AI Agent 全栈工程师

主题

第 22 周 · Day 6：模拟面试（项目深挖）——让每个技术决策经得起三层追问 ​

对应手册任务：学习「模拟面试：项目深挖」，动手「找朋友或用 AI 模拟面试官，追问『为什么用 LangGraph』『死循环怎么防』」，当日产出「模拟面试记录」。本篇只解决一个问题：项目是你亲手建的，决策是你拍的，可一旦被连环追问三层，「为什么用 LangGraph」这种你以为最熟的问题也会答得发虚，今天用一场高压模拟，把这些发虚的地方提前翻出来晒太阳。

今日目标 ​

  1. 说得清模拟面试练的是什么：不是补知识，是练把网状的知识压成线性的话
  2. 抄走一段直接能用的面试官 system prompt，知道每条规则为什么这么写
  3. 过完 20 问追问链，完成一场 40 分钟录音模拟，按 checklist 回听复盘，产出模拟面试记录

概念讲解：为什么简历写得出来，面试讲不下去 ​

简历上的项目描述是一堆结论：「基于 LangGraph 构建 Agent」「使用 pgvector 实现 RAG」。每个字你都写得出，因为活都干过。问题在于面试不考结论，考结论底下的决策链。

看一个典型现场。面试官第一问：为什么用 LangGraph？你答了。第二问：那为什么不用 CrewAI？你也答了。第三问：LangGraph 那点状态管理，我自己写个 while 循环加个字典也能做，凭什么算技术选型？第三问之后，多数人开始含糊。每一层你其实都「知道」，但从没在被打断、被质疑的压力下，把三层串成一段有先后的话。

这里有个关键区分：答不上来分两种。一种是不知道，属于知识缺口；另一种是知道但没串过，属于表达缺口。知识在脑子里是网状的，讲出来必须是线性的，面试还要求你第一句就给结论。模拟面试只能治第二种，但它能把第一种精确地找出来。

还有个残酷事实：任何问题第一次讲，一定是最差的版本。与其把最差版本留给真面试，不如今天先讲掉。Day 1 说过，系统设计面试考「从需求推方案」；项目深挖正好反着来，从你已经做出来的方案倒推回每个决策：为什么成立，代价是什么，边界在哪。方向相反，考的东西一样：取舍意识，以及你是不是真做过。

核心知识 ​

1. AI 模拟面试官：一段直接能用的 system prompt ​

朋友当面试官最好，真人的语气、节奏、不耐烦都是真的。但人不好约，AI 面试官的优势是随叫随到、绝不心软，前提是 prompt 写得够狠。下面这段直接复制进任意一个够强的对话模型：

text
# 角色
你是一位资深 AI 平台面试官，在某大厂负责 Agent 平台的架构与面试评估，面过上百个候选人，风格严厉但公正。你见惯了简历上光鲜的项目描述，你的本职就是从中找出候选人没想清楚的地方。

# 面试规则
1. 我会在下一条消息贴上简历中的项目描述，面试从你读完它开始。
2. 一次只问一个问题。我回答后，你针对我的回答追问下一层，而不是换话题。
3. 追问原则：我的回答里出现「性能更好」「更合适」「业界主流」这类没有解释机制的模糊表述时，你必须抓住它追问，直到我说清具体机制，或者承认没想过。
4. 每个话题追问 2 到 3 层后换下一个，全场覆盖 4 到 5 个话题。
5. 我答不上来时，不要给答案，不要安慰，记下「此处卡壳」，继续下一问。
6. 全部结束后输出面试报告：每个话题的回答质量打 1 到 5 分，附卡壳问题清单和被你抓住的模糊表述清单。

# 输出风格
- 每个问题一到两句，像真面试官的口头追问，不输出任何讲解和总结。
- 不客套，不鼓励，不中途纠正我。
- 全程用中文。

这段 prompt 有三处设计，改的时候别改丢。

一次一问，模拟真实节奏。真面试官不会一次甩三个问题，你要练的正是单点作答：听清这一问，只答这一问。模型默认爱列清单，这条规则把它摁住。

抓住模糊表述追问，整段 prompt 的灵魂。真面试官可怕之处不是问题难，是他听得出哪里虚。「性能更好」是虚的，「QPS 从 40 到 110，瓶颈在向量检索不在 LLM」是实的。这条规则让 AI 干真面试官干的活。

答不上来不给答案，底线。它一旦开始教你，你就从考生变成了看讲解的学生，整场模拟作废。

用法三步：新开对话贴 prompt；下一条消息把简历里的项目描述原样贴进去，注意是原样，别临时美化；手机开录音，开始被拷打，答满 40 分钟。朋友版的做法：把下面的 20 问清单发给他，让他挑着问、答完往下钻，你不知道他会问哪几个，这才像面试。

2. 20 问追问链：每问附好答案要点 ​

先说清「好答案要点」是什么：不是台词，是自查清单。先凭本事裸答，答完对照看漏了哪条，而不是把要点背下来往上念。20 问分四组。

选型拷打（考「为什么是它」）

  1. 为什么用 LangGraph，不用裸 while 循环加 if/else？
    • 先承认 while 能跑通主流程，装「离了框架不行」只会被追打死
    • 增量说实：checkpoint 持久化、中断恢复、human-in-the-loop，裸写都得自己造
    • 落到自家系统：审批挂起后恢复运行，这个功能直接吃了框架红利
  2. 为什么不用 CrewAI？
    • 定位差异：它偏角色协作快速搭原型，控制粒度粗
    • 我们要的是路由、重试、状态流转的精细控制权
    • 迁移成本和团队熟悉度也是真实因素，可以认，但别只说这个
  3. Supervisor 为什么硬路由，不放开让 LLM 自己决定下一步？
    • 硬路由等于白名单动作集，行为可枚举、可测试、可复现
    • LLM 自由决策会飘：同一输入两次走向不同，排障是灾难
    • 骨架硬、节点内自由：结构化输出定路由，内容生成交给模型
  4. RAG 为什么用 pgvector，不用 Milvus？
    • 数据本来就在 Postgres，事务、备份、运维一套全复用
    • 给量级判断：百万级以内向量够用，别为简历堆组件
    • Milvus 的主场是亿级向量加高 QPS，说清「我不到这个量」
  5. 评估为什么先做离线，不直接上线看效果？
    • 离线可批量回归、可重复、便宜，改一版跑一遍
    • 没有离线基线，上线后连变好还是变坏都说不清
    • 路径：离线建基线，上线小流量，再人工抽检校准
  6. 为什么用结构化输出锁 Schema，不在 prompt 里求模型输出 JSON？
    • 约束解码在解码层面保证合法，prompt 求格式是概率性的
    • 校验加重试是兜底，不该当主力
    • 一份 Schema 两端用：模型生成和代码校验共用同一个定义

稳定性拷打（考「出事怎么办」）

  1. Agent 死循环怎么防？三层具体怎么落？
    • 模型层：prompt 禁止重复调用，工具返回携带「已做过」状态
    • 框架层：recursion_limit 设上限，说出你设的具体数字
    • 业务层：步数和 token 双预算，超限熔断并降级回复
  2. recursion_limit 触发之后发生什么？异常还是正常结束？
    • 抛 GraphRecursionError，不会优雅停下
    • 外层要接住：兜底话术、记录现场、告警
    • 只说「设个上限」不算答案，说清触发后的行为才算
  3. LLM 接口超时或挂掉，请求怎么处理？
    • 超时加带退避的重试，重试有上限
    • 想过幂等：重试会不会重复扣费、重复写库
    • 有降级预案：换模型、排队、明确告知失败，别让用户干转圈
  4. 多租户隔离，哪个存储漏配会出事？
    • 先数全存储面：Postgres、向量表、Redis 缓存、对象存储、日志
    • 最容易漏的是缓存和日志，key 不带租户前缀就是串号事故
    • 讲验证方式：专门写越权测试用例，而不是「应该没问题」
  5. 语义缓存误命中怎么办？
    • 先定义清楚：不同问题命中同缓存，返回错误答案，这是正确性问题不是性能问题
    • 缓解：相似度阈值调高、缓存 key 加关键实体、高敏场景直接关
    • 说监控：用评测集持续测误命中率，不是设完就不管

效果与成本拷打（考「数字从哪来」）

  1. Token 成本怎么优化？先说从哪下手。
    • 先计量后优化：按环节记账，看钱花在哪再动手
    • 分级路由：简单任务小模型，难的才上大模型
    • 控上下文长度：历史裁剪，最贵的是无脑全量历史
  2. RAG 召回效果差，怎么排查？
    • 先有评测集，否则「感觉差」变不成可定位的问题
    • 分层查：query 改写、切块、embedding 模型、top-k、重排序
    • 一次只动一层，跑评测对比，别五个旋钮一起拧
  3. Human-in-the-loop 在你系统里怎么落的？
    • 说清哪些动作必须过人工，为什么是这些
    • 状态持久化让「等人工」成为可能：挂起数小时后能恢复
    • 审批通过与拒绝后的流转，以及审批人不在时的超时策略
  4. 简历上的量化成果（准确率提升 X%）怎么测的？
    • 口径说得清：样本量、时间范围、判定标准、谁标注
    • 说不出口径的数字，等于告诉面试官是编的
    • 主动讲局限：小样本、单一场景，如实说反而加分

开放拷打（考「你这个人」）

  1. 项目里最难的一个 bug？
    • 完整叙事：现象、排查路径、根因、修复、怎么防再犯
    • 排查有逻辑：假设、验证、排除，不是「后来突然好了」
    • 别把团队功劳讲成自己单人破案
  2. 流量涨一百倍，哪里先崩？
    • 先指有状态的部分：会话 checkpoint 存储和 LLM API 配额
    • 水平扩容的前提是无状态化，说清哪些状态已外置
    • 有顺序的降级：排队、限流、非核心功能先停
  3. 你在这个项目里的个人贡献边界在哪？
    • 诚实划界：团队做的、自己做的、自己主导的，分开讲
    • 面试官不怕你只做一部分，怕你吹，吹破一处处处存疑
    • 自己那部分的深度，比整个项目的广度值钱
  4. 重做一遍，你会改什么？
    • 至少两条具体的，「都挺满意」是最差答案
    • 好例子：评估集应该第一周就建；死循环防护应该设计期就进
    • 这题考复盘能力，真被坑过的人才答得出细节
  5. 用 MCP 比直接写工具有什么收益？成本在哪？
    • 收益：统一协议下工具跨项目跨模型复用，生态里有现成 server
    • 解耦：工具实现和 Agent 分开演进，各自发版
    • 成本也老实认：多一层抽象和部署，调试链路变长；俩工具就硬上 MCP 属于过度设计

3. 复盘方法：录音回听 checklist ​

模拟完不回听，等于白模拟。回听只查四件事：

  • 口头禅计数：「然后」「就是说」「其实」各出现几次，前三名写下来，下次开口前用停顿替代，停顿比口头禅体面得多
  • 30 秒法则：逐个回答掐表，30 秒内先给结论了吗？超时还没重点的标红。你铺垫到第 40 秒时，真面试官已经在想下一个追问了
  • 卡壳清单：停顿超五秒的、答非所问的、直接说不知道的，逐条记下
  • 模糊表述：对照面试报告里被抓的表述，合并自己回听时心虚的地方，去重

回答的标准结构三段：一句话结论，两三条理由，一个具体例子，全程一到两分钟。用 20 问清单把它练成肌肉记忆。

迭代闭环：卡壳问题分两类处理。知识缺的，回对应周重学：LangGraph 的图与状态回第 12 周，Supervisor 和 human-in-the-loop 回第 13 周，pgvector 回第 14 周，RAG 评估回第 15 周，评估方法论回第 16 周，MCP 回第 18 周，多租户隔离回第 20 周，死循环防御和语义缓存回第 21 周。表达缺的，把要点压成三行提纲，隔天重答重录。收工标准只有一个：20 问里不再有卡壳标记。

动手任务：跑一场 40 分钟模拟面试 ​

第 1 步：选面试官。 AI 版直接用上面的 prompt；朋友版把 20 问清单发给他，交代一句：挑着问，答完往下钻，别客气。

第 2 步：开场。 新开对话贴 prompt，第一条消息原样贴项目描述，开录音。

第 3 步：答满全程。 答不上来就说「这个我没想过」，别糊弄着混过去，混过去的坑会留到真面试再爆。

第 4 步：拿面试报告。 AI 版让模型按规则 6 输出；朋友版自己回听录音整理出同等内容。

第 5 步：复盘产出记录。 按 checklist 回听，写模拟面试记录，格式照抄：

text
# 模拟面试记录（第 N 场）
日期 / 面试官（AI 或朋友姓名）
覆盖话题与评分：话题 - X 分
卡壳清单：……
模糊表述清单：……
回炉计划：问题 -> 对应周的 Day -> 重学日期

别只练一场

第一场一定会被打得很惨，这是设计使然。答不好的问题回炉对应周的 Day 复习，隔天再来第二场。通常两到三场才能清零。

常见踩坑 ​

坑 1：AI 面试官太温和。 有的模型自带谄媚，问两句就开始夸你。在 prompt 末尾补一句：「你的职责是找出我答不上的地方，不是陪我练自信。」还温和就换模型。

坑 2：把要点当台词背。 要点是自查清单，不是背诵材料。背出来的答案圆润但没细节，真面试官一层追问就碎。正确顺序：裸答，对照，补漏，隔天重答。

坑 3：只挑自己强的练。 顺风局只提供情绪价值。第一场覆盖全部四组话题，弱项暴露之后再专项练卡壳的那些。

坑 4：记录写完就归档。 模拟面试记录的价值在下一场之前。真面试前一晚，只过错题清单；清单清零之前，这份记录是活的。

自测问题 ​

先自己答，再展开对照。答不上来的，回对应小节看一遍。

  1. 「知道」和「面试时说得出」差在哪？模拟面试治哪一种？
参考答案

差在输出形态：知识在脑中是网状的，面试要求实时压成线性、结论先行的话。模拟面试治「知道但没串过」；对「真不知道」，它的作用是帮你精确定位，然后回对应周补课。

  1. 面试官 prompt 里「抓住模糊表述追问」这条为什么是灵魂？
参考答案

真面试官的核心能力就是听出哪里虚。「性能更好」这类表述没解释机制，是多数候选人的通病。这条规则让 AI 复制这个行为，把模拟从问答游戏变成压力测试。

  1. 「死循环怎么防」只答「设个步数上限」缺了什么？
参考答案

缺分层和落地细节。好答案分模型层、框架层、业务层三层，每层有具体手段，还说得出 recursion_limit 的具体值和触发后的行为。单说设上限，说明只见过概念，没真防过。

  1. 30 秒法则查的是什么毛病？怎么修？
参考答案

查答太长没重点。30 秒内没给结论，面试官注意力就散了。修法是固定「结论、理由、例子」三段结构，结论永远放第一句。

  1. 卡壳问题分两类，分别怎么处理？
参考答案

知识缺：回对应周的 Day 重学，从源头补。表达缺：把好答案要点压成三行提纲，隔天重答重录，直到流畅。两类混在一起练是浪费。

延伸阅读 ​

  • LangGraph 官方文档，第 12 周的老朋友，面试前把 State、条件边、recursion_limit 三处再翻一遍，「为什么用 LangGraph」的弹药都在里面
  • MCP 官方文档，「为什么用 MCP」这题的原始出处，收益和成本写在协议设计里
  • pgvector 仓库，README 里的性能数字，能帮你把量级判断说得更实

今天的产出模拟面试记录留好。下周进入面试冲刺，这份卡壳清单就是那时最值钱的复习提纲。Day 1 的系统设计走场加上今天的追问链，硬面的一半你已经预演完了。