伪代码
mcp.register_tool( name="get_calendar_events", description="获取指定日期范围内的日历事件", input_schema={...}, handler=get_calendar_events_impl )
Skill注册：
1 2 3 4 5 6 7
skill = Skill( name="daily_summary", description="生成每日工作摘要", steps=[query_calendar, query_todos, summarize], triggers=["每天早上8点", "用户说'总结今天'"] ) skill_registry.register(skill)
使用流程：Agent通过MCP发现工具，调用时通过协议传递参数；Skill则是在调度层被调用，执行一个完整的工作流。
- Hermes是什么？如何加入？
这道题问的是内部工具或框架。
我的回答：
Hermes（面试官提到的一个内部工具，我询问了一下具体含义）。
面试官解释后我理解了——在DeepSeek的上下文里，Hermes应该是他们内部的一个Agent开发框架或平台。
关于"如何加入"：需要申请权限，接入Hermes的SDK，注册Agent后通过标准化接口与平台通信。平台负责提供基础设施（日志、监控、配额管理等）。
- Loop Engineering是什么？
这道题问的是Agent循环控制。
我的回答：
Loop Engineering指的是对Agent循环执行过程的精细化控制工程。
核心要素：
循环条件：什么时候继续、什么时候终止 步数限制：最大迭代次数 状态管理：每次迭代更新上下文 异常处理：工具超时、返回错误时的策略 观察裁剪：工具返回内容太长时如何截断
其实就是把Agent的循环从"while true"变成一个可控、可观测、可终止的工程系统。
- Graph Engineering是什么？和Loop Engineering有什么区别？
这道题问的是两个工程概念的对比。
我的回答：
Graph Engineering：把Agent任务流程组织成有向图，节点是步骤（推理、工具调用、条件判断），边是流转路径。支持分支、并行、循环、合并。
Loop Engineering：关注的是单个Agent的循环迭代控制，强调的是"步数管理"和"状态维护"。
区别：
关注层级
任务流程编排
单次循环控制
结构
图（节点+边）
循环（推理→行动→观察）
适用
复杂多步骤任务
ReAct类Agent
粒度
粗（步骤级）
细（单次迭代级）
两者可以结合：Graph里每个节点可能内部就是一个Loop。
- 知识助手类项目的场景和难点？
（这里原输入标号有点混乱，但内容是新项目RAG系统相关）
我的回答：
场景：企业内部知识问答，用户问政策文档、技术规范、产品手册相关的问题。
难点：
文档复杂：PDF有表格、图片、跨页段落，切分容易丢失语义 术语专业：企业内部术语多，通用检索效果差 时效性：文档有版本，需要区分新旧 合规要求：某些信息只能特定权限的用户看到 19. PDF/表格/条款类文档怎么解析和切分？
这道题和之前高德面过的PDF切分类似，但更聚焦在表格和条款上。
我的回答：
PDF解析：
文本型PDF：用PyPDF2或pdfplumber提取文本+坐标 扫描型PDF：用OCR识别
表格解析：
检测表格边界，提取行列结构，保留表头 对于复杂表格（合并单元格），用Camelot或Tabula
条款切分：
按条款编号层级切分（1.1、1.1.1） 每条条款保留完整上下文（上级条款的内容） 元数据记录：文档名、章节路径、版本号
切分原则：保持语义完整性 > 固定字数切分。
- 检索怎么优化？向量检索/关键词检索/rerank/query rewrite怎么配合？
这道题问的是检索pipeline。
我的回答：
完整的检索流程：
1
用户Query → Query改写 → 多路检索 → 融合 → 重排
Query改写：用LLM对问题做同义扩展和指代消解
配合方式：
Query Rewrite保召回（把一个问题扩成多个问法） BM25 + 向量保全面（关键词+语义） RRF融合保稳定 Rerank保精度 21. 多轮对话下怎么解决上下文断裂和幻觉？
我的回答：
上下文断裂：
每轮做Query改写，把指代和省略补全成完整问题 会话状态管理：记录当前对话的主题和关键实体
幻觉：
生成时强制引用检索结果 对时间、地点、数字等关键事实做后校验
两者的关系是：上下文断裂往往是幻觉的诱因，理解错了自然会答错。
- 这个项目有哪些不足？和后面Agent项目比差在哪？
这道题是让做项目对比。
我的回答：
知识助手项目的不足：
只能回答，不能行动（只读不写） 无法处理需要跨文档推理的复杂问题 多轮对话能力弱
和Agent项目的差距：
Agent能调用工具，知识助手只能检索 Agent有记忆和规划能力，知识助手是Query-Response模式 结论：Agent是知识助手的超级版 23. 怎么平衡准确率和效率？混合检索/TOPN精排/控制上下文长度/模型路由？
这道题问的是系统级的权衡。
我的回答：
几个手段配合使用：
混合检索：BM25（快）+ 向量（准），RRF融合
TopN精排：粗排召回200条，精排只用前20条
控制上下文长度：
检索TopN固定（比如10条） 每条文档截断到500字 动态计算，超出预算就降低N或缩短截断
模型路由：
简单问题走小模型（快、便宜） 复杂问题走大模型（准） 1 2 3 4 5 6 7
def route_model(query, intent): if intent in ["简单问答", "天气查询"]: return "qwen2.5-7b" elif intent in ["复杂推理", "代码生成"]: return "deepseek-v3" else: return "default"
准确率和效率本质上是trade-off，用技术手段在中间找平衡点。
- 大数据量高并发下怎么做成本和效率优化？架构怎么设计更合理？
这道题问的是大规模部署。
我的回答：
成本优化：
小模型处理大部分请求，大模型只处理复杂任务 Prompt缓存（相似Query复用上下文） 向量索引量化（如HNSW + PQ压缩）
效率优化：
异步处理：耗时任务走队列，不阻塞响应 批量推理：多个请求合并成batch 水平扩展：无状态服务加负载均衡
整体架构：
- 两个字符串的最长公共子串
手撕算法题。这道题是经典的动态规划。
我的答案：
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
def longest_common_substring(s1: str, s2: str) -> str: m, n = len(s1), len(s2) # dp[i][j] 表示 s1[:i] 和 s2[:j] 的最长公共子串长度 dp = [[0] * (n + 1) for _ in range(m + 1)] max_len = 0 end_pos = 0 for i in range(1, m + 1): for j in range(1, n + 1): if s1[i-1] == s2[j-1]: dp[i][j] = dp[i-1][j-1] + 1 if dp[i][j] > max_len: max_len = dp[i][j] end_pos = i return s1[end_pos - max_len: end_pos]
- 职级预期、换工作原因、意见不合怎么推进
这部分是常规HR问题。
我的回答：
职级预期：根据当前职级和面试表现，期望匹配合理职级 换工作原因：希望在Agent开发方向有更深的技术积累 意见不合：用数据和事实沟通，不情绪化 27. 问了业务方向，偏AIGC创作
反问环节。面试官说他们偏AIGC创作方向，包括AI写作、剧本生成等。
我顺带问了一下技术和业务结合的挑战，面试官说目前最大的挑战是保证生成内容的连贯性和可控性。
最后说两句
这一轮面下来，感受就是：做的项目深度决定了你被问到什么层级的问题。
如果你只是调过API、跑过Demo，面试官不会深挖到Loop Engineering和Graph Engineering。但我那个AI私人助理项目从0到1做了一年多，被问到的全都是"你遇到了什么问题、怎么解决的"——这些没法临时编。
DeepSeek的面试官有个特点：追问特别多。每个问题答完之后，他会根据你的回答继续往下挖，挖到你答不上来为止。这其实是在找你的能力边界。
目前面完了二面，据说还有一轮。如果能过，离Offer就不远了。
觉得有用的朋友点个在看支持一下吧。 后面如果过了终面，我再来写一篇完整的面经和准备攻略。
评论区欢迎交流面试经验，一起上岸。
#求职低谷期你是怎么度过的##我的求职进度条##给26届的秋招建议##为了入行xx岗，我学了__##秋招投递记录# 大模型算法面经 文章被收录于专栏
大模型算法面经