阿里国际agent开发岗，我跪了！！！

刚面完阿里国际的agent开发岗，趁热把面试题记下来。说实话，面完那一刻我有点懵——不是题难，是那种“你会但差一点点”的遗憾感，最难受。

下面是我还记得的问题，有些答得好，有些答得不好，都写出来给大家参考。

一、LangChain和LangGraph到底有啥区别？

面试官问的第一个技术问题就是这个。

我说，LangChain像是一个工具箱，里面有各种链、各种工具、各种模板，帮你快速搭一个单Agent应用。你写代码的时候，思路是线性的：用户输入 → 调一个工具 → 调LLM → 输出。

LangGraph不一样。它是在LangChain基础上做的图结构编排框架。你的任务可以分叉、可以循环、可以有条件跳转。比如一个场景：先让AgentA规划，然后AgentB执行，执行完让AgentC检查，检查不通过就回到AgentA重新规划。这种逻辑在LangChain里写起来特别别扭，但在LangGraph里就是加一条边的事。

面试官追问了一句：“那你觉得哪个更好？”

我说没有更好，看场景。简单任务用LangChain够用，复杂协作必须上LangGraph。面试官点了点头，没继续追问。

二、LangGraph踩过什么坑？

这个问题我回答得不太好，因为项目里踩的坑太多，一时不知道说哪个。

我选了最疼的一个：状态管理。

LangGraph里每个节点都能读写一个共享的state对象，但不同节点是并发执行的。有一次我发现，两个节点同时修改state里同一个字段，后执行的直接把先执行的覆盖了，完全没有警告。

解决方式是在节点里做“合并写”，不要直接覆盖，而是判断一下这个字段是不是已经被别的节点改过了。

面试官听完说：“这是LangGraph的已知问题，你能自己发现并解决说明真的用过。”

三、RAG原理和Embedding模型怎么选的？

先说原理。

RAG就是先搜后读。用户问一个问题，先去知识库里找相关的段落，然后把问题和这些段落一起丢给大模型，让它照着搜到的信息回答。

Embedding模型。

我项目里用的是text-embedding-3-small，主要原因是便宜且够用。但我也对比过两个方案：

最后选了small，因为项目对成本敏感，而且业务场景对召回率要求没那么极端。

面试官追问：“你说embedding模型对比过，具体怎么对比的？”

我说做了一个小测试集，人工标注了50个问题和对应的正确答案段落，然后算每种方案的Hit Rate（召回率）。small是82%，bge是89%，差7个百分点，但small的API调用成本是bge自部署的1/10，所以选了small。

四、上下文压缩怎么做？各有什么优劣？

这是RAG里的经典问题。检索回来的段落可能很长，直接塞进prompt会超过token限制，所以需要压缩。

我试过三种方式：

方式一：截断

直接取每段的前500个字。简单粗暴，但可能丢掉后面的关键信息。

方式二：重排序+截断

先让一个轻量模型给每个段落打分，把分数高的放前面，然后截断。这样至少保证重要的内容在前面，不会被切掉。

方式三：LLM摘要压缩

把每个段落单独丢给小模型生成一句话摘要，然后把这些摘要拼起来。优点是信息密度高，缺点是会丢失细节，而且多一次LLM调用增加延迟。

面试官问：“你觉得哪种最好？”

我说看业务。客服场景用户问“怎么退货”，细节很重要，截断可能把“需要订单号”这条信息切掉，所以我用重排序+截断。如果是做新闻摘要，用LLM压缩效果更好。

五、Fallback怎么做的？

大模型调用不可能100%成功，所以必须有降级方案。

我设计的fallback分三层：

第一层，重试。网络抖动导致的失败，重试一次就能好。

第二层，换模型。主模型用的是GPT-4，如果一直超时，就切到Claude或者本地部署的Qwen。虽然效果差一点，但至少能返回结果。

第三层，兜底话术。如果所有模型都挂了，返回“系统繁忙，请稍后再试”。这个话术虽然没用，但比报错好。

面试官追问：“你怎么判断‘失败’？超时还是返回空？”

我说两个都算。超时阈值设的30秒，超过就算失败。返回空或者返回“我不确定”这种无效回答也算失败，会触发fallback。

六、AgentState的作用是什么？为什么不用全局变量？

这个问题我在LangGraph踩坑那部分已经提过，面试官专门拎出来细问了。

AgentState是一个贯穿整个graph的共享对象，每个节点都能读和写。

# 伪代码示例class AgentState(TypedDict): messages: List[BaseMessage] current_step: str intermediate_results: dict

为什么不用全局变量？

三个原因：

第一，全局变量在多线程环境下不安全。LangGraph的节点可能是并发执行的，两个节点同时修改同一个全局变量，结果不可预测。

第二，全局变量没法回溯。你改完就改完了，没有历史记录。但AgentState每次更新都可以保存快照，方便调试和重放。

第三，全局变量不支持图结构特有的“条件恢复”。比如你的图执行到一半挂了，从上一个checkpoint恢复时，全局变量的状态已经丢了，但AgentState可以从序列化的快照里原样恢复。

面试官听完说了句“不错”，没有继续追问。

七、整体的失败重试机制怎么设计的？

这个问题范围比较大，我把三个层面的重试都说了一遍。

Node层

每个节点执行失败，会重试3次，间隔2秒、4秒、8秒递增。3次都失败就标记这个节点为“失败”，整个graph暂停，发告警。

RAG链层

检索失败（比如向量数据库超时），会降级到关键词检索（BM25）。BM25也失败的话，返回空召回集，让模型用自身知识回答。

Tool层

工具调用失败，比如调天气API返回500，会重试2次。还失败就返回“工具暂时不可用”，并且把这个信息写回给LLM，让LLM告诉用户“查不了天气”。

面试官问：“你有没有考虑过部分失败的情况？比如RAG召回了3段，其中1段对应的文档源挂了？”

我说这个场景没考虑到，真要处理的话可以给每段召回加一个“可用性”标记，不可用的段落直接丢掉，不参与后续生成。面试官说这是个好方向，可以想想。

八、Transformer原理和多头注意力

这部分问得比较基础，但也细。

Transformer，简单说就是“Attention is all you need”那篇论文提出的架构。它不依赖RNN的循环结构，全靠注意力机制捕捉序列中不同位置的关系。

多头注意力，可以理解为让模型从多个角度观察同一段文本。

举个例子。“他打篮球打得好，但他受伤了”这句话里的两个“他”，指向同一个人。一个注意力头可能关注“篮球”和“打”的关系，另一个头关注“受伤”和“他”的关系。多个头并行计算，最后把结果拼在一起。

面试官没再追问，应该是觉得基础过关了。

九、实习IM项目的实现

一个即时通讯系统的后端，支持单聊、群聊、已读回执、离线消息。

我负责的是消息可靠性保证，核心是两件事：消息不丢、消息不重。

消息不丢靠“先存后发”。用户发消息，服务器先写进数据库，状态标记为“发送中”，然后再推给接收方。接收方收到后回一个ack，服务器再把状态改成“已送达”。

消息不重靠客户端生成的唯一消息ID，服务端用这个ID去重。同一个ID的消息如果收到两次，第二次直接忽略。

面试官问：“群聊的已读回执怎么做的？1000人的群，每人读一下你都要存吗？”

我说存，但是存的是“最后已读位置”。每个用户只记录自己读到了哪条消息，而不是记录每条消息的已读状态。这样已读回执的存储量从O(M×N)降到了O(N)。

十、实习Agent客服项目的RAG与回答生成

这个项目是把RAG用在了电商客服场景。

RAG实现：

知识库是商品FAQ、退货政策、优惠券规则这些文档。用户问“这个手机能7天无理由退货吗”，先检索“7天无理由+退货条件”相关的文档段落，然后把这些段落拼进prompt，让大模型生成回答。

回答生成：

不只是把检索结果直接贴给用户。检索回来的可能是“7天无理由退货适用于未激活的商品”，但用户问的“这个手机”是不是已经激活了？需要从对话历史里找。

所以生成阶段有两步：

1. 判断用户问题里是否缺少关键信息（比如是否激活）
2. 如果缺少，反问用户，而不是瞎回答

面试官问：“你怎么判断‘是否缺失关键信息’？”

我用了最笨但有效的办法：写规则。把每个业务场景的必需字段列出来，比如退货场景必须有“订单号+商品状态”，缺一个就触发反问。当然这个方案不够智能，但电商场景业务清晰，规则够用。

十一、魔改LangGraph项目的记忆系统设计

这是我个人项目里最花时间的一块。

LangGraph原生支持短期记忆（通过AgentState传messages），但长期记忆需要自己搞。

我设计的记忆系统分三层：

工作记忆：当前会话的所有对话，存在内存里，会话结束就清空。

情景记忆：用户的历史行为，比如“上次问过空调怎么清洗”、“之前点过外卖到某个地址”。存在向量数据库里，按用户ID分桶。

语义记忆：从情景记忆里总结出来的抽象知识，比如“用户偏好便宜的商品”、“用户不喜欢等太久”。这个是定期用LLM从情景记忆里抽取的。

记忆的写入时机不是每轮都写，而是当LLM判断“这条信息未来可能有用”时才写。判断逻辑是用一个轻量模型打分，超过阈值才存储。

面试官追问：“你怎么解决记忆过时的问题？”

我说加了一个衰减机制。每条记忆有个权重，每次会话如果没用到它，权重就衰减一点。权重低于阈值就删掉。比如用户半年前说“喜欢黑色”，但最近三个月都在买白色，那条“喜欢黑色”的记忆就会被淘汰。

最后的手撕代码

二叉树蛇形遍历，leetcode第103题。

两分钟写出来了，核心逻辑就是层序遍历+翻转奇数层。但面试官让我自己构造一棵二叉树来跑测试，我脑子短路了——怎么new节点、怎么挂左右子树，居然卡住了。

# 我能写出来的是这个def zigzagLevelOrder(root): if not root: return [] res = [] queue = [root] left_to_right = True while queue: level_size = len(queue) level = [] for _ in range(level_size): node = queue.pop(0) level.append(node.val) if node.left: queue.append(node.left) if node.right: queue.append(node.right) if not left_to_right: level.reverse() res.append(level) left_to_right = not left_to_right return res# 但构造二叉树我写不出来 😭

面试官说“没事，算法思路是对的”，但我感觉这里扣分了。

出来复盘才发现，构造二叉树不就是递归吗：

def build_tree_from_list(arr, i): if i >= len(arr) or arr[i] is None: return None root = TreeNode(arr[i]) root.left = build_tree_from_list(arr, 2*i+1) root.right = build_tree_from_list(arr, 2*i+2) return root

可惜面试的时候就是没想到。

0 AI行业迎来前所未有的爆发式增长：从DeepSeek百万年薪招聘AI研究员，到百度、阿里、腾讯等大厂疯狂布局AI Agent，再到国家政策大力扶持数字经济和AI人才培养，所有信号都在告诉我们：AI的黄金十年，真的来了！

在行业火爆之下，AI人才争夺战也日趋白热化，其就业前景一片蓝海！

我给大家准备了一份全套的《AI大模型零基础入门+进阶学习资源包》，包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。😝有需要的小伙伴，可以VＸ扫描下方二维码免费领取🆓

人才缺口巨大

人力资源社会保障部有关报告显示，据测算，当前，****我国人工智能人才缺口超过500万，****供求比例达1∶10。脉脉最新数据也显示：AI新发岗位量较去年初暴增29倍，超1000家AI企业释放7.2万+岗位……

单拿今年的秋招来说，各互联网大厂释放出来的招聘信息中，我们就能感受到AI浪潮，比如百度90%的技术岗都与AI相关！

就业薪资超高

在旺盛的市场需求下，AI岗位不仅招聘量大，薪资待遇更是“一骑绝尘”。企业为抢AI核心人才，薪资给的非常慷慨，过去一年，懂AI的人才普遍涨薪40%+！

脉脉高聘发布的《2025年度人才迁徙报告》显示，在2025年1月-10月的高薪岗位Top20排行中，AI相关岗位占了绝大多数，并且平均薪资月薪都超过6w！

在去年的秋招中，小红书给算法相关岗位的薪资为50k起，字节开出228万元的超高年薪，据《2025年秋季校园招聘白皮书》，AI算法类平均年薪达36.9万，遥遥领先其他行业！

总结来说，当前人工智能岗位需求多，薪资高，前景好。在职场里，选对赛道就能赢在起跑线。抓住AI风口，轻松实现高薪就业！

但现实却是，仍有很多同学不知道如何抓住AI机遇，会遇到很多就业难题，比如：

❌ 技术过时：只会CRUD的开发者，在AI浪潮中沦为“职场裸奔者”；

❌ 薪资停滞：初级岗位内卷到白菜价，传统开发3年经验薪资涨幅不足15%；

❌ 转型无门：想学AI却找不到系统路径，83%自学党中途放弃。

他们的就业难题解决问题的关键在于：不仅要选对赛道，更要跟对老师！

我给大家准备了一份全套的《AI大模型零基础入门+进阶学习资源包》，包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。😝有需要的小伙伴，可以VＸ扫描下方二维码免费领取🆓