选择

想要加入Agent赛道的话，我建议从这几个方向入手。LLM的工作原理必须搞清楚，至少要理解模型是怎么理解指令、生成回复的，以及Token限制、上下文窗口这些基础概念。Tool Calling是核心能力，要知道怎么让Agent调用外部API、解析返回数据、处理异常情况。LangChain或者类似的Agent框架也得会用，它能帮你快速串联起整个workflow。另外像记忆管理、任务规划、多轮对话这些进阶内容也要逐步掌握。这个领域更新特别快，建议边看论文边动手做项目，光看不练很难真正理解。

这个面经是群里 小伙伴分享的 社招, 2年的工作经验 双非本9硕 将近40分钟都在问项目细节 项目这里我全部砍掉了1. 自我介绍2. 大模型在推理时通常分哪两个阶段，每个阶段关注点是什么一般分成 prefill 和 decode 两个阶段。prefill 阶段主要是把输入 prompt 一次性编码进去，重点看吞吐、并行效率和长序列的计算开销；decode 阶段是逐 token 生成，重点看单步延迟、KV Cache 复用和 batch 调度效率。很多线上推理慢，不是模型本身慢，而是 prefill 太重或者 decode 阶段调度策略不合理。理解这两个阶段，才能知道为什么有些优化只对长输入有效...

RAG（检索增强生成）技术则解决了大模型“知识滞后”“幻觉”的问题，通过将外部知识库与大模型结合，让Agent能检索最新、最准确的信息来生成答案，是Agent实现“精准响应”的核心技术。学习RAG需掌握文档拆分、嵌入（Embedding）、检索匹配等关键步骤，而向量库是RAG技术的核心支撑，需熟练使用主流向量库（如FAISS、Chroma、Milvus），了解其原理、部署方法及检索优化技巧，能将向量库与RAG流程结合，搭建高效的知识检索系统。

有hr给笔试吗，投的晚了点，之前offer被鸽了，华子官网申请没消息