🎯 快速策略（先读这段）#

1
不要按部就班学 → 不要刷完再面试 → 先搭骨架再填充
2

3
正确的姿势：
4
  1. 第一天就调通一个LLM API → "哦原来这么简单"
5
  2. 第一周就搭出一个Agent Demo → "我能做出来东西"
6
  3. 边做项目边补知识点 → "这个问题我遇到过"
7
  4. 把项目挂GitHub → "面试有东西聊"

A1 ✅ Coze/Dify零代码搭一个Agent（1天）#

为什么先做这个： 零门槛，第一天就能看到效果，建立信心。

学习资源：

• B站搜”Coze从零搭建智能体”（很多几分钟的教程）
• Dify官方文档 Quick Start（中文，半小时读完）
• 直接注册开玩，遇到问题问AI

A2 ✅ LangGraph写一个Research Agent（3天）#

这是面试必杀技。 几乎所有Agent岗位面试都会问”你做过什么Agent项目”，这个项目就是标准答案。

怎么学：

1. 先看LangGraph官方教程的”Quick Start”（30分钟）
2. 直接搜 “LangGraph research agent tutorial” 或翻官方示例
3. 对着教程敲一遍，不要复制粘贴
4. 改成自己的逻辑：换搜索源、加记忆、加输出格式化

面试能聊什么：

• “我用LangGraph的StateGraph管理Agent状态，定义了三个节点：analyze → search → synthesize”
• “遇到过长上下文截断的问题，我加了记忆管理组件”
• “Agent有时候会陷入循环，我用Conditional Edge做了最大步数限制”

A3 ✅ RAG知识库问答系统（2天）#

B1 ✅ AI Agent面试八股文#

直接在面试前刷以下问题，每个能用自己的话说1-2分钟：

1
基础问题（必问）：
2
  1. 什么是AI Agent？和传统LLM调用有什么区别？
3
  2. 解释ReAct模式的工作流程
4
  3. Agent的"规划-记忆-工具"三要素是什么？
5
  4. Function Calling是怎么工作的？
6
  5. Agent如何管理长期记忆和短期记忆？
7

8
框架问题（高频）：
9
  6. LangGraph的StateGraph和普通Chain有什么不同？
10
  7. LangGraph中Node和Edge怎么设计？
11
  8. 你遇到过Agent陷入循环吗？怎么处理的？
12
  9. Agent调用工具失败了怎么办？（错误处理/回退）
13
  10. 多Agent协作怎么实现的？
14

15
项目问题（必须有）：
16
  11. 介绍一下你做的Agent项目（STAR法则）
17
  12. 做Agent过程中遇到的最大技术挑战是什么？
18
  13. 如何评估Agent的效果？
19
  14. Agent在实际落地中有什么坑？

找答案的方法： 每个问题丢给Claude/GPT，让它用”面试回答”的口吻给你答案，然后用自己的话复述。

B2 ✅ RAG面试高频考点#

1
1. RAG解决了什么问题？（LLM知识截止+幻觉+专业领域）
2
2. RAG流程拆解：每一步的作用和常见方案
3
3. 分块策略怎么选？（chunk_size、overlap、语义分块）
4
4. Embedding模型怎么选？
5
5. 检索效果不好怎么办？（Query改写/HyDE/多路召回）
6
6. 什么是ReRanker？为什么要重排序？
7
7. 向量数据库选型对比（Chroma vs Milvus vs Pinecone）
8
8. RAG的常见失败模式（检索噪声/上下文丢失/幻觉）
9
9. 如何评估RAG效果？
10
10. Agentic RAG和普通RAG的区别？

B3 ✅ DeepLearning.AI 短课系列（碎片时间刷）#

DeepLearning.AI 的短课都是 1-2小时 能刷完的，质量极高，强烈推荐：

全部免费或者低成本，有中文字幕，建议周末集中刷完。

C1 Cursor/Claude Code 上手指南#

为什么学： 现在岗位JD明确要求”AI编程工具重度用户”，这是显性门槛。

学习方法：

1. 下载Cursor，打开官方文档的”Getting Started”（10分钟）
2. 把你前面做的Agent项目用Cursor打开
3. 遇到不熟悉的代码，用 Ctrl+K 让Cursor解释
4. 提需求让它生成代码，然后你审查修改

面试能聊的：

• “我用Cursor完成了一个功能模块，原本要写2天，半天搞定了”
• “我不会盲目用AI生成代码，每次都review并理解之后再提交”
• “我会用TDD的方式让AI写代码：先写测试，让AI实现通过测试的代码”

C2 FastAPI 极速入门#

学习路径（1天）：

1. 官方文档 Tutorial（30分钟）
2. 把Research Agent的后端用FastAPI包装成API（2小时）
3. 加上Swagger文档和请求校验（1小时）
4. 用docker-compose部署（1小时）

D1 LangChain/LangGraph 官方教程#

阅读方法： 不要通读，边读边敲代码，读完一个Tutorial就有一个小产出。

D2 MCP协议快速理解（半天）#

MCP是2026年新兴的核心概念，懂的人极少，学会就是差异化优势。

资料：

• MCP官方文档 Quick Start（30分钟）
• B站搜”MCP协议通俗理解”（15分钟视频）
• 用MCP SDK写一个简单的工具服务器（获取天气/查数据库）

E1 简历项目包装指南#

手头已有的项目（Research Agent等）按以下格式包装：

1
项目名称：多跳推理Research Agent
2
技术栈：Python / LangGraph / GPT-4o / Tavily API / Chroma
3

4
项目描述：
5
- 基于LangGraph的StateGraph架构，设计了三节点工作流（问题拆解→信息检索→综合回答），实现多步推理
6
- 通过Custom Tool封装了Tavily搜索API和本地知识库检索，Agent可自主决策调用
7
- 使用Chroma向量数据库存储历史检索结果，降低重复调用成本
8
- 加入Conditional Edge循环控制，设置最大迭代步数防止死循环
9
- 封装为FastAPI服务，提供流式接口，Docker部署上线
10

11
成果：单次查询平均调用3-5个工具，回答准确率比直接LLM调用提升约40%

关键： 每个项目都要有 技术栈 + 做了什么 + 遇到什么困难 + 怎么解决的 + 量化效果。

E2 高频面试问答准备#

针对不同岗位方向准备3个”你最值得骄傲的项目”的故事模板：

1
故事1（必讲）：Research Agent项目
2
  - 背景：想做自动化的信息调研工具
3
  - 挑战：Agent容易跑偏，陷入死循环
4
  - 行动：用LangGraph的Conditional Edge + 最大步数限制
5
  - 结果：调研效率提升，可稳定产出结构化报告
6

7
故事2（必讲）：RAG问答系统
8
  - 背景：需要让LLM回答内部文档的问题
9
  - 挑战：直接检索准确率只有60%
10
  - 行动：加了HyDE查询改写 + ReRanker重排序
11
  - 结果：首条准确率提升到85%
12

13
故事3（备选）：你用AI Coding工具提升效率的经历
14
  - 用Cursor在XX小时内完成了XX功能
15
  - 或者你用AI重构了一段遗留代码

⚡ 最后的关键提醒#

不要等到”学会”再面试。

你做完Research Agent项目就去投、就去面试。被问到不会的问题 → 记下来 → 回去补上 → 下次就会了。迭代3-4次面试，你就发现那些问题来来去去就那几个。

面试的本质不是考你会多少，而是考察你有没有快速学习的能力。你带着一个能跑的项目去，已经赢了80%的候选人。

整理于：2026-06-14 | 基于岗位情报中40+岗位的JD分析 最后一句：路明非当年啥都不会还不是成了S级，自信点！