一，前言在上一篇文章里说了要在今天发一篇关于如何拥有开源经历的文章。在昨天写了一个大概的大纲。在今天整理出来了这篇文章。由于牛客的使用群体主要都是学生，所以这篇文章的写作倾向也主要是偏向于学生如何从零开始参与开源首先开源是什么，开源是来自世界各地的开发者在代码托管平台( github , gitee 等)进行协作，且源代码开放可供任何人浏览的一种方式。并且在这种协作的过程中形成了开源社区，以及独特的开源文化。然后我来说一下我认为的大部分同学参加开源的目的（没命中可以评论区补充一下）给自己的简历上加一段比较有含金量的经历参加开源活动赚点小钱，薅社区的羊毛热爱开源以上便是我认为的可能的大部分同学想...

在 AI 应用的场景中，rag可以说是一项必备的技术，在智能客服，导购 agent，智能创作等有检索需求的场景都会使用到，所以这里结合一些实际的应用场景和大家做一些分享一，数据准备数据准备是 rag 整个流水线中非常重要的一环，所以在实际的生产场景中，也主要是看数据解析，以及使用不同的向量库落库的过程 文件解析（pdf，docx，txt，md）目前常见的文件解析，就是利用 Apache tika 等开源库做解析组件，但对于一些富文本的数据，比如有图片和表格的情况，就要借用 ocr 等辅助手段大表格处理表格是比较常见的数据类型之一，但是大表格解析通常会有一些问题比如在切块的时候如果每一行都作为 ...

https://github.com/instructkr/claude-code代码纯享版

如题，之前找了一个阿里的大佬内推，打算试试水，说今年有 AI 相关的经验很容易进面我觉得我应该算有 AI 相关的经验，就尝试投了一下，后面评估挂了之后，内推的大佬去问了一下评估人他说：除了 AI 经验还需要工程经验（但我不知道已经写了实习参与实际项目还要怎么体现）其实到这里就很显而易见了，还是会卡学历的，所谓的 AI 经验也就是个说法，即便你没有 AI 相关的经验，只要bg够了也可以随便进面筛选还是原来的标准，或者说在原来的标准上又加了你要懂一点AI

好久之前面的了，今天想起来发一下面经一面问开源1. mcp 网关是怎么做的2. 限流是怎么实现的3. 模型的可观测是怎么实现的，具体有哪些指标4. 这个DSL的序列化是怎么做的5. 多租户是怎么实现的，物理隔离还是逻辑隔离八股1. 分布式理论2. HTTP2和HTTP1的区别实习主要靠打了agent 多轮对话的长期记忆和短期记忆，问的比较深并且延伸问了 KV Cache 的一些知识手撕：手写一个支持多租户的限流器二面八股1. JVM分区2. 垃圾回收算法3. Spring AOP的原理实习这里拷打了很多，但不知道为什么，一直说我们实现的方案不合理agentic rag 工具调用的讨论从记忆到 kvcache，引出了一个场景题，如果多轮对话中a没有命中kvcache缓存，后面的b，c可以命中吗？agent分层架构怎么解决长链路的token溢出的还有一些开源和实习的问题有点忘了手撕 LRU总体感觉二面体验有点差，不过也问出来很多简历上的问题

X上一个博主发的看了很触动人除了要打破舒适圈去努力，还应该合理评估自己的努力是否是正确的，有价值的

之前在 AI 全景学习路线图那篇说过想要写一个 agent 框架，并且把教程和代码都开源出来最近过年放假正好可以一边准备暑期，一边写这个了。这两天已经写了一个 mvp 版本了，但是还有很多地方需要完善，并且写的这个 deepsearch example 目前也只是一个跑通的状态。框架会支持的特性ReAct loop，多智能体系统，生成式UI，智能体强化学习，智能体沙箱等等，基本主流 agent-sdk 有或者没有的都会实现一下等到所有的初版代码和 example，文档都基本就绪的时候就发布一个里程碑版本把代码开源出来，在牛客更新教程今天是大年三十，祝牛友们，新年快乐，马年大吉，在 AGI 时代都能找到自己最满意的生活PS: 图片是 example 前端的一些截图

最近在写agent sdk的时候做了一些进一步的调研，在小红书上发现一个博主发的一段话和我现在的想法一模一样所有的agent框架目前就是 ReAct loop，mcp，middleware，skill这些的集合，agent infra的下半场需要集中注意力在 agent 测评，agent rl，稳定性，沙箱这些组件，去支持新的 AI 应用，整体没有新的工程范式来用，后面可能要看新的应用场景或者学术界的发展了

感谢大家对我写的一些科普小文章的支持，成功把我送到红名了后面尽我所能继续写一点对大家有帮助的技术小文章然后牛友们有没有做过非技术自媒体的，就是不是发学习路线，晒大厂offer这种的，比如做游戏，科普，文学等等的想学习一下

如题，阿里的暑期实习3月就开始招聘了，请教下牛友们，阿里各个BU都是强卡211吗？还是只有云是这样

背景概述：为什么要写这个呢？虽然现在大模型很火，但对于我们工程同学来说，把大模型当一个黑盒用就好了。一开始我也是这么认为的。直到我在小红书做到了一个需求在小红书的时候有一个需求是优化组内一个 agent 项目的响应和结果优化，这个 agent 是一个复杂的商业助手，并不是说技术很难，但要分析的广告业务很复杂，有上千个指标，好几种场景，prompt非常长，如果输出的效果不好，是没有人愿意用的。用了很多优化手段，比如并发查数据等等。有一天这个项目的正职同学和我说，他和算法那边的同学交流，说可以把我们动态拼到 System prompt 的指标数据拼到用户的 query 里面，这样就可以利用模型的 ...

很多同学，在有了一定工程基础之后，想顺应现在的潮流去学习 AI Agent 的开发，但是又苦于没有入手的项目，网上的教程要么又臭又长，要么就是在割韭菜，很难学到真东西。但其实很多开源项目的实现就能让我们学到非常多的东西了，如果让我推荐的话，我一定会推荐 langchain 官方的这个基于 langgraph 的 deepagents项目地址：https://github.com/langchain-ai/deepagents为什么推荐这个项目呢，先来看看这个项目的特点通过文件系统进行智能体记忆，保存上下文，这个也是最近比较火的 skills，openclaw，字节的上下文数据库 openVik...

接上篇 https://www.nowcoder.com/discuss/847995166416703488?sourceSSR=users还缺少了平台和中间件的部分没有和大家交流，这一篇补充一下平台&&中间件和 AI 相关的平台主要就是 Maas 平台和机器学习平台，Maas 平台，大家最熟悉的就是阿里云百炼，用于模型部署，模型微调，并且整合知识库，Agent平台的综合平台AI 中间件主要包括 AgentRuntime，AI 网关 等等资料推荐：首先是平台侧，对于大模型的工程化平台，开源的，我是最推荐 langfuse 的https://github.com/langfuse/langfuselangfuse 是 langsmith 的开源平替，包含可观测，评估，提示词管理，数据集管理等主流功能机器学习平台就比较复杂了，这个主要是各个公司的内部平台，用于算法同学快速迭代的，所以开源的资料比较有限，但我也找到合适的可以学习的https://github.com/kubeflow/kubeflow目前最主流的 MLops 工程包，很多机器学习平台的核心功能都是通过这个的组件编排实现的，通过学习这个，就可以逐步理解机器学习平台的核心功能此外还需要补充，k8s 和云原生相关的技术栈，用于优化模型的部署和调度。此外还要学习 Ray 这个不可或缺的分布式框架https://github.com/ray-project/ray然后是中间件这边AgentRuntime智能体沙箱，用于安全，快速，高效的运行智能体应用，并且和 k8s ，serverless 等相关技术结合，实现毫秒启动和动态扩缩容开源可以看看火山的子项目https://github.com/volcano-sh/agentcubeAI 网关只推荐阿里的开源 AI 网关 HIgresshttps://github.com/alibaba/higressAI网关除了一般网关的功能之外，还要支持，mcp托管，http无缝转mcp，模型路由等等，higress通过一个巧妙的插件系统接入了这些，并且还保留了大流量网关需要的核心功能（这个项目的语义化检索mcp插件是我写的，感兴趣的牛友可以看看）上面的这些，基本就把我认知中设计 AI 的开发岗位都讲的差不多了，其他评测平台和数据 pipline 搭建的，基本都是比较常规的技术栈，不太需要单独讲，比较喜欢鸡架的同学可以冲这些岗位。后面的系列规划：1. 从 0 - 1 实现一个 Agent 框架（教程 + 源码）可以写到简历上面的2. 一些有意思的项目推荐，目前已经想好了两个，后面发一下3. 自己的一些踩坑记录（比如后面暑期继续找垂直实习踩的坑）

想写这个很久了，因为自己在开源和实习中也接触过一些 ai 的工程化内容，对这一块也有一些自己的思考，这个路线图说是 AI 应用开发全景路线图，其实我是想写从 maas 平台到 AI infra 的整个模型工程化的全链路的知识，但是笔力有限，第一版应该先聚焦于平台和应用开发。学识尚浅，也欢迎各位牛友一起交流，探讨，完善阅读建议：每个模块开始是我的一点思考和收集的信息，后面就是学习建议和资料（主要是开源项目+文档，视频资源如果有比较不错的也会放上去），有些技术可能没有好的教程，后续会陆陆续续的出文章+ demo 和大家交流一，AI 应用开发到底是什么概述AI 应用开发这个字眼从 gpt 刚开始火的...

由于现在很多公司不管需不需要，都要高一些 AI 的能力，来提升自己的技术影响力，所以各类大厂，开源基金会就搞了一些 Agent 开发的小比赛，这些比赛很简单，参加的人也不多，但是奖金不少一，技术类开放原子大赛这个基金会经常会拉一些大厂的赞助去吸引一些参赛队伍构建 Agent，这些队伍以大学生为主，实际上难度也很低，实现数据 Agent，GUI Agent，并不要求很完善，大部分参赛作品也就是 demo，或者很粗糙，只要 idea 足够新颖就可以了https://competition.openatom.tech/competition阿里天池的相关比赛MIniMax 等初创公司举办的 Agent 比赛这些都是门槛很低，写个demo就行的比赛，但是有些消耗时间，有精力的牛友可以冲二，非技术类美团 NoCode 挑战赛百度秒哒应用挑战赛Trae 的一些相关比赛这些都是比较适合非技术同学的，利用主办方的零代码或者低代码工具去实现一个idea，这个门槛更低，唯一的缺点也是耗时间此外还可以去小红书上搜索 Agent 比赛，这样比较水但是还有奖金的比赛还有很多，算是一个赚钱的小渠道

从2024年开始，Agent 开发这个概念就慢慢的火爆了起来，2025更是被称为 Agent 开发元年，经常会在牛客上刷到很多在后端找工作碰壁的同学发帖，要不要学一些 AI 相关的东西，怎么转大模型应用开发。其实这样的观念本身就带有一定的偏差。我之前在红薯做过一段时间的 agent，也是某7k+ star 的 Agent 开发框架 committer，所以我认为我在这上面还是有一点点自己的心得的。误区一：把 Agent 开发和后端拆开来看据我观察，很多同学所谓的转 AI 应用开发，就是用 Spring AI 或者 langchain 去实现了一个 demo（当然现在可能更高级一点GraphRAG，整个可拖拽的工作流之类的）然后没有任何后端的内容，然后放到了简历上，这个行为其实和在简历上写了一个自实现 RPC 框架和自实现网关没有任何区别。AI Agent 是模型工程化应用层最重要的环节，也比我们平常想想的要复杂的多，我们大部分接触的都是业务开发这个场景，比如电商中的智能客服，或者内部的提效工具。这种其实说的不好听一点就是调用 API，本身和其他的业务场景没有一点点区别，所以对于这样的业务开发岗位，不存在从后端转到大模型应用开发，而是说本身就是后端+新场景。本身最重要的就是 数据+prompt+稳定性，那就不存在任何转方向的说法。所以，如果想做这个业务的同学，只要好好看看mcp,planning这样的新概念，然后快点去找一份相关的实习，因为这个最重要的不是你怎么做这个 Agent，而是怎么让这个 Agent 更稳定，可观测，prompt调优等等。也更看重你的服务端开发的相关经验误区二：Agent 开发是不是工资会更高呢，或者更有技术含量，毕竟大家现在都在卷AI？这个就是一个更大的误区了，刚才上面说的这些，一般就是各个业务部门自己在搞，本身不涉及什么技术。所以本质上和后端同学的薪资基本没有区别。比较有技术含量的呢？就是各个大厂的基础架构和中台部门，提供 AI 开发的基础设施，比如阿里百炼，字节火山方舟，快手万擎，这样的模型算法开发平台，Agent开发平台，智能体沙箱，Agent runtime 这些以前鸡架部门做的工作。为业务方提供集成的 Agent 能力，这个会更有技术含量，可能也会有一定的溢价，以及更高的就是做SFT/RL/AI infra 的岗位了，这样的才是 Agent 的薪资天花板所以再回看 AI 落地的相关的岗位的话，其实还是业务和鸡架二选一，或者有的大佬去做infra和强化学习之类的。比起盲目的去追求这个火热的方向，我觉得更重要的是踏踏实实的去学一下这些技术，如果想做 Agent 的话，Agent相关的技术也是日新月异，学一下怎么将 AI 和业务结合，稳定的落地，或者底层的相关技术，我觉得是更重要的。ps：最近好多牛友问我做开源对找工作到底有没有帮助1. 没实习之前一定有，有实习之后并不如实习（除非你是做鸡架的同学）2. 如果为了找工作参加开源，ospp，glcc 是最好的选择3. 用 AI 写 pr 一定要自己本地先看一遍，测一遍再提交