AI Agent 开发工程师

一分钟讲清背景（年限+从什么方向转来+为什么做 Agent），两分钟讲代表作：面向什么场景、Agent 的架构（规划/工具调用/记忆各用了什么方案）、效果如何量化（任务完成率、人工干预率、成本），最后一句讲你对这个方向的判断。关键是让面试官看到你不只是「调过 API」，而是对失败案例、成本结构、评测方法有工程化思考。提前准备一个能深入聊 15 分钟的案例，比泛泛列五个项目有效得多。

Function Calling 依赖模型原生的工具调用能力：模型输出结构化的函数名与参数，由框架执行后回填结果，确定性高、解析成本低，是当前主流。ReAct 是提示工程模式：通过示例让模型交替输出 Thought/Action/Observation，通用性强（任何有指令跟随能力的模型都能跑）但输出解析脆弱、步数不可控。实践常是混合：用 Function Calling 做工具协议层，系统提示里注入 ReAct 式的分步规划引导。回答时能对比 token 成本、错误恢复、循环检测等细节更加分。

检索质量：文档切分按语义结构（标题/段落）而非定长，embedding+BM25 混合召回，rerank 精排，引用必须带原文片段与出处。幻觉治理：生成端强约束「仅依据给定上下文回答」，无证据时明确说不知道；检索为空或置信度低时走澄清/转人工；上线后建立评测集持续回归。高阶补充：元数据过滤（权限/部门）、多轮改写（把指代消解后的 query 再检索）、离线评估（recall@k、忠实度）与在线反馈闭环。展示「指标驱动的系统」而非「一次性 demo」。

考察复盘能力。示例素材：早期用单一大 prompt 让模型规划全部步骤，任务一复杂就跑偏或死循环，后来重构成「 planner 产出 DAG、executor 逐步执行、每步校验」的结构化编排，成功率显著提升。讲清楚：当时怎么发现的问题（badcase 归因）、改动的依据、改动前后量化对比、沉淀了什么通用经验（如复杂任务要显式状态机而不是靠模型自由发挥）。坦诚讲失败不扣分，讲不出教训才扣分。

分短期与长期：短期上下文用滑动窗口+摘要压缩，保留系统指令、关键实体与最近 N 轮原文，工具返回的大结果应做归约再入历史；长期记忆把用户偏好、事实性信息抽取进结构化存储（向量库/ KV），按需检索注入。工程细节：token 预算管理、记忆写入的去重与置信、遗忘策略、跨会话一致性。加分点：谈上下文膨胀的成本问题（长上下文延迟与费用），以及为什么「全塞进 prompt」不是工程答案。