当前位置：首页 > news >正文

Agent能跑Demo却过不了面试，工程化能力差在哪

news 2026/8/5 23:56:38

这篇我按“先跑起来、再讲取舍”的方式写《岗位变化这么快，计算机专业就业真正该补的是什么？》。概念会讲，但重点放在代码怎么组织、哪里容易踩坑。

摘要

最近翻了一些大模型应用岗位的JD，发现一个有意思的现象：面试者Prompt写得挺溜，RAG链路也能讲清楚，但问到最后——权限怎么管、日志怎么记、失败怎么兜底——基本都卡住了。

这不是个例。我自己带过一个暑期实习生，LangGraph工作流写得比我还熟，结果上线第一天就炸了：Agent调了三个外部API，没有一个做鉴权，日志也没记录，排查问题花了半天。

大模型应用正在从Demo阶段走向生产阶段，但学生的准备节奏还停留在"能跑通就行"。这篇文章，我想拆解一下这个gap到底在哪，以及你该按什么顺序补。

岗位在变，但基础课的价值没变

先说一个反直觉的判断：大模型时代，操作系统、计算机网络、数据库这些基础课反而更重要了。

为什么？因为大模型应用不是悬浮在空中的。它最终要跑在服务器上，要连接数据库，要处理并发，要面对网络波动。你写的Agent再智能，也得通过这些基础设施才能活下来。

我见过太多学生，一上来就搞RAG、搞Agent，基础课能逃就逃。结果面试问"你的Agent怎么保证并发安全"、"怎么处理分布式事务"，直接懵了。

这不是说大模型技术不重要，而是说：大模型应用工程师的本质，还是软件工程师。AI能力是加成，不是替代。

所以我的建议是：基础课该学还是学，别被"AI能写代码"忽悠了。代码能生成，但架构决策、性能调优、故障排查，这些还是得靠基本功。

AI项目：从Demo到可上线，差什么

这是本文的核心。很多学生的项目停留在"能跑通"，但企业要求的是"能上线"。这两个之间的差距，我用一个具体例子来说。

假设你要做一个"智能客服Agent"，能读取知识库、回答用户问题、记录对话日志。

Demo阶段：你用了LangChain，接了一个向量数据库，写了一个简单的API，能回答问题。跑起来没问题，面试也能讲清楚原理。

上线阶段：问题来了——

1. 权限控制：用户A能不能看到用户B的数据？Agent能不能访问敏感接口？
2. 日志记录：每次对话的输入输出、调用链、耗时、错误信息，怎么记录？
3. 可观测性：怎么知道Agent的响应时间、错误率、Token消耗？
4. 兜底机制：模型返回了错误答案怎么办？超时了怎么办？

这些在Demo阶段不需要考虑，但上线时必须解决。而且，这些恰恰是面试高频问题。

我写一段代码，展示一个简单的权限拦截器，你可以感受一下这种工程化思维：

from functools import wraps import logging logger = logging.getLogger(__name__) def require_permission(permission: str): """权限拦截装饰器""" def decorator(func): @wraps(func) def wrapper(user, *args, **kwargs): # 检查用户是否有该权限 if not user.has_permission(permission): logger.warning( f"Permission denied: user={user.id}, " f"required={permission}, action={func.__name__}" ) raise PermissionError(f"User {user.id} lacks permission: {permission}") # 记录访问日志 logger.info( f"Permission granted: user={user.id}, " f"permission={permission}, action={func.__name__}" ) return func(user, *args, **kwargs) return wrapper return decorator # 使用示例 class AgentService: @require_permission("read_knowledge_base") def query_knowledge(self, user, question: str) -> str: # 实际查询逻辑 pass @require_permission("write_logs") def log_interaction(self, user, interaction: dict): # 记录对话日志 pass

这段代码看着简单，但它体现了几个关键点：