
7.那我们有没有什么办法能够避免这种情况？
当然有，首先就是从标点符号、段落、章节等入手进行拆分，比如一个句号包裹的句子一般逻辑性较强、本章节如果结束了就及时停止分片，还有就是调整overlap的大小，使其语义的连贯性得到提升。
8.你在上一段实习中是主要通过代码实现的，还是也有用过一些低代码平台？
主要是通过代码实现的，不过低代码平台也有用过，我们用的是fastGPT。
9.了解过MCP协议吗？
MCP协议是Model Context Protocol，即模型上下文协议，虽然名字带有模型，但实际上和模型并没有直接关联，它其实是分为了MCP Host，像Claude Code、Cursor、VsCode中的Cline等等平台，还有MCP Server，即满足MCP协议的程序，其内部可能有多个方法，MCP其实就是作用于Host和Server之间的交互，并没有规定如何与模型进行交互。
面试官这里用HTTP进行类比，进一步讲解了一下。
10.讲一下Skill吧
Skill其实本质就是说明文档，如果说MCP是给模型提供数据，那么Skill就是教给模型怎么处理数据。在与大模型进行交互时，我们可以把Skill列表一并传过去，让大模型自主决定调用哪个Skill。这里我们通常只传入meta data，即元数据层，名称和描述，当大模型选中特定的Skill后，才会查看其对应的指令层、资源层，这就是渐进式披露机制。
11.你知道为什么需要Skill吗？
这里一上来有点懵，只是说Skill可以让大模型自主决定选用什么样的策略处理数据。
面试官进一步讲解了一下，一是，MCP本质是一个协议，我们在实际做智能体开发的时候，仅仅一个MCP Server可能就暴露上百个工具，如果将所有的Server及其工具都传给大模型，上下文窗口消耗得很快，token很容易爆炸，而Skill有渐进式披露这个机制，能很好地节省token；二是，当MCP Server的工具过多时，可能有成百上千个，即使是最先进的模型也可能无法准确识别出要调用哪个工具，而Skill则将工具的标准调用顺序和逻辑封装为一个技能，模型面对的不是多个工具，而是一个技能，这样就大大提高了其效率和专业性。
二、项目
1.我看到你的简历中有提到一个Coding Agent项目，能不能简单介绍一下？
这是一个Vibe Coding的成果，是一个基于Python实现的Agent，我的目标是想把它打造成一个类似OpenClaw的Agent。
2.我看着就像是OpenClaw，这样，我们聊到哪就问到哪吧，请你详细说一下从用户向OpenClaw下达指令，到其返回最终结果的全流程吧，比如查询天气这个场景。
首先，我们将历史上下文和用户的最新提问进行拼接，然后一并发送给大模型，当然，一并发送的还有工具列表，比如description、schema等，大模型收到用户信息后，决定调用查询天气的工具，并给出具体参数，平台调用具体工具，并将结果返回给模型。一直重复这个循环，直到大模型不再进行工具调用，给出最终结果，我们再将最终的天气信息返回给用户。
3.我看到你提到了历史上下文，也就是记忆，是吗？而且在你的项目中也有上下文压缩的逻辑，你都知道哪些上下文处理的策略，又有哪些具体实践？
我在这个项目中对上下文的处理主要是借鉴的Claude Code的方案，即当上下文达到窗口的95%时，进行压缩处理。我的具体处理逻辑是，保留最近n条对话，再将剩余的上下文交给大模型，让它生成一份摘要，这样既能保证会话的连续性，又能起到节省token的作用。
三、八股
面试官说懒得问，应该是看到我实习中有后端的项目，所以对后端的技术栈比较放心，只是确认了一下增删改查这些基本的sql没有问题吧，还说去了以后token管够，应该也不是问题。
四、业务介绍
面试官详细讲了一下去了都做什么业务。
五、反问
问了一下具体的业务，还有是否能够转正，以及转正后的薪资范围。

整体感觉还算简单，面试官人也不错，很尊重人，不管答得怎么样都会做讲解，而且一口一个您，很舒服的一次面试。