Agent 开发二面面经

#发面经攒人品# 一、架构对比与源码理解
Q1： 对比Claude Code和Hermes在设计模式上有什么区别？为什么不同的应用场景会有不同的设计？
Q2： Claude Code和Hermes在记忆系统上有什么差别？你怎么理解不同场景需要不同的记忆设计？
Q3： 在读完了这两个框架的源码之后，回头看你之前做过的项目，你觉得有哪些地方可以处理得更好？
二、项目深挖 — Skill设计与工程落地
Q4： 以企微群商机智能体为例，你的Skill是怎么设计的？具体怎么实现自动监控群聊、提取商机信息并写入表格这个功能？（追问了三轮，从架构原理到实现细节到效果评估）
三、项目深挖 — Agentic RAG系统设计
Q5： 在你做过的所有项目中，你觉得哪个最有技术挑战？能具体分享一下技术难点和你怎么克服的吗？
Q6： 既然在文档解析和存储时已经做过摘要提取等预处理，为什么还需要Agentic RAG？直接用传统RAG加摘要召回不行吗？是什么让你觉得读和写都搞不定？
四、开放性问题 — 检索系统设计
Q7： （开放性问题，无标准答案）假设有一个信贷风控场景：用户在交易时需要判断是否有欺诈风险。你有一个黑产交易数据库，但当前用户不在数据库中（否则已被拉黑）。你需要设计一个检索系统，从黑产库中召回"行为模式相似"的历史案例，辅助判断当前交易的风险。注意这个场景有几个特殊挑战：
捕捉的是"异常"而非语义"相似"
拿交易字段做语义检索往往会召回大量正常交易，参考价值有限
黑产会换店铺、换商品品类来躲避检测
你会怎么设计这个检索系统？跟常规RAG/Agentic RAG相比要做哪些针对性调整？
五、动机与反问
Q8： 这次换工作的主要原因是什么？
Q9： （反问环节）面试官分享了一个实际踩过的坑：做AI项目时容易把"效率提升"和"效果提升"划等号，项目立项阶段的方向误判比实现层面的坑更致命。面试官举例说明了用Agent做特征开发但最终模型效果提升有限的复盘经验。
#AI面试# agent #滴滴# RAG #Agent架构# 风控场景