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