如何背八股

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。

面完之后：按记忆把题串起来说 手里那份问题清单，是好几场面谈里碎片问题的合集。 单独看每一条都像八股，串在一起你会发现面试官的注意力一直在两条线上晃：一条是「这东西在线上会不会出事」，一条是「你知不知道自己在用什么、没用上什么」。 下面按我自己后来复盘时觉得顺的思路写——从项目怎么讲，一路滑到 LangGraph、记忆、agent 形态、工具协议、RAG，最后落到后端那几道「看起来基础、其实能问穿」的题。 你如果对某一块熟，可以快速扫小标题跳读。 从项目讲起：先别急着报框架名 几乎所有 agent 岗都会从项目开刀。我踩过的坑是开场三十秒就把 LangGraph、LangChain、某某向量库...

28，现在的进度是hot100开了第二轮，java的八股整体过了一遍，但是点评的八股还没仔细看，最近刚做完了一个挺不错的aicoding的项目，如果以后的目标是走agent开发，现在是先继续背java的八股投后端的日常实习还是继续沉淀一个rag的项目直接投agent开发实习？后端的实习会对后续找ai应用开发有帮助吗？

Q1：⼀句话说明什么是 AI Agent？答案：AI Agent 是以⼤模型为认知核⼼，结合规划、记忆与⼯具调⽤，能在多步交互中根据环境反馈持续决策并完成任务的系统；其本质是 闭环的感知—思考—⾏动 循环，⽽不仅是单次⽂本⽣成。Q2：为什么说 Agent = LLM + Planning + Memory + Tools？缺⼀块会怎样？答案：缺 Planning：容易变成「只会接话」的聊天，⻓任务易跑偏或⼀步登天完不成。缺 Memory：⻓对话会丢线索，多会话⽆法延续⽤户偏好与任务状态。缺 Tools：只能「空谈」，⽆法查实时信息、执⾏代码、改系统状态。LLM 仍是中枢，但单靠 LLM 没有外...