AI 应用工程师（穿戴）一面面经

小天才 AI 应用工程师（穿戴）一面面经27届校招｜企业内部 Coding Agent 平台方向

============================================================ 一、岗位定位与面试概况

分享一下今天的小天才 AI 应用工程师（穿戴）技术一面。

【岗位定位】这个岗位主要是做企业内部的 AI Coding 平台，而不是传统 Java 后端开发，也不是直接开发儿童手表上的 AI 助手。

根据 JD 和面试交流，岗位主要围绕 Coding Agent、测试 Agent、MCP/CLI 工具链、上下文管理、Agent 评测，以及 AI 在研发流程中的实际落地展开。

虽然岗位名称带有“穿戴”，但实际工作更偏向利用 AI 提升穿戴产品相关的软件研发效率，包括探索面向内部研发人员的 AI 开发工具和应用生成平台。

【个人背景】27 届人工智能专业本科生，有两段 Java 后端实习经历。个人项目主要是基于 LangChain4j、LangGraph4j 的智能网页创作平台，平时也经常使用 Claude Code、Codex、Pi Agent 等 AI Coding 工具。

【整体面试体验】面试官比较专业，主要围绕 Agent 项目、Coding Agent 设计以及 AI 工程化实践深入交流。

基本没有传统 Java 八股和算法题。面试重点是：是否真正开发过 Agent，是否理解 Coding Agent 的工作机制，以及能否将已有技术迁移到企业内部 AI 研发平台。

说明：以下内容根据会议记录整理，部分问题并非面试官原话。

============================================================ 二、智能网页创作平台项目（重点深挖）

1. 介绍一下你的 Agent 项目，为什么要做？

个人 Demo，主要参考美团 NoCode 平台，希望通过实际开发理解 AI Coding 平台的设计思路。

后端和 Agent 工作流由自己开发，前端主要借助 AI Coding 工具完成。

1. 假设用户提出一个网页生成需求，从输入到最终生成，完整流程是什么？

主要介绍了两种生成模式：普通生成模式和工作流模式。

工作流包含需求分析、Prompt 增强、并行素材收集、复杂度路由、代码生成、质量检查和工程构建。

根据需求复杂度选择生成普通 HTML 页面或 Vue 项目。

1. 为什么需要 Prompt 增强？

非技术用户描述的需求通常比较模糊。

通过 Prompt 增强，将用户需求转换为包含页面结构、技术栈、功能要求和视觉风格等约束的具体开发任务。

同时可以结合收集到的开源素材，提高生成质量。

1. 为什么选择 LangGraph4j？

主要用于工作流节点编排、条件路由和质检反馈。

LangChain4j 负责模型调用、工具集成等基础能力，LangGraph4j 负责工作流的执行逻辑。

1. 质量检查节点具体做什么？失败后如何处理？

目前主要分为构建结果检查和规范约束检查。

（1）构建结果检查：当前实现中，构建失败会直接结束。（2）规范约束检查：规范不符合要求时，将问题反馈给生成节点进行修复，最多重试三次。

面试官继续追问质检深度。

如实说明目前主要是基础规范检查，还没有完善的页面交互、布局质量和审美评测体系。

1. 如果用户在生成后手动修改了代码，下一轮 Agent 修改时如何避免覆盖这些改动？

这道题比较有挑战。

当前项目支持多轮修改，但还缺少完善的代码变更基线管理。

如果继续完善，需要基于当前代码状态进行增量修改，并考虑版本管理、Diff 和用户修改保护，而不是重新生成整个项目。

1. 为什么采用单 Agent 工作流，不使用多 Agent？

当前业务流程比较明确，单 Agent 配合预定义工作流已经可以满足需求，整体更容易管理，成本也较低。

多 Agent 可以进行任务拆分和并行协作，但也会增加上下文传递、状态同步和协调成本。

1. Agent 工具调用和流式输出有什么技术难点？

主要讨论了普通文本生成和 Vue 工程生成的差异。

普通文本可以直接流式输出，而工程生成涉及 Function Calling，需要处理工具调用过程和执行状态的推送。

开发时遇到过框架工具调用回调适配问题，通过阅读源码和相关 Issue/PR 进行排查解决。

1. 如何保证 Agent 工具调用安全？

主要从两个层面考虑：

（1）Prompt 层：明确执行约束，防范提示词注入。（2）Runtime 层：限制文件访问范围、工具权限、参数格式以及危险操作。

核心思想是不能假设模型始终可靠，关键权限必须由程序强制控制。

============================================================ 三、Agent 工程化和评测

1. 如果你的 Agent 要推广到团队使用，还缺少什么？

目前主要是个人 Demo，缺少完善的质量评测和运行监控体系。

如果用于真实研发场景，需要增加任务成功率、失败率、工具调用次数、Token 消耗、执行耗时等指标。

对于代码修复等客观任务，可以通过测试验证；对于网页美观程度等主观任务，还需要人工评价和用户反馈。

1. Workflow 和 Agent Loop 有什么区别？

Workflow 的节点和允许执行的路径主要由开发者预先定义，更加可控。

Agent Loop 由模型根据当前任务和工具执行结果动态决定下一步，更加灵活。

实际系统也可以结合两种方式。

============================================================ 四、中控智能体实习经历

1. 介绍一下你在实习中开发的智能体。

主要面向智能驾培中控系统，通过自然语言查询学员训练、车辆等业务数据。

使用 OpenClaw，通过容器部署并接入现有 Java 后端。

1. 用户发起一个查询请求，完整链路是什么？

用户在前端输入自然语言需求，请求到达 Java 后端，再由后端调用 Agent 服务。

Agent 根据 Skill 选择业务 API 或预定义查询脚本，获取结果后整理为自然语言，最终返回前端。

1. 为什么同时使用业务 API 和固定脚本两套链路？

主要考虑业务适配和数据安全。

能通过现有 API 完成的查询直接复用接口。

对于需要查询数据库的场景，预先编写脚本，由模型负责提取参数和选择工具，不允许自由生成并执行任意 SQL。

这样能降低错误查询、SQL 注入和高开销查询风险。

1. Skill 是怎么开发、调试和优化的？

根据具体业务需求编写 Skill，定义调用条件、输入参数、输出格式和约束。

例如模型容易输出错误字段名，就在 Skill 中约束输出结构，再通过历史业务场景回归验证。

1. AI Coding 如何理解历史代码中的隐性约束？

分享了 AGENTS.md、项目知识库以及相关插件的使用经验。

例如项目中有特殊的接口路径约定，模型不了解时容易重复拼接路径。

可以将这些规则沉淀为项目知识，并在开发前加载必要上下文，减少重复出错。

============================================================ 五、中科软实习中的 AI Skill

1. 你将保险规则配置流程沉淀为 Skill，具体怎么做的？

以重大疾病相关配置为例：

先人工理解保险产品条款，整理结构化配置要求。

再由 AI 结合现有字段和业务规范生成 SQL 配置语句，最后人工检查字段、去重和业务正确性。

强调 AI 主要用于减少重复劳动，不能直接自由操作生产数据库。

============================================================ 六、大模型基础与 RAG

1. 什么是大模型幻觉？为什么会产生？

从语言模型的概率预测机制、训练数据不完善和上下文不足等角度回答。

主要缓解方案包括 RAG、外部工具查询和结果校验。

1. RAG 的完整流程是什么？

文档解析 → 分块 → Embedding → 向量存储 → 用户问题向量化 → Top-K 召回 → Rerank → 拼接上下文 → LLM 生成。

1. RAG 效果不好怎么排查？

先区分检索问题还是生成问题。

检索问题可以分析 Chunk 大小、Embedding 模型、召回策略和重排序。

如果已经召回正确内容，模型仍然回答错误，则需要进一步检查 Prompt、上下文组织和模型能力。

1. 了解 BM25 和混合检索吗？

简单讨论了 BM25、向量检索与融合排序。

这部分只做过基础 Demo，没有深入实践，如实说明了技术边界。

============================================================ 七、Coding Agent、MCP、Harness

1. MCP 是什么？CLI 是什么？

MCP 是 AI 应用连接外部工具和数据源的标准化协议，方便工具能力复用。

CLI 是命令行交互界面，两者不属于同一层面的概念。

1. 了解子 Agent 吗？什么场景需要？

讨论了主 Agent 负责整体规划、子 Agent 负责专项任务或信息收集的协作方式。

重点在于任务拆分、并行执行和上下文隔离。

1. 什么是 Agent Harness？

主要理解为围绕模型构建的执行环境和工程机制，包括工具、上下文管理、权限控制、状态管理等。

分享了自己对 Claude Code 和 Pi Agent 的使用体验。

Claude Code 更强调完整的开箱即用能力，Pi Agent 则采用比较极简的核心设计，通过插件和扩展实现更多功能。

讨论了模型能力、Harness 复杂度、Token 成本和可扩展性之间的取舍。

1. 平时如何使用 AI Coding 完成开发？

简单需求：明确需求和约束，让 AI 完成实现，再进行审查和测试。

复杂需求：先对齐需求、分析历史代码和上下文，按照软件工程思想拆解任务，分阶段执行和验证。

强调了 Context Engineering 和开发过程中的质量控制。

============================================================ 八、岗位相关场景题：企业内部 AI Coding 平台

1. 假设要做一个面向穿戴产品研发的 AI 应用开发平台，你现有的网页生成 Agent 能复用什么？

这是后半段最贴合岗位实际工作的一道题。

需要注意，这里讨论的不是给普通用户开发一个儿童手表 AI 助手，而是如何通过企业内部 AI Coding 平台辅助研发人员开发穿戴设备相关的软件应用。

我主要从平台能力复用和差异化改造两个方面回答。

【可以复用的部分】（1）Agent 工作流编排。（2）需求分析和 Prompt 增强。（3）Tool Calling 和工具管理机制。（4）代码生成与质量检查流程。（5）流式执行状态展示。

【需要重新适配的部分】（1）穿戴应用对应的工程结构与技术栈。（2）专用代码生成工具和开发规范。（3）构建、运行、测试和部署工具链。（4）穿戴应用的交互约束与质量验证。（5）更系统化的 Agent 评测体系。

我认为核心价值不在于直接复用网页生成代码，而是将底层 Agent 编排和工具调用能力迁移到新的研发场景。

============================================================ 九、个人复盘与建议

这场面试与传统 Java 后端面试区别很大。

虽然我的实习经历主要是 Java 后端，但这次面试基本没有围绕 Java 集合、Spring、MySQL、Redis 等传统八股展开。

面试官更关注：

（1）Coding Agent 的真实实现：模型如何调用工具，工作流如何设计，执行失败怎么处理。（2）上下文工程：AI 如何理解现有项目，如何管理历史约束，避免修改破坏原有业务。（3）Agent 可靠性：如何控制危险操作、限制重试、管理 Token 成本。（4）自动化评测：如何证明 Agent 真正完成了开发任务，而不只是输出了代码。（5）平台化能力：如何把个人 Demo 中的 Agent 能力沉淀为企业内部可复用的 AI Coding 平台。

如果准备这个岗位，我建议把重点放在 Coding Agent、MCP、CLI、Skill、Harness、Context Engineering、工具安全和 Agent 评测上，而不是单纯刷 Java 后端八股。

另外，面试官会深挖真实项目的技术边界，例如质检究竟做到了什么、多轮修改如何保证代码不被覆盖，以及为什么选择单 Agent 而不是多 Agent。

整体是比较深入的项目交流，个人感觉面试官更看重工程实践和技术判断，而不是单纯记忆概念。

面试官表示预计 1～3 个工作日内反馈结果。

以上是本次面试复盘，希望能帮到准备 AI 应用开发、Coding Agent 和 AI 研发工具平台相关岗位的同学。

祝大家秋招顺利！

============================================================ 十、内容来源说明与个人感受

上述内容依旧为元宝录音及 GPT 总结，不保证完全真实可靠。

总结一下，我感觉我已经把我能表现的都表现好了，但是实际上我跟这个岗位不是很匹配，因为我两段实习都是后端相关，没有实际的生产 Agent 经历。不过我觉得这些领域大部分公司应该都在探索，既然给了面试机会，我就把我能答的答好就行了。

秋招面试记录

#秋招面试记录#