从前的一段时期以来, 数目越发增多的招聘资讯, 都开始呈现出“Agent开发”, 以及“AI应用开发”, 且还包括“大模型工程师”这样的岗位称呼。单从名字去瞧, 这些所涉及的岗位好像无一不是围绕着大模型来进行全方位展开的。鉴于此, 众多的求职者便把准备的关键要点放置在了、模型调用以及几个颇为流行的框架之上。但在对近期面试样本加以整理之后, 我们察觉到了一个显著的变化, 企业所需求的并非仅仅会调用大模型接口的人, 而是那种能够将模型切实接入业务系统的, 能够控制成本的, 能够处理异常情况的, 并且能够持续优化效果的工程师。截止到此次开展的整理工作, 今日新知里“求职”这一主题, 存在着36条已然完成正文采集处理的面试以及求职样本。其中, 涉及Agent的样本数量为8条, 涉及RAG的样本数量是7条, 涉及SQL的样本数量有5条, 涉及Redis的样本数量为4条, 涉及MCP的样本数量是3条。不同的关键词之间有着相互重叠的情况, 不过它们共同描绘出了当下AI岗位的能力架构。一、岗位名称变了计算机基础并没有消失面试面向Agent开发岗位, 面试面向AI后端岗位, 面试面向大模型应用岗位, 在这些面试之中, 常见传统基础题, 且其依旧高频出现。例如这表明了一个实际情况, 即Agent并非是那种独自运行的聊天机器人, 它最终还是需要接入到账号系统之中, 或者接入数据库, 又或者接入搜索服务, 甚至是接入支付系统, 亦或是接入企业内部工具。模型承担着“理解以及决策”的职责, 然而, 切实使得产品稳定运转起来的, 依旧是传统软件工程方面获取的能力。倘若候选人仅仅擅长书写, 然而却没法阐释清楚一回请求经历了哪一些服务, 在失败之后该依照怎样的方式进行恢复, 对于数据究竟应当怎样予以保存, 如此一来就极难独立自主地承担起真实的业务。二、面试官不只问“会不会RAG”而是追问整条链路正在成为大模型应用岗位里高频词汇的RAG, 然而面试重点却正从“是否使用过”朝着“是否真正理解”转变。常见追问可能包括这些问题所考查的并非是候选人有没有记住几个框架的名称, 而是能不能将一种不稳定的模型能力转化为能够进行测试、可以实施监控以及得以改进的产品能力。真的具备说服力的那种回答, 一般来讲是需要涵盖具体指标的, 比如说召回率, 此乃一个指标, 回答准确率是其一, 引用错误率也是它, 平均响应时间同样是需要具备的, 单次调用成本也是其中一个具体指标。“效果不错”并非指向指标, “在固定的测试集合之上”以及“错误率从某一数值下降至另一数值”, 此二者才是工程领域的表述方式。三、MCP、Skill和工具调用正在从概念题变成设计题先是Agent着手连接搜索, 接着它连接数据库, 随后它进行代码执行, 而后它连接企业内部系统, 随着这些情况出现, MCP、Skill等概念也渐渐开始进入面试。但面试官真正关心的通常不是定义而是边界。例如这表明, Agent开发, 已并非仅仅局限于“促使模型回答问题”这般简单, 而是转向了去设计一个自动化系统, 该系统具备权限, 有着特定状态还设有风险控制。Agent要是越具备自主行动的能力, 那么工程师就越一定要去思考当它做出错误之事的时候会出现什么样的状况。四、多模态岗位考查的也不只是模型名称在一部分Agent以及多模态岗位的样本当中, 面试所涉及的问题, 已然涵盖了视觉编码器, 图文对齐, 视频抽帧, Token压缩, 还有推理成本。面试官或许不大要求每一位候选人从起始去训练模型, 然而会去考查候选人是不是明白数据进入模型之后所产生的状况。比如说, 一段时长较长的视频, 是不可以单纯地将所有页面画面都交付给模型的。系统是需要在所传递信息的完整程度、Token数目、做出回应的速度以及进行计算所需的成本之间做出权衡抉择的。因此多模态应用开发正在形成新的能力组合不能不理解模型的大致结构, 还得要能够处理数据管线, 还有服务部署, 以及推理延迟和业务效果。仅仅晓得怎样去调用一个多模态接口, 特别难以去回答因何系统于短视频方面呈现出正常的情形, 而换成了长视频之后其效果却一下子就下降了。五、项目追问正在取代简单的“八股背诵”从这些面试样本看项目经历仍然是决定面试深度的重要部分。面试官经常沿着一个项目不断追问这些问题, 表面上, 是在针对项目展开讨论, 而实际上呢, 是在评测候选人, 究竟有没有真正投身于关键决策之中。若是简历单单写着“使用搭建智能问答系统”, 极易被持续追问。与之相较, 那种能够把问题、方案、指标、失败历程以及最终的取舍讲明白的项目, 更易于构建可信度。六、准备Agent岗位可以建立三层能力结构准备AI应用岗位的求职者, 可以将其知识划分成三层, 准备Agent岗位的求职者, 同样也能够把知识分成三层。第一层是计算机基础。涵盖编程语言, 涉及数据库, 关联缓存, 关乎网络, 有关并发, 包含操作系统以及常见系统设计, 这一层对系统能否稳定运行起着判定作用。第二层是AI应用工程。其中涵盖了RAG, 还有重排序, 以及工具调用, 另外还有MCP, 也包括记忆管理, 在此基础上有模型评测, 并且涉及幻觉控制, 以及推理成本。这一层对模型能否切实解决问题起着决定性作用。第三层是项目证据。要准备出至少一个项目, 这个项目得可以进行完整讲解, 说明下业务所需求之目标, 介绍清楚系统方面的架构, 阐述关键之难点所在, 提及失败实例之情况, 讲明白评价时所依据的指标, 还要说明最终所取得的结果。就是这一层面, 其决定着面试官是不是会相信候选人实际上拥有交付方面的能力。今日新知观察Agent岗位的增加并不意味着传统开发能力已经过时。往后而言, 更会受到偏爱青睐的竞选者人选, 或许并非是那种仅仅只是纯粹单一的算法从事钻研探索之人, 也并非是那种仅仅只会去运用调用接口的应用程序开发工作者, 而是那种具备有能够将模型所拥有的能力跟工程系统建立起来连接关系衔接起来之人。岗位称呼处在变动当中, 然而企业一直寻觅同一种本事, 即面对一个并非确定的问题时, 能够去设计方案, 达成实现, 找出错误, 并且使系统平稳运行。需要留意的是, 本文是按照公开的个人面试记录予以整理的。不同的公司, 不同的部门, 不同的岗位级别, 以及不同的面试官, 其考查方向或许会存在较大的差别, 切莫把个别面试题当成企业统一的招聘标准。