AI Agent开发工程师面经

#Agent#面试流程

简要介绍了复合背景优势：金融与计算机双学位的交叉能力，列举了金融科技比赛奖项和数学竞赛成绩

Q1：请介绍一下你的多智能体数学建模系统项目。 回答要点： 核心目标：构建具备长期执行、自我进化能力的智能体系统，替代现有仅能生成文字的模型。 意图识别：采用 few-shot + 提示词工程，通过解析用户问题中的关键词/小标题来拆解复杂任务，并用正则表达式提取结构化问题。 多智能体协作：多个智能体协同工作，通过相互交流、反驳和投票机制选出最优解。 工具调用：接入 MCP 工具和 ReAct 框架，实现"思考-行动"模式，使模型能调用外部 API 执行具体操作（如金融场景中的 API 调用）。 安全保障：前后端均设置了 API 密钥的安全防护措施，防止密钥泄露。 Q2：你们测试了哪些大模型？效果如何？ 回答要点： 由于预算限制，重点评估了无长程推理能力的 DeepSeek-v4-flash 和有推理能力的 minimax-m2.7等模型。 零样本思维链（Zero-shot CoT）方法使数学建模答案准确率提升约 20%。 Kimi-k2.7等模型未完成完整测试。 在提示词设计上考虑了不同大模型的能力差异，通过 step-by-step 提示词模拟长程推理能力。 Q3：多智能体系统的循环终止机制是怎么设计的？ 回答要点： 设置了 30轮反驳上限 + human-in-the-loop（人工干预） 机制。 采用 ReAct 框架在动作执行链中的应用，比纯提示词更高效的交互逻辑。 Q4：多智能体系统的记忆管理是怎么做的？如何避免记忆爆炸？ 回答要点： 采用 独立记忆 + 共享记忆池 的结合方式。 在提示词中设定关键信息的强制保存规则（如讨论想法和求解结果必须存入共享池）。 存储采用 JSON 格式，保证可读性和可维护性。 项目为个人独立开发，代码量达 三万余行，体现了较强的工程能力和自主性。

Q5：介绍一下你在清华具身智能研究组的科研工作。 回答要点： 担任远程科研助理，参与具身智能体记忆的研发。 设计了包含长短期记忆的评测基准（benchmark），测试基础动作学习和跨场景物体记忆。 通过在仿真环境中记录画面和数据，利用外部大模型 API 评测不同模型的记忆能力（未做微调）。 借鉴《我的世界》相关具身智能论文Voyage构建记忆体系。

Q6：请解释一下 RAG 的实现流程，你的切块策略是什么？ 回答要点： 基本流程：文本切块 → 向量检索（余弦相似度）→ 重排模型排序 → 返回 TopK 文本块给大模型。 切块策略：由于个人算力有限，采用简化的切块策略，创新性地用正则表达式提取并保留数字和字母的完整性，避免中文处理中的信息丢失。 Q7：模型幻觉问题你怎么解决？ 回答要点： 有标准答案的问题：采用多智能体验证（投票机制）。 开放性问题：引入人工评分机制，并记忆经验。 预处理方向：从输入数据清洗、优化提示词设计等多角度入手，降低工程成本同时提升系统灵活性。

Q8：你主要用什么编程语言和开发工具？怎么 debug？ 回答要点： 主要使用 Python。 AI 编程工具：Claude Code、CodeX、QCode 、Trae等。 调试方法：结合 VS Code 的静态分析工具和 AI 工具进行批量检查，逐步排查和修复 Bug。 Q9：最近关注了哪些新技术？ 回答要点： 重点研究了 G-Memory（多智能体共享与进化记忆）。 对比了 Hermes 系统，更倾向对单个智能体施加约束来实现记忆进化，重视系统可控性。