一场上强度的派聪明 RAG 实习面试，16 道题覆盖分片、向量、KNN、BM25、Agent、MCP、Skill 全栈，附简历模板。

某厂大模型（两个字）启动离职脱敏，核心成员需要强制签署，想离职必须提前3个月同步公司。，面试官连问8道Agent底层原理，从循环执行到记忆压缩，基于PaiCLI实战项目全面拆解

- 用自己的话讲清 RAG 是什么、解决什么问题； - 知道一条 RAG 链路由哪几个零件组成，每个零件为什么不可省略； - 手里有一份能跑、能改、能在面试时打开演示的代码。

面试官是一个看着很资深的技术总监。他喝了口水，突然抛出了一个非常尖锐的问题： “你平时用 AI 写代码吗？现在 AI 敲代码的速度比你快 100 倍，错误率还比你低。在这种背景下，你觉得程序员的核心价

RAG 面试深水区 9 道硬核题，从精确率评估到百万级文档存储，从切片策略到多机部署，面试官问到底了。

1、前言 —— 你敲了一行字，然后魔法发生了 　　　　你打开 Claude Code，敲了一行字： "帮我修一下这个 Bug，Hello.cs 的构造函数参数好像写错了。" 回车。几秒钟后，它找到了问

Agent核心四大组件：Agent = 大模型 (大脑) + 工具 (双手) + 执行循环 (思考-行动-观察-再思考)

系列第一篇，全面解读Vibe Coding、Spec Coding与Harness Engineering三大AI编程范式的起源、定位与抉择框架，为后续深入各范式的实战文章奠定理论基础。

最近 Claude Code 和 Agent Skills 火起来之后，面试里问 SKILL.md 的越来越多。前两篇我写了字节面试官追问"SKILL.md 该写多长"，这一篇换个场子——一个学员上周

5月25日，上海。 IEEE（电气电子工程师学会）国际电路与系统研讨会上，一个中国女人站上了讲台。 她叫何庭波，华为公司董事、半导体业务部总裁，业内人称"芯片女王"。 她代表华为，发布了一个全新的半导

以前看技术社区，热门多半是面试文章当道，作为技术文章创作者来说也是同样的体验，写其他主题，水花不大，但围绕面试找工作，肯定有基本的数据。 现在经历了几轮 下岗潮、 AI 大模型浪潮，转头一看，发现：

这篇文章是对 Karpathy 原文、社区讨论和多方评论的一次完整梳理。我们会讲清楚 LLM Wiki 是什么、解决了什么问题、怎么落地，以及它的局限性在哪里。

1. RAG 是什么？为什么需要 RAG？ 面试官一般这么问：”为什么不让 LLM 直接回答，非要用 RAG？”或者”LLM 的知识截止问题你怎么解决？” LLM 的三大知识缺陷 ① 知识截止——训练

AutoGen 是微软研究院推出的一款开源多 Agent 对话框架，旨在简化多个 LLM Agent（大语言模型智能体）之间的协作。它让 AI Agent~

5 个 Step，让你的前端代码连上 AI 大模型 前言 "前端不就是切页面的吗？" 如果你也被这样问过，这篇文章就是你的反击武器。从请求后端数据，到调用 AI 大模型，前端能做的事远比你想象的多——

前言 这两年做 AI 应用，很多团队最先搭起来的是模型调用链路，最后最容易失控的却是数据层。 一开始，大家通常只把 PostgreSQL 或 MySQL 当成“普通业务库”：用户表、订单表、会话表、消

2017 年，Google 研究团队发表论文 《Attention Is All You Need》，提出 Transformer 架构。它彻底弃用了 RNN/LSTM 递归结构...

Memory 模块深度解析（面试向） 一、什么是 Memory？—— 一句话回答 二、为什么需要 Memory？—— 从 HTTP 类比讲起 2.1 LLM 的无状态本质 2.2 HTTP 怎么解决无

在 RAG（Retrieval-Augmented Generation）系统中，文档解析与分块（Chunking）是决定检索质量和生成效果的关键环节。LlamaIndex 提供了一套层次分~~~