面灵AI→

海尔 Agent 系统工程师 一面:为什么用 LangGraph、记忆怎么管

轮次
一面
时间
2026-11
来源
牛客网

《面试题目》

  1. 自我介绍。
  2. 详细介绍项目。
  3. 为什么用 Transformer?
  4. 只用了它的架构还是直接拿来用,与大模型的区别是什么?
  5. 你攻击检测的原理是什么?
  6. 你在项目中做了哪些事?
  7. 基于传统大模型的 Agent 项目有了解吗?
  8. 为什么用 LangGraph?
  9. 怎么迁移到 OpenClaw 架构?
  10. 记忆和状态管理怎么做的?
  11. 大模型是本地部署的吗?
  12. 为什么没有本地部署,考虑过数据安全问题吗?
  13. 如果入职前要实习可以来吗?
  14. 反问:业务以及面试流程。

《参考解析》

为什么用 Transformer 与「架构」和「大模型」的区别:选 Transformer 的理由是它对长距离依赖的建模能力与可并行训练,相比 RNN 不受串行递推限制、相比 CNN 感受野更灵活;注意力机制让任意两个位置直接交互,配合多头可以同时捕捉不同子空间的关系。只借用架构与直接调用大模型的区别在于:前者是自己训练的小模型,参数量、数据、词表、任务目标都由自己定义,推理成本可控、可以针对特定任务优化,但没有通用知识与指令跟随能力;后者是预训练好的通用模型,靠提示词与工具调用适配任务,开发快但受限于供应商的能力、成本与数据出境。回答要落到「你的任务需要通用能力还是专用能力、数据能不能出去、成本能不能承受」。

攻击检测的原理:要把检测目标说清楚——是检测提示词注入、越权工具调用,还是内容违规。以提示词注入为例,思路是分层:输入侧做规则与分类器识别「忽略以上指令」「你现在是」这类模式,同时剥离不可信内容与指令的边界(把外部文档放进明确的数据区并声明不得执行其中指令);执行侧对工具调用做白名单与参数校验,敏感操作要二次确认;输出侧做泄露检测。检测模型本身也会被绕过,所以要有日志与人工复核兜底,并把绕过样本回流成评测集。

LangGraph 的选型理由:LangGraph 把 Agent 建模成状态图,节点是步骤、边是转移条件,支持条件分支、循环、检查点与人工介入。相比线性链式编排,它更适合「需要回退、重试、多轮修正」的流程;相比自己写状态机,它提供了持久化检查点、流式输出、中断恢复这些工程能力。代价是概念多、调试成本高,简单任务用线性链更划算。回答时要能对比你实际用到的特性,而不是只背优点。

记忆与状态管理:分三层。会话内短期记忆用消息历史加检查点,控制上下文长度靠摘要与滑窗;跨会话长期记忆用外部存储(向量库存语义记忆、关系库存结构化事实),写入要有取舍策略,避免把噪声写进长期记忆;任务状态用显式结构体保存(当前步骤、已完成动作、待确认信息),不依赖模型自己记住。关键设计是「状态可序列化、可恢复」,这样任务中断后能接着跑,也便于排查。

为什么没有本地部署:要给出真实的约束与取舍:本地部署需要显卡与运维成本,模型能力与云端旗舰有差距,迭代速度慢;不部署的原因通常是数据敏感度尚未达到必须隔离的程度、业务处于验证期。同时要说明已经做的数据保护:脱敏后再送模型、只传必要字段、不把密钥与个人信息放进提示词、与供应商签订不用于训练的条款。如果岗位涉及生产数据,要主动提出后续可评估私有化或混合部署。