公司未注明

AI相关岗位面经

完整信息

23 条问法 · 24 道题

本篇目录

人工智能专业本科,做过多 Agent、RAG 和云服务器部署相关项目。这次面的是一家半导体公司的 AI 相关岗位,公司业务涉及晶圆检测和 Agent 助手。

全程约 28 分钟,主要围绕实习项目里的 Agent 记忆模块追问,中间还要求共享屏幕,现场调研成熟产品的实现。

以下根据会后纪要整理,问题不是逐字还原。

一、开场与项目背景

  1. 自我介绍,讲一下实习和项目经历。
  2. 平时对什么感兴趣?怎么学习和了解 AI 新技术?
  3. 自己的优势、短板,以及擅长和不擅长的技术方向。
  4. 有没有 DevOps、云服务器部署和全栈开发经验?项目是否上线?
  5. 选一段最熟悉的实习经历展开讲。

过程中还问了高考数学成绩,要求关闭简历、共享屏幕,再口头介绍项目。

二、Agent 记忆模块深挖

我从实习中的记忆模块讲起,介绍了用户隔离、用户档案、上下文压缩,以及后续接入 PostgreSQL 和 pgvector 的思路。

随后开始连续追问:

  1. 你说做了上下文压缩,具体怎么压缩?
  2. 压缩过程和 MySQL 存储分别是什么关系?
  3. 为什么从 MySQL 换成 PostgreSQL?
  4. 向量怎么生成,怎么检索?pgvector 在里面负责什么?
  5. 用户数据具体怎么存?如果有百万级用户,表结构怎么设计?
  6. 你提出的分库分表方案有依据吗,还是自己的猜想?

这部分我的回答比较偏概念,具体实现和方案依据讲得不够扎实。

三、现场调研

面试官让我用大约 5 分钟,现场查一下 DeepSeek 等产品,以及成熟 Agent 的记忆机制,全程共享屏幕。

我查到了 Claude Code、Cursor 等工具,回答的大意是“保存历史信息,需要时检索并加载到上下文”。

接着继续被追问:

  1. Claude Code 具体怎么实现?你确定它用了数据库吗?
  2. 聊天记录中的信息怎么抽取?
  3. 怎么判断一条信息属于用户偏好、值得保存?
  4. 什么情况下更新记忆?
  5. 你说上下文快满了再处理,怎么判断“快满了”?
  6. 压缩的完整过程是什么?

当时我说到了“抽取关键信息”“转成待办清单”,但没把中间的执行过程说明白。

四、最后留下的四个问题

面试官让我继续调研,整理后发给他:

  1. 模型上下文为什么会爆?触发处理的阈值怎么设计?
  2. 上下文/记忆具体怎么压缩?重点讲过程。
  3. 各家 Agent 产品的记忆机制是怎么设计的?
  4. Agent 一定需要记忆吗?现有记忆架构是否合理?

个人复盘

这次表现不理想,但问题很值得补。

最大的感受是,项目里写了“长期记忆、上下文压缩、向量检索”,就要能继续回答:谁来执行、什么时候执行、输入输出是什么、失败后怎么办,以及为什么需要这个模块。

以后介绍项目,得把自己实际实现过的、调研确认过的,以及暂时的设计设想分清楚。尤其介绍其他产品时,需要有官方文档或源码依据。

记录一下,也欢迎做 Agent 的同学交流这几个问题。

本篇目录
  1. 01
  2. 02
  3. 03
  4. 04
  5. 05
  6. 06
    过程中还问了高考数学成绩,要求关闭简历、共享屏幕,再口头介绍项目。
  7. 07
  8. 08
  9. 09
  10. 10
  11. 11
  12. 12
  13. 13
    面试官让我用大约 5 分钟,现场查一下 DeepSeek 等产品,以及成熟 Agent 的记忆机制,全程共享屏幕。
  14. 14
  15. 15
  16. 16
  17. 17
  18. 18
  19. 19
  20. 20
  21. 21
  22. 22
  23. 23