现在准备 AI 岗位面试，你会发现一个特别明显的趋势：不管投的是算法工程师、大模型应用开发，还是数据分析岗位，面试官绕来绕去都会问到三件事——AI、Agent、Data。
这不是巧合。大模型本身是 AI 能力底座，Agent 是大模型落地的主要交互形态，Data 则是让模型和智能体真正“可用”的关键燃料。面试题表面上是考你某个模型参数、某个框架 API，实际上是在考察你能否打通这三条链路：模型怎么选、Agent 怎么设计、数据怎么管。
这篇内容就是围绕“AI x Agent x Data 专题课”梳理的一份学习路线和面试问题分析。会先讲清楚三个方向各自学什么、学到什么程度，再给一套可执行的 90 天路线，最后拆解高频面试题和答题框架。不管你是准备校招、社招转岗，还是想把手里的项目讲得更硬，这篇都值得收藏。
1. AI、Agent、Data 的关系与岗位定位
1.1 三者不是并列关系，而是链路关系
很多人在准备面试时会犯一个错误：把 AI、Agent、Data 当成三个独立的知识点去背。实际上，现在主流岗位要求的是全链路能力。
可以这样理解：
- AI：指大模型、机器学习、深度学习相关的算法能力。它解决的是“模型能不能理解、能不能生成”的问题。
- Agent：指基于大模型构建的智能体系统。它解决的是“模型怎么使用工具、怎么规划任务、怎么自主执行”的问题。
- Data：指数据处理、向量化、检索、评估等数据工程能力。它解决的是“模型的知识从哪里来、效果怎么衡量、怎么持续优化”的问题。
三者的关系可以概括为一句话：AI 提供能力，Agent 提供形态，Data 提供原料。面试官最想看到的，是你站在整个链路上思考问题，而不是只会调一个 API。
1.2 主流岗位与职责定位
| 方向 | 典型岗位名称 | 核心职责 | 面试考察重点 |
|---|---|---|---|
| AI | 大模型算法工程师 | 模型微调、Prompt 设计、效果评估 | Transformer 原理、微调方法、评估手段 |
| Agent | Agent 应用开发工程师 | 智能体开发、工具调用、多智能体协作 | ReAct、Function Calling、记忆设计 |
| Data | 数据处理工程师 / RAG 工程师 | 数据清洗、向量检索、知识库构建 | RAG 流程、切片策略、检索优化 |
| 全栈 | AI 应用开发工程师 | 从数据到模型到 Agent 全链路落地 | 系统设计、稳定性、成本控制 |
从岗位 JD 看，纯算法岗越来越少，更多岗位要求候选人在其中两个方向的交叉地带具备实战能力。这就是为什么“AI、Agent、Data 专题课”会特别强调三者一起准备。
2. 面试核心能力模型
在系统学习之前，先明确面试官考察的能力层级。从当前主流岗位和面试反馈看，可以分为三层：
2.1 基础理论层
这一层是所有面试的地基，包括：
- Python 编程能力：数据结构、文件处理、并发、常用库。
- 机器学习基础：损失函数、过拟合、评估指标、特征工程。
- 深度学习基础：神经网络、反向传播、CNN/RNN/Transformer。
- 大模型基础：注意力机制、上下文窗口、Temperature、Top-p、幻觉成因。
基础理论不一定每次都直接考，但往往会以“概念题 + 场景题”的方式出现。比如面试官问“你的 RAG 效果不好，你会先检查检索还是先检查生成”，本质就是在考你是不是真的理解链路。
2.2 工程落地层
这一层是区分“背题选手”和“实战选手”的关键，包括：
- 大模型 API 调用与参数调优。
- RAG 系统搭建与检索效果优化。
- Agent 框架使用与二次开发。
- 工具调用、记忆管理、多智能体编排。
- 批量任务处理、接口服务、日志与监控。
工程能力在面试中的体现方式是“讲项目”。项目里有没有考虑过显存、QPS、批量任务、失败重试、数据质量，面试官一听就能判断。
2.3 系统设计层
这一层是高级岗位的考察重点：
- 如何设计一个企业知识库问答系统。
- 如何设计一个数据分析 Agent。
- 如何设计一套模型评估体系。
- 如何在成本和效果之间做权衡。
系统设计题没有标准答案，但有标准框架：先定义场景和用户，再拆解功能模块，然后说明数据流和技术选型，最后补充评估方案和风险。
2.4 自我评估清单
| 评估项 | 水平标准 | 是否达标 |
|---|---|---|
| 能独立调用大模型 API 开发应用 | 是 | 必达 |
| 能讲清楚 RAG 全流程并自己搭过 | 能画流程图 + 能跑通 demo | 必达 |
| 能设计并实现一个单 Agent 应用 | 有工具调用和记忆 | 必达 |
| 能解决检索效果差的问题 | 知道用混合检索、重排、多路召回 | 加分 |
| 能设计多智能体协作流程 | 有实际项目或完整方案 | 加分 |
| 能说明数据清洗和评估细节 | 有量化结果 | 加分 |
3. AI 方向学习路线
3.1 先学 API 应用，再补理论
很多人的问题是想一步到位，上来就啃 Transformer 原论文，结果看了两周还停留在注意力公式，项目一个没跑。
更合理的路径是：先学会调用大模型 API 完成一个具体任务，比如文本分类、信息抽取、智能客服。这个阶段不需要自己部署模型，重点理解提示词、温度、输出格式这些实际工程参数。跑通后再回去学背后的原理，理解就会深很多。
3.2 必学的大模型核心概念
至少需要掌握以下知识点：
- Transformer 的基本结构：Attention、Encoder-Decoder、位置编码。
- 预训练与指令微调的区别。
- 上下文窗口与长文本处理。
- 温度、Top-p、Max Tokens 对生成结果的影响。
- 幻觉（Hallucination）的成因与抑制手段。
- 模型评估指标：BLEU、ROUGE、精确率/召回率，以及基于 LLM 的评估方式。
不需要所有公式都能推导，但要做到概念能解释、参数会调整、问题能排查。
3.3 是否要学会微调
微调是加分项，不是入门必选项。面试中经常被问“什么时候该微调，什么时候改用 RAG”，这就需要你理解微调的适用场景：
- 需要模型改变表达风格或遵循特定术语时，微调更合适。
- 需要注入实时或私有知识时，RAG 更合适。
- 两者也可以结合：RAG 负责知识检索，微调负责输出格式和风格。
建议在本地学习时先用公开模型跑一个 LoRA 微调实验作为亮点，但实际面试项目优先以 RAG + Agent 为主。
4. Agent 方向学习路线
4.1 Agent 的本质是什么
Agent 不是一个具体的算法，而是一套系统架构。一个完整的 Agent 通常具备以下能力：
| 模块 | 作用 | 核心问题 |
|---|---|---|
| 规划 | 把复杂任务拆解成多个步骤 | 任务再复杂也应该有执行路径 |
| 记忆 | 保存对话历史、用户偏好、任务状态 | 怎么筛选重要信息 |
| 工具 | 调用 API、数据库、代码执行器 | 怎么让模型理解工具用途 |
| 反思 | 根据执行结果调整下一步 | 失败了怎么重试 |
| 多智能体协作 | 多个 Agent 分工配合 | 谁负责拆分、谁负责汇总 |
面试中问“你如何设计一个客服 Agent”，本质上就是在考这些模块你怎么组合。
4.2 ReAct 循环是必考基础
ReAct 是目前最常考到的 Agent 模式，核心思想是让模型交替执行两个动作：
- Reason：分析当前情况，思考下一步行动。
- Act：执行一个具体的工具调用或操作。
- Observation：观察工具返回结果，继续推理。
下面是 ReAct 循环的简化伪代码，与具体框架无关：
def react_loop(user_query, tools, max_steps=5): messages = [{"role": "user", "content": user_query}] for step in range(max_steps): response = llm.chat(messages) action = parse_action(response) if action.type == "finish": return action.output if action.type == "tool_call": tool_result = call_tool(action.tool_name, action.params) messages.append({"role": "tool", "content": tool_result}) else: # 模型推理结果，继续观察 messages.append({"role": "assistant", "content": response.content}) return "达到最大步骤限制，任务结束"面试时能画出这个循环，能说明观察结果如何影响下一步决策，就已经超过很多只背概念的人。
4.3 Function Calling / Tool Calling 是工程重点
Agent 的价值有一半体现在工具调用上。需要理解：
- 模型如何根据用户输入选择工具。
- 工具参数如何从自然语言中抽取。
- 工具执行失败时如何反馈给模型。
- 多个工具之间如何串联。
工程上要注意：你声明的工具描述越清晰，模型选择工具的准确率越高。工具参数越规范，参数抽取越稳定。项目里可以用“天气查询工具 + 计算器工具”这种小组合来练习。
4.4 框架选型建议
主流开源框架包括 LangChain、LangGraph、AutoGen 等，以及各类国产智能体框架。初学阶段不需要同时学多个，建议先选一个框架跑通一个完整项目，再对比另一个框架调整。
注意：框架迭代很快，面试时不要只背框架 API，要讲清楚框架底层的原理。比如“LangGraph 和 Autogen 都有多智能体编排能力”，如果你能说清图结构、节点、状态传递，面试官会判断你真的懂，而不是只做过 Demo。
5. Data 方向学习路线
5.1 为什么 Data 在面试中越来越重要
很多候选人只关注模型，忽略了数据。实际上，在企业落地场景中，数据质量往往是项目成败的决定因素。面试官考察 Data 能力，不是要考你 SQL 多熟练，而是看你能不能回答这类问题：
- 你的知识库数据从哪里来？质量怎么保证？
- 文档切多长？怎么避免切碎语义？
- 检索结果不准时，你优先调什么？
- 模型输出不稳定，你如何设计评估集？
5.2 必须理解的 RAG 全流程
RAG（检索增强生成）是 Data 方向最核心的内容，也是面试最高频的场景。完整流程包括：
- 数据采集：从文档、数据库、网页中获取内容。
- 数据清洗：去重、去格式噪音、处理扫描件。
- 文档切分：按章节、段落、语义块切分。
- 向量化：用 Embedding 模型将文本转换为向量。
- 存储：写入向量数据库或其他支持相似度检索的存储。
- 检索：根据用户问题召回最相关的片段。
- 重排：对召回结果精排，去掉低质量片段。
- 生成：将检索结果拼接进 Prompt，交给大模型生成答案。
下面是一个简化版 RAG 流程伪代码，重点是理解各环节的输入输出：
def rag_answer(question, embedder, vector_store, llm): # 1. 向量化用户问题 question_vector = embedder.embed(question) # 2. 向量检索召回 Top-K 文本块 retrieved_chunks = vector_store.search( query_vector=question_vector, top_k=5 ) # 3. 拼装 Prompt，并保留引用来源 context = "\n\n".join( [f"[{i+1}] {chunk}" for i, chunk in enumerate(retrieved_chunks)] ) prompt = f""" 请基于以下资料回答问题。 如果资料不足，请明确说明。 回答末尾列出引用编号。 资料： {context} 问题：{question} """ # 4. 调用大模型生成 answer = llm.generate(prompt) return answer, retrieved_chunks面试中除了流程，还要能回答“检索不到怎么办”“检索太慢怎么办”“向量库和关键词搜索怎么结合”等优化问题。
5.3 数据质量与评估
数据方向还有一块高频考察点：评估。常见问题包括：
- 怎么判断检索质量：用召回率、命中率、MRR 等指标。
- 怎么判断生成质量：用忠实度、相关性、完整性等维度。
- 怎么建设测试集：整理 100 到 500 条有标准答案的测试问题。
- 怎么做 badcase 分析：定期抽取错误案例，归因到检索阶段还是生成阶段。
具备 Data 思维的人，会习惯用数据说话。面试时能说出“上一版检索命中率是 78%，改进后到了 86%”，项目说服力会强很多。
6. 90 天学习路线建议
考虑到学习效率和项目节奏，下面是一套 12 周路线，适合有一定编程基础、每天能投入 2 到 3 小时的读者。
6.1 阶段一：AI 基础与大模型应用（第 1 到 4 周）
- 第 1 周：复习 Python，重点掌握字典、列表、文件处理、异常处理。
- 第 2 周：学习机器学习基础概念，过一遍监督学习和评估指标。
- 第 3 周：掌握 Transformer、注意力机制、上下文窗口。
- 第 4 周：调用大模型 API 完成一个文本处理项目，比如“简历关键信息抽取”。
阶段成果：能独立调用模型 API，能解释大模型基本概念。
6.2 阶段二：RAG 与 Data 工程（第 5 到 8 周）
- 第 5 周：学习文档切分与 Embedding 原理。
- 第 6 周：搭建第一个本地知识库问答系统。
- 第 7 周：学习向量数据库、关键词搜索、混合检索。
- 第 8 周：建设测试集，评估当前 RAG 效果并优化。
阶段成果：有一个可以跑通的 RAG 项目，能用召回率和忠实度描述效果。
6.3 阶段三：Agent 与项目实战（第 9 到 11 周）
- 第 9 周：学习 Function Calling 和工具调用。
- 第 10 周：实现一个带工具的 Agent，例如“数据分析 Agent”。
- 第 11 周：增加记忆模块和多轮对话，处理边界情况。
阶段成果：一个完整的 Agent 项目，有工具、有记忆、能多轮对话。
6.4 阶段四：面试冲刺（第 12 周）
- 整理项目技术亮点和失败案例。
- 刷高频面试题，对着镜子或者录音做表达练习。
- 准备系统设计题：知识库问答、智能客服、数据分析 Agent。
- 准备反问环节的问题。
这一周最重要的不是学新知识，而是把已经掌握的内容讲清楚。
7. 典型面试问题分类与答题框架
7.1 高频问题分类
| 类别 | 代表问题 | 考察重点 |
|---|---|---|
| 基础理论 | 什么是大模型幻觉？为什么会产生？ | 对模型原理的理解 |
| 工程应用 | RAG 和微调有什么区别？怎么选？ | 方案选型能力 |
| Agent 设计 | 如何设计一个客服 Agent？ | 系统拆解能力 |
| Data 工程 | 文档切片应该怎么切？ | 数据细节和工程经验 |
| 评估优化 | 如何评估 RAG 效果？ | 量化思维 |
| 实战项目 | 讲一个你做得最好的项目 | 真实性和深度 |
7.2 答题框架：定义—原理—方案—落地—延展
回答技术问题不要只给结论，建议使用五段式结构：
- 定义：一句话说明是什么。
- 原理：解释背后的机制。
- 方案：给出你选择的实现方式。
- 落地：说明在实际项目中怎么处理。
- 延展：说明边界条件和优化方向。
以“RAG 和微调的区别”为例：
- 定义：RAG 是检索增强生成，微调是继续训练模型参数。
- 原理：RAG 不改模型，只是把外部知识塞进上下文；微调改模型权重。
- 方案：知识频繁更新的场景选 RAG，风格固定、术语固定的场景选微调。
- 落地：我做过企业知识库项目，文档每周更新，因此采用 RAG；输出格式固定后，补充了一次 LoRA 微调。
- 延展：RAG 的瓶颈在检索，微调的瓶颈在数据质量和过拟合。
这种答题方式会让面试官觉得你有实战经验，而不是背了一堆名词。
8. 高频真题示例与参考答案思路
下面选择几个出现频率很高的问题，给出答题思路。注意不要照背，要结合自己的项目改动。
8.1 什么是 ReAct？它的核心价值是什么？
答题思路：
ReAct 是 Reason + Act 的组合，让大模型在思考和执行之间交替循环。模型先根据用户问题推理下一步做什么，再调用工具获取外部信息，然后观察结果继续推理，直到得到最终答案。
核心价值是：把大模型的推理能力与外部工具的信息获取能力结合起来，解决单个模型无法获取实时数据、无法操作外部系统的局限。局限性是：循环次数过多会增加延迟和成本，工具调用错误会放大错误。
8.2 RAG 检索效果不好，你会怎么排查？
这是一个高频场景题，考察工程排查能力。答题时按链路拆解：
- 先检查问题本身：问题太长、太模糊还是包含错别字。
- 再检查切片：切片是否切碎语义，是否需要调整切分策略。
- 检查 Embedding：是否存在领域词汇无法表征。
- 检查召回：Top-K 是否太小，是否用了混合检索。
- 检查重排：召回结果是否正确排序，是否加入重排模型。
- 最后检查生成：上下文塞了无关片段，模型可能被干扰。
排序思路是：先判断问题出在检索侧还是生成侧，再逐层缩小范围。
8.3 如何设计一个企业知识库问答 Agent？
答题思路：
第一步描述场景：用户是企业员工，输入自然语言问题，系统返回有据可查的答案。
第二步拆模块：
- 数据处理模块：文档上传、解析、清洗、切片、向量化。
- 检索模块：向量检索 + 关键词检索 + 重排。
- 生成模块：基于检索结果生成答案，附引用来源。
- Agent 模块：处理多轮对话、澄清问题、调用外部工具。
- 评估模块：定期统计命中率、回答满意度。
第三步说数据流：用户提问 -> 判断是否需要澄清 -> 检索 -> 重排 -> 生成 -> 返回答案与引用 -> 记录日志 -> 定期评估。
第四步说踩过的坑：一句话问题检索不精确、新旧文档冲突、表格内容解析困难。
8.4 你如何评估一个 Agent 好不好用？
答题思路：
可以分三层：
- 单轮能力评估：工具选择准确率、参数抽取正确率、回答相关性。
- 多轮能力评估：上下文记忆是否准确、澄清能力、任务完成率。
- 端到端评估：完成一个真实任务的成功率、平均耗时、人工复核结果。
然后补充说明：要建立固定的测试集，每次改动都跑回归测试。Agent 评估不能只看最终答案，要记录中间轨迹，这样才能定位失败在哪一步。
8.5 调用模型接口时发现返回结果不稳定，你怎么处理？
答题思路：
- 降低温度，让输出更确定。
- 固定输出格式，使用 JSON 模式或结构化输出。
- 增加重试机制，对异常状态码做退避重试。
- 使用带缓存层，相同输入直接返回缓存结果。
- 对关键字段做二次校验，不合法就重新生成。
这种题目考察的不是你会不会调参，而是你是否有在生产环境中处理不稳定系统的经验。
9. 项目经验与简历准备
9.1 项目优先级排序
| 项目类型 | 推荐指数 | 理由 |
|---|---|---|
| 带具体业务场景的 RAG 知识库 | 高 | 面试高频题匹配 |
| 带工具调用的 Agent 应用 | 高 | 体现复杂系统能力 |
| 大模型微调实验 | 中 | 反映算法功底 |
| 数据处理流水线 | 中 | 配合 RAG 项目讲 |
| 普通 ChatGPT 壳子 | 低 | 没有技术壁垒 |
尽量不要只写“我开发了一个智能对话机器人”，除非你能讲清楚背后做了哪些技术决策。企业面试方更想看的是：你怎么切数据、怎么选模型、怎么设计 Agent、怎么评估效果。
9.2 项目描述的四个模块
一个高质量的项目描述可以按下面的模板组织：
- 背景：要解决什么问题，用户是谁。
- 难点：哪些环节容易出错。
- 方案：技术架构、主要模块、关键决策。
- 结果：量化指标，如检索命中率、任务完成率、响应耗时。
例如：
背景：企业内部有大量产品文档，员工提问后难以快速找到答案。 难点：文档格式不统一，表格内容检索困难，新旧版本信息冲突。 方案：搭建文档解析和清洗流水线，采用混合检索 + 重排 + 大模型生成方案，并增加引用来源。 结果：检索命中率从 68% 提升到 84%，回答平均耗时 2.1 秒，支持每天约 200 次问答请求。
如果你项目的量化数据还不确定，可以先跑一个测试集统计清楚，不需要编造。
10. 常见误区与避坑建议
10.1 只追新框架，不重视基础
LangChain、AutoGen、LangGraph 更新很快，今天学的 API 明天可能就变了。面试官不会因为你背了某个框架新接口就给你加分，反而会更关心你能否理解底层原理。建议优先掌握“模型如何调用工具”“状态如何流转”“记忆如何维护”这些不变的东西。
10.2 只做 Demo，不考虑生产问题
Demo 和项目在面试中的差距很大。Demo 只演示“能跑”，项目要能回答“稳不稳定、性能如何、成本多少”。准备面试项目时，至少要基于以下生产问题思考一轮：
- 接口超时了怎么办？
- 并发请求多了会不会崩？
- 知识库更新了怎么同步？
- 模型输出格式不合法怎么兜底？
- 用户输入恶意指令怎么处理？
能回答这些问题的候选人，通常更受企业认可。
10.3 忽略数据质量，模型再强也没用
面试中常见的一个错误是：模型效果不好，优先怪模型，而不是检查数据。实际项目中，RAG 效果差的很大比例原因出在数据清洗、切片策略和检索质量。建议做项目时先建立一个小规模测试集，用数据判断每个环节的效果，而不是靠感觉调参。
10.4 背题，但不理解为什么
面试题可以背，但不能只背结论。比如很多人能回答“Temperature 是控制随机性”，但面试官追问“为什么 Temperature 会影响真实性和多样性”就卡住了。建议准备每一道题时，都问自己两个问题：
- 如果让我从零设计，我会怎么做？
- 这个方案最优吗？还有没有替代方案？
10.5 面试不准备“项目复盘”
很多面试官会针对项目做深度追问，比如“你当时为什么选这个方案”“检索效果不好时你怎么定位”。准备项目时，要把自己当成面试官，提前列出 20 个可能被追问的问题并准备答案。重点覆盖：选型原因、失败案例、指标变化、后续优化方向。
11. 总结与下一步
AI、Agent、Data 三件事在面试中已经很难分开。准备的时候可以分模块学习，但最终一定要回到一个完整的项目上来：从数据处理，到模型选择，到 Agent 设计，再到效果评估，全链路自己能讲清楚。
最先要验证的三个能力：
- 能否独立搭一个带数据清洗、向量检索、大模型生成的 RAG 项目。
- 能否在项目中实现一次真实的 Function Calling 工具调用。
- 能否用 20 到 50 条测试数据说清自己项目的效果和不足。
最容易踩的坑有两个：一是只学路线不动手，二是只做 Demo 不追问生产问题。把这两点补上，面试准备效率会高很多。
后续可以扩展的方向包括：多智能体协作框架、长文本 Agent、数据评估自动化、模型微调与 RAG 的结合。如果这篇文章对你准备面试有帮助，建议收藏备用，按照 90 天路线逐步实践，比零散刷题更有效。
