面试 & 针对性学习计划
这一章是去市面上扒了 101 个职位样本 + 数百份 JD 分析 + 中外面试题库后的产物。结论是有针对性的:不平均用力,只打招聘真正在考的点。
5.1 市场要求总览(按出现频率排序)
把 AI Agent 岗的要求分成三档。必备档没有就难过简历关,加分档是初级/资深的分水岭。
🟥 必备(频率:高)
| 能力 | 说明 |
|---|---|
| Python | 绝对主力(样本中提及 125 次,碾压第二名 C++ 45 次) |
| RAG + 向量数据库 | 检索/分块/embedding/混合检索,被称"标准配置"(123 次) |
| LangChain / LangGraph | 被点名最多的框架组合,多要求"精通/熟练"——你正在学的方向完全踩中 |
| Prompt / 上下文工程 | 已从独立技能"降格"为前置基本功;Context Engineering 是 2025 H2 新热词 |
| Function/Tool Calling | 几乎所有 Agent JD 标配 |
| Agent 架构组件 | Planning / Memory / Tool / 循环,大厂 JD(腾讯元宝、字节、阿里)明确点名 |
| Multi-Agent | 趋势从单 Agent 转向多智能体协作,权重上升 |
| 工程化部署 | Docker/K8s、微服务、REST/gRPC(容器化 55、微服务 42 次) |
🟧 高频加分(频率:中)——资深分水岭
| 能力 | 说明 |
|---|---|
| Eval 设计 / 模型评测 | 西方招聘的头号筛选信号(是否真在生产做过 LLM);国内逐步跟进。性价比最高的补强项 |
| 微调 SFT/LoRA/QLoRA/DPO | 60K+ 月薪高端岗近乎硬门槛 |
| MCP(模型上下文协议) | 2025 新热点,高级岗"优先项",要 spec 级理解 |
| 可观测性 | LangSmith / Langfuse / Phoenix;能区分 trace vs span、对 eval 分数告警 |
| 幻觉检测与缓解 / RAG 优化 | RAG 投产难点是高频考点 |
| ML/DL 基础 | "了解"级即可(92 次,多为了解) |
🟩 锦上添花(频率:低)
开源贡献/论文、Computer-Use Agent、Safety/Guardrails(OWASP LLM Top10、最小权限、kill switch)、成本优化(模型路由/prompt 缓存盈亏)、自进化/RL 系统。这些是资深差异化信号,不是门槛,但讲得出来很加分。
5.2 框架要求:JD 里点名最多的
| 框架 | JD 语境 | 重要度 |
|---|---|---|
| LangChain + LangGraph | 最高频组合。LangGraph = 显式图状态机(节点/边/checkpoint)、可中断可恢复、可观测可测试,"可靠 Agent 编排"的代名词 | ★★★★★ |
| LlamaIndex | 与 LangChain 并列,偏 RAG/索引语境 | ★★★★ |
| AutoGen / CrewAI | 多智能体语境。CrewAI=角色分工;AutoGen=多 Agent 对话。常作"熟悉多智能体框架"加分 | ★★★ |
| Dify / Coze / n8n | 低代码可视化工作流,产品/应用岗常点名,纯研发岗权重低 | ★★★(应用岗) |
| MCP(协议) | 工具集成标准,高级岗优先项 | ★★★(上升) |
Workflow(Dify/Coze,硬编码 DAG,高可靠,适合审批/标准客服) vs Autonomous Agent(LangGraph/AutoGen,LLM 自主决定循环与工具,灵活,适合开放研究/写代码)。能讲清这条分界线 = 加分。LangGraph 的妙处是它横跨两端:既能写死流程,也能放开自主。
5.3 你的定位与短板(说实话版)
基于你的背景(字节/百度/滴滴工程履历 + 实际 Agent 使用经验),定位很清楚:
大厂工程背景 + 真实 Agent 落地,天然契合"资深 Agent 工程师/架构师"(35–80K,15–18 薪),而不是初级开发岗。打法应该是"深度优先":能讲原理、能设计高可用架构、能聊生产失败模式,而不是比谁会的框架多。
| 维度 | 初级岗 | 资深岗(你的目标) |
|---|---|---|
| 框架 | 会用搭起来 | 懂实现原理、能设计高可用架构(→第 1 章) |
| Eval | 会跑现成指标 | 能从零设计 eval 框架 + 讨论失败模式 |
| 编排 | 会搭 tool 循环 | 能讲生产失败模式与恢复 |
| 微调 | 了解概念 | 精通 SFT/LoRA/DPO(60K+ 门槛) |
| 安全/成本 | 知道基础 | LLM06 越权、最小权限、模型路由盈亏 |
调研显示,初级和资深的分水岭、也是你大概率的短板:① Eval 设计(动手做一套完整的)② 微调动手(跑通 SFT+LoRA)③ 可观测性工具栈(LangSmith/Langfuse)。其中 Eval 是性价比最高的——投入小、面试信号强。
5.4 高频面试题 + 答题方向
分五类,每题给一句"答题抓手"(详细原理回前面章节)。
A. 架构原理
- 单 Agent 的核心组成? → LLM 控制器 + Planning + Memory + Tool use,逐个展开(第 2 章)。
- ReAct vs Plan-and-Execute vs Reflexion 的区别与适用? → ReAct 边想边做、Plan-Execute 先规划后执行省 token、Reflexion 加自我反思(第 4 章案例 3)。
- Workflow vs Autonomous Agent 怎么选型? → 可靠性 vs 灵活性的权衡(见 5.2 话术)。
- LangGraph 内部怎么调度节点? → Pregel/BSP 超步模型 + 通道订阅(第 1 章,资深杀手锏)。
- 上下文工程:有限窗口内怎么压缩/选择性注入? → 摘要、检索式注入、修剪历史,解决长程衰减。
B. RAG
- 稀疏 vs 稠密检索,为什么要混合(BM25+向量)? → 关键词精确 vs 语义泛化,互补。
- HNSW vs IVFFlat 怎么取舍? → 召回/延迟/内存的权衡。
- Agentic RAG / CRAG / Self-RAG / RAFT 各解决什么? → 检索质检纠错、自我评估、训练期对齐(第 4 章案例 1)。
- RAG 流程里怎么检测和缓解幻觉? → 引用约束、文档打分、答案与证据一致性校验。
C. 多智能体
- 多 Agent 的编排模式? → Supervisor / 层级 / 并行(第 4 章案例 2)。
- 状态一致性与上下文管理怎么保证? → 共享 State 通道 + reducer + BSP 同步屏障(第 1 章)。
- Researcher+Writer 系统怎么防失控/死循环? → 明确 FINISH 条件 + recursion_limit。
D. 评测调优(重点准备)
- 你如何为一个 Agent 设计 eval?(头号筛选题)→ 指标定义 + 测试集构造理由 + 至少讲一个你真抓到的失败模式。务必有亲手做的案例。
- 怎么评测 Memory 质量/记忆幻觉? → 提 HaluMem / MemoryBench 思路(讲得出即可)。
- 线上可观测怎么做? → trace vs span 的区别,对 eval 分数告警(LangSmith/Langfuse)。
E. 工程落地
- Agent 生产典型失败模式 + 恢复? → retry / fallback / checkpoint 续跑(第 1、3 章)。
- 工具调用的权限与安全? → 最小权限、LLM06 Excessive Agency、kill switch、HITL 断点(第 4 章案例 5)。
- 成本怎么优化? → 模型路由、prompt 缓存,算盈亏平衡点(Staff 级)。
5.5 针对性学习计划(6–8 周,面试导向)
只列重点和顺序,展开内容去对应章节。每周都要有"能跑的产出"。
Week 1–2 · 把 LangGraph 打穿(你已在路上)
- 吃透原理(第 1 章)+ 基础(第 2 章):图状态机、checkpoint、中断恢复、HITL
- 用 LangGraph 各实现一遍 ReAct / Plan-and-Execute / Reflexion
- 做一个能跑的 Multi-Agent(Supervisor + 子 Agent,第 4 章案例 2)
Week 3 · RAG 深水区
- 混合检索(BM25+向量)、HNSW vs IVFFlat、chunk 与召回调优
- Agentic RAG / CRAG / Self-RAG 各跑通一个,能讲取舍(第 4 章案例 1)
- 幻觉检测与缓解手段
Week 4 · Eval(最高 ROI,补资深短板)⭐
- 给自己的 Agent 设计一套 eval:指标定义 + 测试集 + 至少一个抓到的失败模式(面试金句素材)
- 上手 LangSmith 或 Langfuse,理解 trace/span、eval 告警
Week 5 · Memory + 上下文工程
- 短期/长期记忆、向量记忆 vs 结构化记忆(第 3 章 Store)
- 上下文压缩/选择性注入;了解 HaluMem/MemoryBench(讲得出即可)
Week 6 · 工程化 + MCP + 安全
- MCP spec 级理解(transports、为何弃用 HTTP+SSE);接一个 MCP 工具
- Docker/K8s 部署一个 Agent 服务;失败恢复(retry/fallback)
- 安全:OWASP LLM Top10、LLM06 越权、最小权限、kill switch、成本(模型路由/缓存盈亏)
Week 7–8(冲算法专家档)· 微调 + 前沿
- 跑通一次 SFT + LoRA/QLoRA,了解 DPO(60K+ 硬门槛)
- 养成读一手厂商文档的习惯(Anthropic/OpenAI 模型卡与发布说明)
- 背熟 LangGraph/AutoGen/CrewAI/Dify/Coze 选型话术
5.6 时间紧?按这个优先级
LangGraph 多 Agent(本课 1-4 章)→ Eval 设计 → RAG 进阶 → 可观测性 → MCP/安全 → 微调。
Eval 是性价比最高的"资深信号":投入不大,但务必动手做一套能在面试里完整复述的案例——"我给某 Agent 设计了 X 个指标的评估集,跑出基线 Y%,通过分析失败案例把 prompt/检索改进后提到 Z%"。这一句话顶十句空谈。
最强的面试弹药是一个真项目:挑第 4 章案例 1(Agentic RAG)或案例 3(Reflection),接上你真实的数据,再补 Week 4 的一套 eval。这一个项目同时证明了"框架熟练 + RAG/自进化落地 + eval 能力"三块硬要求。
5.7 数据来源(便于核实)
本章结论基于约 10 次中英文检索 + 多个可量化来源的交叉印证:
- 101 职位量化统计(薪资/技能频次):panzhixiang.cn《2025 AI Agent 市场调研》
- 数百份 JD 扒取分析:知乎《我们扒了数百份招聘 JD》
- 薪资分层 / 架构师 80K+:火山引擎 ADG《AI Agent 岗位薪资大公开》
- 西方技能榜(eval/MCP/可观测/初级 vs 资深):digitalapplied《AI Developer Hiring 2026》
- 面试题库:Huru《LLM Engineer 面试题》、Pass4Sure《Top 30 RAG 2025》、小林 coding《530+ AI 大模型面试题》
- 框架选型:53AI《五大框架横向对比》、Deep-Learning-101《框架比较》
- 通用市场要求:Cognizant AI Engineer JD、LinkedIn/Indeed 聚合
① 月之暗面/MiniMax/智谱等逐字 JD 原文未能抓到公开可靠版本,相关要求据大厂 JD 规律推断;② 部分知乎/CSDN 页对抓取返回 403,结论据搜索摘要;③ eval/MCP/可观测在西方 JD 权重明显更高,面外企/远程岗要更重视这三块。