面试话术与简历：把“我做了个 Agent”讲成“我能设计可靠的 Agent 系统”

配套课程加餐（简历篇 + 面试题篇）+ 开篇词。这一篇是前面五篇的收口。

1. 先治简历的病

课程加餐-简历篇第一句话就扎心：很多人简历写“用了 RAG 和大模型”。这六个字，面试官一天看 20 份。

正确写法：写清你解决了什么工程问题。对照本系统的简历素材：

❌ 反面（八股）✅ 正面（工程 + 指标）

使用 RAG 实现知识问答	实现零依赖 TF-IDF 检索，按 chunk 粒度权衡召回/精度，检索相关性指标 1.0
使用大模型做意图识别	设计三层意图机制（归一/分类/澄清），“那个最划算的帮我订了”经指代消解识别为 book，置信度 0.92
Agent 自动规划任务	G4C 结构化计划，失败经根因回溯自愈，Replan 次数 1、自愈成功率 1.0
管理对话上下文	f(Context) 预算压缩 + 细节找回 + 相关度过滤，上下文效率可量化

简历不是功能清单，是“问题 → 机制 → 指标”的三段式。

2. 一张图记牢五大主线（面试题篇）

课程的“一张图总结”可以压缩成一张表，面试前 5 分钟过一遍：

主线面试官想听你该讲

意图识别	模糊输入怎么懂	三层机制：L1 归一（指代消解）/ L2 分类（打分+置信）/ L3 澄清
规划执行	复杂任务怎么拆、失败怎么办	G4C 计划 + 失败点≠根因点 + Replan 根因回溯
上下文管理	上下文爆炸怎么办	f(Context)：预算压缩、细节找回、相关度过滤
智能检索	只说 RAG 不够	该查什么/去哪查、chunk 粒度、查询改写与重排
评估反馈	怎么知道好不好	六维指标 + 失败沉淀成反馈闭环

3. 主线剧情法（开场就赢）

面试官一上来大概率问：“设计一个可靠的 AI Agent 系统，你怎么搞？”

别列名词。用本课程项目当主线剧情，一镜到底：

“我会按五条主线设计。先用意图识别把用户模糊输入理清——比如‘那个最划算的帮我订了’，我先归一化做指代消解，把‘那个’替换成上下文里最近的实体，再用打分分类确认是 book 意图；然后规划用 G4C 出结构化计划；执行层用 TAO 做可解释的工具选择；过程中上下文按 f(Context) 管理，知识用检索补齐；如果执行失败，比如下单缺目的地，我会回溯根因到输入层、补参数、只重跑失败步实现自愈；最后用评估反馈把这次运行量化成指标并沉淀失败经验。我这个系统实测总分 0.945、自愈成功率 1.0。”

这一通下来，你不是在“回答名词”，是在从问题出发主动搭解法——正是课程目标。

4. 高频追问的应答骨架

Q：为什么不用纯 LLM 做意图分类？ A：黑盒、不可解释、不可回归。我用规则+打分输出分布和置信度，低置信才澄清；LLM 只用于生成澄清话术这种非关键路径。

Q：Plan 为什么结构化而不是让 LLM 写 steps？ A：结构化才能校验（G4C）、才能做依赖图和回退、失败才能精准重跑某步而不是全重来。

Q：上下文塞满不行吗？ A：噪声淹没关键信号、token 成本爆炸。我用预算压缩+细节找回+相关度过滤，上下文是“当前任务”的函数。

Q：检索为什么不用现成向量库？ A：为了讲清原理——chunk 粒度、查询改写、重排对召回/精度的影响。生产里可直接换向量库，接口不变。

Q：怎么知道 Agent 错了？ A：每次运行量化成六维指标；失败按类型+根因+修复沉淀，形成反馈闭环，逐步降低同类失败。

5. 从“会调用大模型”到“会设计 Agent 系统”

课程的定位很准：有说服力方案不靠堆技术名词，靠清晰的问题拆解和工程判断。本系列用一套真能跑、跨 4 台机器分布协作的系统，把五大主线落成代码和指标——你照着它讲，就是从“我做过 Agent 项目”升级到“我能设计一个可靠的 Agent 系统”。

6. 附：本项目的可迁移框架

无论你做的是客服 Agent、研报 Agent 还是运维 Agent，都可以套这个骨架：

网关编排：把分散的 Agent 串成链路，负责失败重试与根因调度。

意图层：三层机制，永远可解释。

规划层：G4C + Replan，失败回溯根因。

执行层：TAO 工具选择，结构化成功/失败。

记忆层：f(Context) + 检索。

评估层：指标 + 反馈闭环 + 看板。

把这六层讲清楚，你的 Agent 面试作战地图就齐了。

系列完。代码与完整 Demo 链路见仓库 agentkit/、demo_output.json，以及前 5 篇：总览 · 意图识别 · 规划执行 · 上下文与检索 · 执行与评估

面试话术与简历：把“我做了个 Agent”讲成“我能设计可靠的 Agent 系统”