现在准备 AI 岗位面试你会发现一个特别明显的趋势不管投的是算法工程师、大模型应用开发还是数据分析岗位面试官绕来绕去都会问到三件事——AI、Agent、Data。这不是巧合。大模型本身是 AI 能力底座Agent 是大模型落地的主要交互形态Data 则是让模型和智能体真正“可用”的关键燃料。面试题表面上是考你某个模型参数、某个框架 API实际上是在考察你能否打通这三条链路模型怎么选、Agent 怎么设计、数据怎么管。这篇内容就是围绕“AI x Agent x Data 专题课”梳理的一份学习路线和面试问题分析。会先讲清楚三个方向各自学什么、学到什么程度再给一套可执行的 90 天路线最后拆解高频面试题和答题框架。不管你是准备校招、社招转岗还是想把手里的项目讲得更硬这篇都值得收藏。1. AI、Agent、Data 的关系与岗位定位1.1 三者不是并列关系而是链路关系很多人在准备面试时会犯一个错误把 AI、Agent、Data 当成三个独立的知识点去背。实际上现在主流岗位要求的是全链路能力。可以这样理解AI指大模型、机器学习、深度学习相关的算法能力。它解决的是“模型能不能理解、能不能生成”的问题。Agent指基于大模型构建的智能体系统。它解决的是“模型怎么使用工具、怎么规划任务、怎么自主执行”的问题。Data指数据处理、向量化、检索、评估等数据工程能力。它解决的是“模型的知识从哪里来、效果怎么衡量、怎么持续优化”的问题。三者的关系可以概括为一句话AI 提供能力Agent 提供形态Data 提供原料。面试官最想看到的是你站在整个链路上思考问题而不是只会调一个 API。1.2 主流岗位与职责定位方向典型岗位名称核心职责面试考察重点AI大模型算法工程师模型微调、Prompt 设计、效果评估Transformer 原理、微调方法、评估手段AgentAgent 应用开发工程师智能体开发、工具调用、多智能体协作ReAct、Function Calling、记忆设计Data数据处理工程师 / RAG 工程师数据清洗、向量检索、知识库构建RAG 流程、切片策略、检索优化全栈AI 应用开发工程师从数据到模型到 Agent 全链路落地系统设计、稳定性、成本控制从岗位 JD 看纯算法岗越来越少更多岗位要求候选人在其中两个方向的交叉地带具备实战能力。这就是为什么“AI、Agent、Data 专题课”会特别强调三者一起准备。2. 面试核心能力模型在系统学习之前先明确面试官考察的能力层级。从当前主流岗位和面试反馈看可以分为三层2.1 基础理论层这一层是所有面试的地基包括Python 编程能力数据结构、文件处理、并发、常用库。机器学习基础损失函数、过拟合、评估指标、特征工程。深度学习基础神经网络、反向传播、CNN/RNN/Transformer。大模型基础注意力机制、上下文窗口、Temperature、Top-p、幻觉成因。基础理论不一定每次都直接考但往往会以“概念题 场景题”的方式出现。比如面试官问“你的 RAG 效果不好你会先检查检索还是先检查生成”本质就是在考你是不是真的理解链路。2.2 工程落地层这一层是区分“背题选手”和“实战选手”的关键包括大模型 API 调用与参数调优。RAG 系统搭建与检索效果优化。Agent 框架使用与二次开发。工具调用、记忆管理、多智能体编排。批量任务处理、接口服务、日志与监控。工程能力在面试中的体现方式是“讲项目”。项目里有没有考虑过显存、QPS、批量任务、失败重试、数据质量面试官一听就能判断。2.3 系统设计层这一层是高级岗位的考察重点如何设计一个企业知识库问答系统。如何设计一个数据分析 Agent。如何设计一套模型评估体系。如何在成本和效果之间做权衡。系统设计题没有标准答案但有标准框架先定义场景和用户再拆解功能模块然后说明数据流和技术选型最后补充评估方案和风险。2.4 自我评估清单评估项水平标准是否达标能独立调用大模型 API 开发应用是必达能讲清楚 RAG 全流程并自己搭过能画流程图 能跑通 demo必达能设计并实现一个单 Agent 应用有工具调用和记忆必达能解决检索效果差的问题知道用混合检索、重排、多路召回加分能设计多智能体协作流程有实际项目或完整方案加分能说明数据清洗和评估细节有量化结果加分3. AI 方向学习路线3.1 先学 API 应用再补理论很多人的问题是想一步到位上来就啃 Transformer 原论文结果看了两周还停留在注意力公式项目一个没跑。更合理的路径是先学会调用大模型 API 完成一个具体任务比如文本分类、信息抽取、智能客服。这个阶段不需要自己部署模型重点理解提示词、温度、输出格式这些实际工程参数。跑通后再回去学背后的原理理解就会深很多。3.2 必学的大模型核心概念至少需要掌握以下知识点Transformer 的基本结构Attention、Encoder-Decoder、位置编码。预训练与指令微调的区别。上下文窗口与长文本处理。温度、Top-p、Max Tokens 对生成结果的影响。幻觉Hallucination的成因与抑制手段。模型评估指标BLEU、ROUGE、精确率/召回率以及基于 LLM 的评估方式。不需要所有公式都能推导但要做到概念能解释、参数会调整、问题能排查。3.3 是否要学会微调微调是加分项不是入门必选项。面试中经常被问“什么时候该微调什么时候改用 RAG”这就需要你理解微调的适用场景需要模型改变表达风格或遵循特定术语时微调更合适。需要注入实时或私有知识时RAG 更合适。两者也可以结合RAG 负责知识检索微调负责输出格式和风格。建议在本地学习时先用公开模型跑一个 LoRA 微调实验作为亮点但实际面试项目优先以 RAG Agent 为主。4. Agent 方向学习路线4.1 Agent 的本质是什么Agent 不是一个具体的算法而是一套系统架构。一个完整的 Agent 通常具备以下能力模块作用核心问题规划把复杂任务拆解成多个步骤任务再复杂也应该有执行路径记忆保存对话历史、用户偏好、任务状态怎么筛选重要信息工具调用 API、数据库、代码执行器怎么让模型理解工具用途反思根据执行结果调整下一步失败了怎么重试多智能体协作多个 Agent 分工配合谁负责拆分、谁负责汇总面试中问“你如何设计一个客服 Agent”本质上就是在考这些模块你怎么组合。4.2 ReAct 循环是必考基础ReAct 是目前最常考到的 Agent 模式核心思想是让模型交替执行两个动作Reason分析当前情况思考下一步行动。Act执行一个具体的工具调用或操作。Observation观察工具返回结果继续推理。下面是 ReAct 循环的简化伪代码与具体框架无关def react_loop(user_query, tools, max_steps5): messages [{role: user, content: user_query}] for step in range(max_steps): response llm.chat(messages) action parse_action(response) if action.type finish: return action.output if action.type tool_call: tool_result call_tool(action.tool_name, action.params) messages.append({role: tool, content: tool_result}) else: # 模型推理结果继续观察 messages.append({role: assistant, content: response.content}) return 达到最大步骤限制任务结束面试时能画出这个循环能说明观察结果如何影响下一步决策就已经超过很多只背概念的人。4.3 Function Calling / Tool Calling 是工程重点Agent 的价值有一半体现在工具调用上。需要理解模型如何根据用户输入选择工具。工具参数如何从自然语言中抽取。工具执行失败时如何反馈给模型。多个工具之间如何串联。工程上要注意你声明的工具描述越清晰模型选择工具的准确率越高。工具参数越规范参数抽取越稳定。项目里可以用“天气查询工具 计算器工具”这种小组合来练习。4.4 框架选型建议主流开源框架包括 LangChain、LangGraph、AutoGen 等以及各类国产智能体框架。初学阶段不需要同时学多个建议先选一个框架跑通一个完整项目再对比另一个框架调整。注意框架迭代很快面试时不要只背框架 API要讲清楚框架底层的原理。比如“LangGraph 和 Autogen 都有多智能体编排能力”如果你能说清图结构、节点、状态传递面试官会判断你真的懂而不是只做过 Demo。5. Data 方向学习路线5.1 为什么 Data 在面试中越来越重要很多候选人只关注模型忽略了数据。实际上在企业落地场景中数据质量往往是项目成败的决定因素。面试官考察 Data 能力不是要考你 SQL 多熟练而是看你能不能回答这类问题你的知识库数据从哪里来质量怎么保证文档切多长怎么避免切碎语义检索结果不准时你优先调什么模型输出不稳定你如何设计评估集5.2 必须理解的 RAG 全流程RAG检索增强生成是 Data 方向最核心的内容也是面试最高频的场景。完整流程包括数据采集从文档、数据库、网页中获取内容。数据清洗去重、去格式噪音、处理扫描件。文档切分按章节、段落、语义块切分。向量化用 Embedding 模型将文本转换为向量。存储写入向量数据库或其他支持相似度检索的存储。检索根据用户问题召回最相关的片段。重排对召回结果精排去掉低质量片段。生成将检索结果拼接进 Prompt交给大模型生成答案。下面是一个简化版 RAG 流程伪代码重点是理解各环节的输入输出def rag_answer(question, embedder, vector_store, llm): # 1. 向量化用户问题 question_vector embedder.embed(question) # 2. 向量检索召回 Top-K 文本块 retrieved_chunks vector_store.search( query_vectorquestion_vector, top_k5 ) # 3. 拼装 Prompt并保留引用来源 context \n\n.join( [f[{i1}] {chunk} for i, chunk in enumerate(retrieved_chunks)] ) prompt f 请基于以下资料回答问题。 如果资料不足请明确说明。 回答末尾列出引用编号。 资料 {context} 问题{question} # 4. 调用大模型生成 answer llm.generate(prompt) return answer, retrieved_chunks面试中除了流程还要能回答“检索不到怎么办”“检索太慢怎么办”“向量库和关键词搜索怎么结合”等优化问题。5.3 数据质量与评估数据方向还有一块高频考察点评估。常见问题包括怎么判断检索质量用召回率、命中率、MRR 等指标。怎么判断生成质量用忠实度、相关性、完整性等维度。怎么建设测试集整理 100 到 500 条有标准答案的测试问题。怎么做 badcase 分析定期抽取错误案例归因到检索阶段还是生成阶段。具备 Data 思维的人会习惯用数据说话。面试时能说出“上一版检索命中率是 78%改进后到了 86%”项目说服力会强很多。6. 90 天学习路线建议考虑到学习效率和项目节奏下面是一套 12 周路线适合有一定编程基础、每天能投入 2 到 3 小时的读者。6.1 阶段一AI 基础与大模型应用第 1 到 4 周第 1 周复习 Python重点掌握字典、列表、文件处理、异常处理。第 2 周学习机器学习基础概念过一遍监督学习和评估指标。第 3 周掌握 Transformer、注意力机制、上下文窗口。第 4 周调用大模型 API 完成一个文本处理项目比如“简历关键信息抽取”。阶段成果能独立调用模型 API能解释大模型基本概念。6.2 阶段二RAG 与 Data 工程第 5 到 8 周第 5 周学习文档切分与 Embedding 原理。第 6 周搭建第一个本地知识库问答系统。第 7 周学习向量数据库、关键词搜索、混合检索。第 8 周建设测试集评估当前 RAG 效果并优化。阶段成果有一个可以跑通的 RAG 项目能用召回率和忠实度描述效果。6.3 阶段三Agent 与项目实战第 9 到 11 周第 9 周学习 Function Calling 和工具调用。第 10 周实现一个带工具的 Agent例如“数据分析 Agent”。第 11 周增加记忆模块和多轮对话处理边界情况。阶段成果一个完整的 Agent 项目有工具、有记忆、能多轮对话。6.4 阶段四面试冲刺第 12 周整理项目技术亮点和失败案例。刷高频面试题对着镜子或者录音做表达练习。准备系统设计题知识库问答、智能客服、数据分析 Agent。准备反问环节的问题。这一周最重要的不是学新知识而是把已经掌握的内容讲清楚。7. 典型面试问题分类与答题框架7.1 高频问题分类类别代表问题考察重点基础理论什么是大模型幻觉为什么会产生对模型原理的理解工程应用RAG 和微调有什么区别怎么选方案选型能力Agent 设计如何设计一个客服 Agent系统拆解能力Data 工程文档切片应该怎么切数据细节和工程经验评估优化如何评估 RAG 效果量化思维实战项目讲一个你做得最好的项目真实性和深度7.2 答题框架定义—原理—方案—落地—延展回答技术问题不要只给结论建议使用五段式结构定义一句话说明是什么。原理解释背后的机制。方案给出你选择的实现方式。落地说明在实际项目中怎么处理。延展说明边界条件和优化方向。以“RAG 和微调的区别”为例定义RAG 是检索增强生成微调是继续训练模型参数。原理RAG 不改模型只是把外部知识塞进上下文微调改模型权重。方案知识频繁更新的场景选 RAG风格固定、术语固定的场景选微调。落地我做过企业知识库项目文档每周更新因此采用 RAG输出格式固定后补充了一次 LoRA 微调。延展RAG 的瓶颈在检索微调的瓶颈在数据质量和过拟合。这种答题方式会让面试官觉得你有实战经验而不是背了一堆名词。8. 高频真题示例与参考答案思路下面选择几个出现频率很高的问题给出答题思路。注意不要照背要结合自己的项目改动。8.1 什么是 ReAct它的核心价值是什么答题思路ReAct 是 Reason Act 的组合让大模型在思考和执行之间交替循环。模型先根据用户问题推理下一步做什么再调用工具获取外部信息然后观察结果继续推理直到得到最终答案。核心价值是把大模型的推理能力与外部工具的信息获取能力结合起来解决单个模型无法获取实时数据、无法操作外部系统的局限。局限性是循环次数过多会增加延迟和成本工具调用错误会放大错误。8.2 RAG 检索效果不好你会怎么排查这是一个高频场景题考察工程排查能力。答题时按链路拆解先检查问题本身问题太长、太模糊还是包含错别字。再检查切片切片是否切碎语义是否需要调整切分策略。检查 Embedding是否存在领域词汇无法表征。检查召回Top-K 是否太小是否用了混合检索。检查重排召回结果是否正确排序是否加入重排模型。最后检查生成上下文塞了无关片段模型可能被干扰。排序思路是先判断问题出在检索侧还是生成侧再逐层缩小范围。8.3 如何设计一个企业知识库问答 Agent答题思路第一步描述场景用户是企业员工输入自然语言问题系统返回有据可查的答案。第二步拆模块数据处理模块文档上传、解析、清洗、切片、向量化。检索模块向量检索 关键词检索 重排。生成模块基于检索结果生成答案附引用来源。Agent 模块处理多轮对话、澄清问题、调用外部工具。评估模块定期统计命中率、回答满意度。第三步说数据流用户提问 - 判断是否需要澄清 - 检索 - 重排 - 生成 - 返回答案与引用 - 记录日志 - 定期评估。第四步说踩过的坑一句话问题检索不精确、新旧文档冲突、表格内容解析困难。8.4 你如何评估一个 Agent 好不好用答题思路可以分三层单轮能力评估工具选择准确率、参数抽取正确率、回答相关性。多轮能力评估上下文记忆是否准确、澄清能力、任务完成率。端到端评估完成一个真实任务的成功率、平均耗时、人工复核结果。然后补充说明要建立固定的测试集每次改动都跑回归测试。Agent 评估不能只看最终答案要记录中间轨迹这样才能定位失败在哪一步。8.5 调用模型接口时发现返回结果不稳定你怎么处理答题思路降低温度让输出更确定。固定输出格式使用 JSON 模式或结构化输出。增加重试机制对异常状态码做退避重试。使用带缓存层相同输入直接返回缓存结果。对关键字段做二次校验不合法就重新生成。这种题目考察的不是你会不会调参而是你是否有在生产环境中处理不稳定系统的经验。9. 项目经验与简历准备9.1 项目优先级排序项目类型推荐指数理由带具体业务场景的 RAG 知识库高面试高频题匹配带工具调用的 Agent 应用高体现复杂系统能力大模型微调实验中反映算法功底数据处理流水线中配合 RAG 项目讲普通 ChatGPT 壳子低没有技术壁垒尽量不要只写“我开发了一个智能对话机器人”除非你能讲清楚背后做了哪些技术决策。企业面试方更想看的是你怎么切数据、怎么选模型、怎么设计 Agent、怎么评估效果。9.2 项目描述的四个模块一个高质量的项目描述可以按下面的模板组织背景要解决什么问题用户是谁。难点哪些环节容易出错。方案技术架构、主要模块、关键决策。结果量化指标如检索命中率、任务完成率、响应耗时。例如背景企业内部有大量产品文档员工提问后难以快速找到答案。 难点文档格式不统一表格内容检索困难新旧版本信息冲突。 方案搭建文档解析和清洗流水线采用混合检索 重排 大模型生成方案并增加引用来源。 结果检索命中率从 68% 提升到 84%回答平均耗时 2.1 秒支持每天约 200 次问答请求。如果你项目的量化数据还不确定可以先跑一个测试集统计清楚不需要编造。10. 常见误区与避坑建议10.1 只追新框架不重视基础LangChain、AutoGen、LangGraph 更新很快今天学的 API 明天可能就变了。面试官不会因为你背了某个框架新接口就给你加分反而会更关心你能否理解底层原理。建议优先掌握“模型如何调用工具”“状态如何流转”“记忆如何维护”这些不变的东西。10.2 只做 Demo不考虑生产问题Demo 和项目在面试中的差距很大。Demo 只演示“能跑”项目要能回答“稳不稳定、性能如何、成本多少”。准备面试项目时至少要基于以下生产问题思考一轮接口超时了怎么办并发请求多了会不会崩知识库更新了怎么同步模型输出格式不合法怎么兜底用户输入恶意指令怎么处理能回答这些问题的候选人通常更受企业认可。10.3 忽略数据质量模型再强也没用面试中常见的一个错误是模型效果不好优先怪模型而不是检查数据。实际项目中RAG 效果差的很大比例原因出在数据清洗、切片策略和检索质量。建议做项目时先建立一个小规模测试集用数据判断每个环节的效果而不是靠感觉调参。10.4 背题但不理解为什么面试题可以背但不能只背结论。比如很多人能回答“Temperature 是控制随机性”但面试官追问“为什么 Temperature 会影响真实性和多样性”就卡住了。建议准备每一道题时都问自己两个问题如果让我从零设计我会怎么做这个方案最优吗还有没有替代方案10.5 面试不准备“项目复盘”很多面试官会针对项目做深度追问比如“你当时为什么选这个方案”“检索效果不好时你怎么定位”。准备项目时要把自己当成面试官提前列出 20 个可能被追问的问题并准备答案。重点覆盖选型原因、失败案例、指标变化、后续优化方向。11. 总结与下一步AI、Agent、Data 三件事在面试中已经很难分开。准备的时候可以分模块学习但最终一定要回到一个完整的项目上来从数据处理到模型选择到 Agent 设计再到效果评估全链路自己能讲清楚。最先要验证的三个能力能否独立搭一个带数据清洗、向量检索、大模型生成的 RAG 项目。能否在项目中实现一次真实的 Function Calling 工具调用。能否用 20 到 50 条测试数据说清自己项目的效果和不足。最容易踩的坑有两个一是只学路线不动手二是只做 Demo 不追问生产问题。把这两点补上面试准备效率会高很多。后续可以扩展的方向包括多智能体协作框架、长文本 Agent、数据评估自动化、模型微调与 RAG 的结合。如果这篇文章对你准备面试有帮助建议收藏备用按照 90 天路线逐步实践比零散刷题更有效。