Appearance
简历与面试
会做 Agent 项目，不等于能拿到 offer。
这最后一个模块解决三件事：把项目写进简历，把项目讲明白，把高频面试题答漂亮。
模块目标
- 把前面 3 个项目整理成能投递的一页简历内容
- 建立一套稳定的项目表达结构，不怕面试官追问
- 用大量题目把 LLM、Agent、RAG、Harness 相关知识点练熟
课次
课次 01 · 简历项目包装
你会学到：
- 项目标题怎么写，避免写成“个人练习”或“demo”
- 职责描述怎么写，突出设计、实现、优化，而不只是“参与开发”
- 技术亮点怎么提炼：工具调用、记忆管理、RAG 检索、多 Agent 编排
- 成果怎么量化：任务成功率、响应延迟、token 成本、检索准确率
简历模板：
- 项目名称：企业知识库 Agent
- 项目描述：基于 LangGraph + Hybrid RAG 搭建企业文档问答系统，支持多格式文档导入、引用溯源回答与多租户隔离
- 技术亮点：设计检索、精排与上下文注入链路，提升回答相关性与可解释性
课次 02 · 项目讲解结构
面试里最常见的问题不是“你会不会”，而是“你能不能讲清楚”。
统一表达结构：
- 这个项目解决什么问题
- 为什么用 Agent，而不是普通工作流
- 系统架构怎么设计
- 最难的问题是什么，怎么解决
- 最后效果如何，下一步还能怎么优化
你会练习两个版本：
- 3 分钟版本：适合一面，短、准、重点突出
- 10 分钟版本：适合深挖，能展开讲架构和权衡
课次 03 · 高频面试题解析
LLM 基础
问：为什么 LLM 会有幻觉？
答题重点：
- LLM 本质上是在做下一个 token 的概率预测，不是从结构化知识库里查事实
- 当上下文不足、问题超出训练数据、提示不够约束时，模型会生成“看起来合理”的内容
- 工程上通常用工具调用、检索、验证步骤降低幻觉，而不是指望 prompt 彻底消除
问：为什么长 context 会更贵、更慢？
答题重点：
- 输入 token 越多，prefill 阶段计算越大
- 注意力计算和缓存管理都会增加成本
- 工程上会用摘要、检索、分层记忆控制 context 长度
Agent 核心
问：Agent 和普通聊天机器人有什么区别？
答题重点：
- 聊天机器人通常是一问一答
- Agent 有工具、有状态、有多步执行循环，能自主推进任务
- Agent 的难点不是“回答得像不像人”，而是“动作做得对不对”
问：为什么 Agent 需要 ReAct，而不是一次生成全部步骤？
答题重点：
- 多步任务里，后续动作依赖前面工具返回的真实结果
- 一次性规划缺少反馈闭环，容易偏离实际情况
- ReAct 让模型边看结果边调整动作，更适合不确定环境
RAG
问：为什么 RAG 要做 Reranking？
答题重点：
- 初步检索偏召回，相关但未必最适合回答
- Reranking 用更强模型做精排，提升最终上下文质量
- 检索质量不稳定时，Reranking 往往是最直接的提升手段
问：怎么判断 RAG 问题出在检索还是生成？
答题重点：
- 先看检索到的文档是否覆盖答案所需信息
- 如果检索不到，是召回问题；检索到了但答案乱说，是生成问题
- 评估时要拆成检索指标和回答指标，不能只看最终体验
Harness / 框架
问：什么时候用 LangGraph，什么时候直接用 Claude SDK？
答题重点：
- 简单原型、单 Agent、逻辑清晰时，直接用 SDK 更轻
- 复杂状态流转、人工审批、中断恢复时，LangGraph 更合适
- 选型核心不是“哪个更高级”，而是问题复杂度和值不值得引入框架开销
问：MCP 的价值是什么？
答题重点：
- 把工具标准化、协议化，Agent 和工具解耦
- 一个工具可以被多个 Agent 复用
- 方便团队共享工具能力，也方便统一治理权限和审计
课次 04 · 深挖追问题
面试官常见追问方向：
- 为什么不用工作流编排替代 Agent
- 为什么不用更小的模型降低成本
- 你的系统怎么做失败恢复
- 用户量上来后，瓶颈会在哪里
- 如果让你重做一遍，你会改什么
这一课会把每个问题拆成：
- 面试官真正想考什么
- 最容易答偏的地方
- 一个完整、可信、不过度吹嘘的回答模板
课次 05 · 模拟面试
最终演练包含三部分：
- 自我介绍里的 Agent 项目怎么自然带出来
- 项目追问怎么从业务讲到架构，再讲到权衡
- 面试题不会时，怎么坦诚但不失分
面试题范围
题库按 5 类组织：
- LLM 原理题：token、attention、幻觉、上下文、推理成本
- Agent 架构题：Tool Use、ReAct、Memory、Planning、失败模式
- RAG 系统题：embedding、chunking、检索、reranking、评估
- 框架与协作题：Claude SDK、LangGraph、MCP、多 Agent 模式、A2A
- 项目复盘题：为什么这样设计、怎么优化、遇到什么坑
目标不是背答案，而是形成稳定表达能力。