携程算法系统开发（已oc）

一、前端AI Agent的核心概念1.1 Agent与Assistant的本质区别• 传统AI助手：被动响应型，单次对话生命周期，如早期GitHub Copilot• AI Agent：主动执行型，具备工具调用能力，能规划多步骤任务，在上下文中持续工作1.2 前端AI Agent的三大核心能力1. 工具调用能力：通过Function Calling调用API、操作DOM、读写文件2. 任务规划能力：分解复杂任务为可执行步骤链3. 上下文记忆能力：在会话中保持状态和记忆二、Coze类平台的工作流机制2.1 Coze平台架构原理Coze本质是“前端可视化编排器 + 后端工作流执行引擎”的融合体：• 用户界面(UI)与业务逻辑(Workflow)物理隔离但语义强绑定• 所有交互动作必须通过“事件绑定”触发工作流• 表单数据传递依赖“变量名严格一致”机制2.2 典型工作流设计模式节点类型功能应用场景开始节点接收用户输入参数所有工作流入口大模型节点调用LLM生成内容文案生成、代码生成、分析推理插件节点调用外部工具/API文件处理、数据查询、图像生成条件分支逻辑判断与路由多路径任务处理批处理节点批量执行任务内容批量生成、数据处理结束节点输出最终结果工作流结果返回2.3 工作流开发流程1. 创建工作流：定义输入参数和输出结构2. 编排节点：通过拖拽方式连接各功能节点3. 配置参数：为每个节点设置提示词、模型参数、插件配置4. 测试发布：本地测试后发布为可调用API三、具体应用案例与实现逻辑3.1 视频内容生产流水线核心逻辑：主题输入 → 脚本生成 → 配音合成 → 自动字幕+封面 → 视频导出• 技术栈：Coze工作流 + 视频处理插件• 价值：10分钟内生成完整视频，解决内容创作者“质”的稳定和“量”的爆发痛点3.2 智能日报总监工作流设计：用户配置兴趣领域 → 定时触发 → 新闻抓取与筛选 →内容摘要生成 → 排版格式化 → 多渠道推送• 实现要点：定时触发器 + 新闻API插件 + 大模型摘要节点3.3 历史人物讲解视频生成节点编排：1. 输入节点：接收人物名称、时代背景2. 研究节点：调用知识库查询历史资料3. 脚本生成：大模型生成生动讲解文案4. 配音合成：TTS生成语音5. 视频合成：结合素材生成最终视频3.4 宠物变身趣味应用前端+Coze集成方案：// Vue3前端调用Coze工作流const generateImage = async (file, params) => {// 1. 上传图片到Coze获取file_idconst uploadRes = await cozeFileAPI.upload(file);// 2. 调用工作流APIconst workflowRes = await fetch('https://api.coze.cn/v1/workflow/run', {method: 'POST',headers: {'Authorization': `Bearer ${apiKey}`,'Content-Type': 'application/json'},body: JSON.stringify({workflow_id: 'your_workflow_id',parameters: {file_id: uploadRes.file_id,...params}})});return workflowRes.result_url;};四、技术实现方案与框架4.1 前端AI Agent框架选型框架特点适用场景PageAgent(阿里开源)纯前端JS GUI智能体框架，基于DOM操作SaaS AI Copilot、智能表单填写、无障碍访问OpenTiny NEXT-SDK基于MCP协议，前端应用快速接入AI Agent现有应用智能化改造WebSkill架构浏览器端原生Agent技能，配合WebMCP和生成式UI全闭环Web AI应用Coze Chat SDK官方JavaScript SDK，快速集成对话能力网页嵌入对话界面4.2 前后端分离架构模式Coze空间作为前端开发平台：• 后端：Coze工作流处理核心逻辑• 前端：自定义网页界面通过API调用工作流• 优势：UI设计完全自由，可深度集成到现有业务系统4.3 前端开发者转型路径1. 初级：AI嵌入前端◦ React/Vue直接集成OpenAI Realtime API◦ 前端工作流自动化2. 中级：构建AI Agent◦ 使用OpenAI Agent + Function Calling◦ 或LangChainJS/LangGraph框架3. 高级：AI原生应用◦ AI自动操作前端UI(RPA)◦ AI直接生成Vue/React页面◦ AI调用前端组件作为工具五、开发实践建议5.1 项目启动步骤1. 明确业务场景：选择重复性高、规则明确的任务2. 设计工作流：用流程图梳理任务步骤和决策点3. 选择技术方案：根据复杂度选择纯前端Agent或前后端分离4. 原型验证：先用Coze平台快速验证可行性5. 产品化开发：基于验证结果进行正式开发5.2 成本控制策略• Token优化：合理设计提示词，减少不必要上下文• 缓存策略：对重复查询结果进行本地缓存• 批量处理：利用批处理节点降低单次调用成本• 模型选择：根据任务复杂度选择合适的模型规格5.3 常见问题与解决方案问题原因解决方案工作流执行超时节点过多或单节点处理时间过长优化节点逻辑，增加超时设置，考虑异步处理API调用频率限制免费版或基础版限制实现请求队列，错峰调用，考虑升级套餐前端与工作流数据不一致变量名不匹配或类型错误严格统一命名规范，增加数据验证层生成结果质量不稳定提示词设计不完善A/B测试不同提示词，增加后处理节点六、未来趋势与创新方向6.1 技术趋势1. 浏览器端AI能力增强：WebGPU、WebNN等标准推进2. MCP协议生态成熟：更多前端工具支持MCP Server化3. 低代码AI开发普及：类似Coze的平台降低AI应用开发门槛6.2 业务创新方向1. 企业级AI Copilot：为SaaS产品增加智能助手功能2. 个性化内容生成：基于用户画像的定制化内容生产3. 自动化测试与运维：AI驱动的前端测试和性能优化4. 无障碍交互革命：自然语言操控替代传统UI交互核心建议：前端开发者应从“写代码”思维转向“定义能力+让AI运行”思维，将AI Agent作为提升开发效率和创造新价值的关键工具。建议从简单的Coze工作流项目入手，逐步掌握前端AI Agent的核心技术栈。

自我介绍 1.RAG的核心流程2.向量嵌入模型的选型3.多模态和文本在向量嵌入的时候存在什么区别4.Agent的核心组件5.Agent框架，应用场景6.大模型训练的过程7.Agent场景题（开发SQL查询 Agent），怎么设计，存在的问题，怎么解决8.AI coding场景题9.最近有没有压力特别大的事情，怎么解决的10.自我评价一下自己有哪些不足反问无手撕，无AI coding

之前参加小米的日常实习。我参加了三轮面试。我以为第三轮是HR面试，但是问的一直都是技术内容，拷打我项目。最后等了两周，才把我挂了。搞的我很怀疑自己。有没有兄弟，可以传授一些面试经验呢。项目是学校的和自己ai code出来的，没什么深度。唉。

攒人品ing~个人背景：本北邮（计科），硕南大（软工，27届）。一、 基础八股考察 (Java/Spring/DB/网络)1. 多线程与并发线程池的核心构造参数有哪些？场景题：一个有队列的线程池，请求不断进来，说说线程池内部的执行逻辑？平时用什么 JDK 版本？2. JVMJDK 8 的垃圾回收算法有了解吗？有没有关注过比较新的垃圾回收器，比如 G1 或者 ZGC？3. Spring 框架Spring Boot 里面经常引入的 Starter，里面一般包含什么东西？底层的运作逻辑是怎样的？AOP 的底层原理是什么？4. 数据库与中间件 (MySQL / Redis)场景题：如果一条 SQL 执行效率很低，你怎么判断和优化？哪些 SQL 写法会导致全表扫描（索引失效）？Redis 在你的博客项目里用在了什么场景？为什么？5. 网络与其他为什么博客项目中提到微服务，但最后没有完全落地？HTTP/1.1 和 HTTP/2 的区别？二、 项目与实习深挖1. 实习项目一：天翼交通 - 自动驾驶传感器数据预处理项目背景：遇到的挑战与解决方案追问：为什么这里用多进程而不是多线程？其他工作：2. 实习/个人项目二：航旅智能排障 AI Agent项目背景追问：你的数据来源是哪里？是真实的业务数据吗？追问：详细介绍一下这个多 Agent 的工作流？追问：如何评判这个 Agent 的效果？有具体指标吗？追问：结合现在业界的新趋势，这套架构还有什么优化空间？三、 AI 编码实战与前沿视野你对现在的 AI Coding 工具（如 Cursor/AI IDE）怎么看？你自己深度使用 AI Coding 的真实体验？实践中遇到过什么 AI 理解不了的 Bug 吗？平时怎么获取最新的 AI 技术动向？四、 HR/软素质问题团队中遇到别人和你有不一样的观点，你怎么处理？对自己未来的职业发展有什么规划？五、 反问环节部门具体的业务定位和挑战是什么？