当前位置：首页 > news >正文

Demo跑通就能投简历？大模型求职真正筛掉你的是权限和日志

news 2026/8/3 23:52:19

《别急着重做计算机专业就业，先看岗位到底在筛什么》看起来是个大话题，但真落到项目里，常常就是几个具体选择。下面我尽量按实际开发时会遇到的问题来讲。

摘要

我最近翻简历的时候发现一个现象：很多同学的Agent项目都差不多——调一个API，套个模板，跑个Demo，然后写进简历。看着挺热闹，但真正聊起来，一问"你的Agent怎么判断用户权限"，或者"你做了哪些日志追踪"，基本就卡壳了。

这不是学生的问题，是方向偏了。

大模型应用这两年从Demo阶段进入工程化阶段，企业招聘的筛选标准也跟着变了。以前会调API、会用LangChain就能拿到面试，现在面试问的是：你的应用能不能上线、能不能维护、能不能对接到现有系统。

我去年带过一个实习生，项目做得很漂亮，Demo能跑通所有流程。结果入职后第一个月，他写的Agent在生产环境崩了三次，原因都是权限判断缺失和日志记录不完整。后来他花了两周时间补这些，才真正上手。

这个例子我想说：求职的准备方向，和实际工作的要求，中间有一段需要自己补的差距。

岗位在变，但基础课反而更值钱

先说一个反直觉的判断：大模型越火，计算机基础课的价值越凸显。

不是开玩笑。我面试过不少同学，有的能熟练调用各种模型API，但问到数据结构、网络协议、数据库事务这些基础，回答得很模糊。而实际做项目的时候，这些问题一个一个冒出来。

举个例子，你写一个Agent，让它去查数据库然后返回结果。API调用很简单，但数据库连接怎么管理？查询超时怎么处理？并发情况下数据一致性怎么保证？这些都是基础课的内容。

我的建议是：别因为大模型热就丢掉基础课。操作系统、计算机网络、数据库原理，这些课的作业和实验，认真做完，比刷十个Demo项目都有用。

特别是数据结构，Agent的很多实现逻辑——比如任务队列、记忆管理、工具调用排序——底层都是数据结构。你懂栈、懂队列、懂图，写Agent的时候思路会清晰很多。

从Demo到项目：一个可运行的对照

这里我拿一段代码做对照，说明Demo和项目化的差距在哪。

先看一个简单的Agent Demo：

import openai def simple_agent(question): """最简单的Agent，能跑但不能上线""" response = openai.ChatCompletion.create( model="gpt-4", messages=[{"role": "user", "content": question}] ) return response.choices[0].message.content # 直接调用 result = simple_agent("帮我查一下用户订单") print(result)

这个Demo能跑通，逻辑也清楚。但放到企业环境里，问题一堆：

没有权限判断，任何人问什么都能查
没有日志，出问题不知道哪里错了
没有错误处理，模型调用失败直接崩
没有配置管理，API Key硬编码

改成可维护的项目：

import logging import os from dataclasses import dataclass from typing import Optional import openai # 配置日志 logging.basicConfig( level=logging.INFO, format="%(asctime)s | %(levelname)s | %(message)s", handlers=[ logging.FileHandler("agent.log"), logging.StreamHandler() ] ) logger = logging.getLogger(__name__) @dataclass class UserContext: """用户上下文，携带权限信息""" user_id: str role: str # admin, user, viewer allowed_resources: list[str] class AgentService: """可维护的Agent服务""" def __init__(self, model: str = "gpt-4"): self.model = model self.client = openai.OpenAI(api_key=os.getenv("OPENAI_API_KEY")) def check_permission(self, ctx: UserContext, resource: str) -> bool: """权限检查""" if ctx.role == "admin": return True return resource in ctx.allowed_resources def log_interaction(self, ctx: UserContext, question: str, response: str, success: bool): """记录交互日志""" logger.info( f"user={ctx.user_id} | role={ctx.role} | " f"question={question[:50]}... | success={success}" ) def process(self, ctx: UserContext, question: str) -> Optional[str]: """主处理流程""" # 1. 解析问题，提取资源 resource = self._extract_resource(question) # 2. 权限检查 if not self.check_permission(ctx, resource): logger.warning(f"Permission denied: user={ctx.user_id} resource={resource}") return "权限不足" # 3. 调用模型 try: response = self.client.chat.completions.create( model=self.model, messages=[ {"role": "system", "content": "你是一个助手"}, {"role": "user", "content": question} ] ) result = response.choices[0].message.content self.log_interaction(ctx, question, result, True) return result except Exception as e: logger.error(f"Model call failed: {e}") self.log_interaction(ctx, question, str(e), False) return None def _extract_resource(self, question: str) -> str: """从问题中提取资源（简化版）""" # 实际项目需要更复杂的解析逻辑 if "订单" in question: return "orders" elif "用户" in question: return "users" return "unknown" # 使用示例 if __name__ == "__main__": agent = AgentService() # 管理员用户 admin_ctx = UserContext( user_id="u001", role="admin", allowed_resources=["orders", "users"] ) result = agent.process(admin_ctx, "帮我查一下用户订单") print(result)

两段代码对比，差距很明显。Demo版本三行核心逻辑，项目版本多了权限、日志、错误处理、配置管理。这些不是锦上添花，是上线必备。

面试的时候，如果你能说出这些设计选择的原因，比单纯展示Demo跑通更有说服力。