科大讯飞 Agent 开发一面：LangGraph 原理与 AI 编码追问

《面试题目》

1. 请做一下自我介绍。
2. 实习过程中遇到最难的事情是什么？怎么解决的？
3. 讲一下 LangGraph 的原理是什么？
4. 你想从事 Agent 开发，是怎么规划的？和周围的人相比有什么优势？平时了解 Agent 的哪些架构？平时怎么跟进前沿技术？
5. 你用的是什么 AI 编码工具？调的什么 API？代码里 AI 生成的比例是多少？你是怎么保证 AI 生成代码的质量的？

《参考解析》

LangGraph 原理：把 Agent 建成一张有状态图：要答到「和 Chain / 普通 AgentExecutor 的区别」这一层。LangGraph 的核心是把流程建模成状态机：定义一份共享的 State（通常是一个 TypedDict 或 Pydantic 模型），节点（node）是普通的函数，输入当前 State、返回要更新的字段，边（edge）决定下一步走哪里，条件边（conditional edge）按 State 里的值决定分支。执行时由一个调度器按拓扑推进，每步把节点返回值按 reducer（如 add_messages 追加、或覆盖）合并进 State，所以循环、分支、人工确认（interrupt）这些在链式框架里很别扭的东西变得自然。它的几个关键能力：checkpointer 把每步 State 落盘（内存/SQLite/Postgres），于是可以断点续跑、时间旅行、人在环审批；支持多智能体编排（supervisor / swarm 模式）；以及可以给单个节点配不同的模型或工具。回答时主动补一句取舍：它解决的是编排与状态持久化，不负责提示词质量与评测——这两块仍要自己搭。

Agent 架构与前沿技术跟进：面试官问「你平时了解哪些 Agent 架构」，想听的是体系化认知而不是工具名堆砌。可以按几类讲：① 循环范式——ReAct（推理与行动交替）、Plan-and-Execute（先出计划再逐步执行，适合长任务但对计划错误敏感）、Reflection（自我批判重试）；② 编排范式——单智能体多工具 vs 多智能体协作（supervisor 分发、角色分工），以及各自的上下文膨胀与错误传播问题；③ 记忆——短期用对话窗口与摘要压缩，长期用向量库或结构化记忆，要讲清什么该写、什么时候召回、怎么防止写入噪声；④ 工具与协议——Function Calling、MCP 这类标准化工具接入，重点在工具描述的可靠性与权限边界；⑤ 工程侧——轨迹评测、成本与延迟控制、失败回退。跟进前沿的答法要具体：追哪几个团队的论文/博客、跑过哪些 demo、看到新东西会自己复现哪一部分，比「我经常看公众号」有说服力得多。

AI 编码工具、生成比例与质量把控：这题的关键是把「用了多少」讲成「怎么和它协作」。工具层面说清日常用哪一个、在什么场景用（脚手架、单测、重构、读陌生代码），以及会调哪些 API/模型、有没有自己接过接口做批处理。生成比例可以给一个自己估的数量级并说明为什么有高有低——样板代码和测试用例占比高，核心业务逻辑与并发、事务、安全相关的部分基本手写，这样讲比给一个精确到小数点的数字可信。质量把控是这题真正的考点，可答：① 先设计后生成，把接口与数据结构自己定下来，让工具只填实现；② 生成即评审，逐行看差异，尤其是错误处理、边界条件、资源释放；③ 用测试兜住——先写测试用例（或让工具生成后自己补边界用例）再让代码去通过；④ 小步提交，一次只让工具改一个点，出问题容易回滚；⑤ 静态检查与类型检查进 CI，别让「看起来能跑」的东西进主干。最后要能说清自己在哪些环节明确不用 AI——涉及安全、事务一致性、线上数据的时候，判断权必须留给自己。

实习复盘题（最难的经历）怎么答：用 STAR 收敛成 90 秒：背景一句话（业务场景与约束）、任务一句话（你负责的那块和验收标准）、行动占大头（你做了哪几个关键判断，为什么选 A 不选 B，踩了什么坑怎么发现）、结果用可验证的口径（指标变化、上线范围、有没有被采纳）。面试官最想听的是「难」在哪里——是技术复杂度、信息不足、还是跨团队沟通；以及你自己解决了多少。避免两个常见失误：一是把「难」讲成纯体力活（加班赶进度），二是全程「我们」而不说「我」。如果确实没有特别亮眼的经历，也可以挑一件小事讲深：一次定位线上问题的过程、一次方案被推翻后的重新设计，同样能体现解决问题的能力。

职业规划与「你的优势」：这类问题在 Agent 岗位上问得特别细，因为它直接对应岗位匹配度。规划要给「路径感」而不是口号：短期想在哪个方向做深（如 RAG 检索质量、Agent 工具调用的可靠性、评测体系），中期想补什么能力（工程化落地、成本与延迟控制），并说明为什么这个方向值得做。优势要给证据：做过什么、能拿出什么产出（一个跑起来的项目、一份评测对比、一段性能优化记录），而不是形容词。被问「你和周围人比有什么优势」，最稳的答法是找一个可验证的差异点——比如别人停在调 API，你把链路的失败率和成本量化过；别人只写 demo，你处理过脏数据与线上异常。