基于 8月18日 一面面试实录（逐句核实版）整理。用途：①完整回顾一面 ②指导二面学习 ③落地到具体日程。

Part 1 · 一面面经（完整版）

1.1 面试基本信息

1.2 面试内容拆解

① 场景题：日报 Agent（面试主体）

面试官原话：

"写每天的日报，如今天有什么新闻进来，整理 AI 相关的、自动驾驶相关的信息去做总结，让它不断逼近我们自己的这个报告。" "在一个大的 RAG 库里面，把我们现在的代码开发状态丢进去，它根据状态自动生成报告。"

考什么：Agent+RAG 真实落地思路（多源输入 → 入库 → 检索 → 生成 → 对齐历史报告 → 反馈闭环）。 更好的回答：先追问"报告有没有固定模板/历史报告做对齐标准？"再给分层方案。

② 场景题：知识产权（专利）矩阵

"写这些专利到底能组成一个什么样的矩阵。" 本质：长文本分析 + 结构化信息提取 + 关联分析（专利-技术-产品矩阵）。RAG+LLM 高度适用。

③ 世界模型 + VOM（关键情报）

"世界模型，然后还有一些 VOM 方向。我们现在这块可能不太投入人力去做了，但是也是一个我们需要跟踪的领域。"

⚠️ 团队不投人力、只跟踪——不是扣分项，是二面接话的情报（见 2.4）。

④ 岗位实际工作内容（面试官主动介绍）

日报 Agent + 专利矩阵 + 数据整理 + 对接前沿 startup 了解技术 + 提供 GPU/火山云/自有服务器资源。

⑤ 反问环节（4 问，你问得很好）

⑥ 收尾

"有时我再通知你" → 明确的二面推进信号。

1.3 信号分析与结论

积极信号：主动谈转正"会争取"+内推成功率更大 / 主动介绍 GPU 资源 / 主动讲岗位职业价值（看前沿方向、对接 startup）/ "有时我再通知你"。 真实短板（仅 1 个）：世界模型/VOM 未接话（但属"跟踪领域"，不致命，二面补上即可）。 关于"讲的一般"的自我怀疑：实录不支持——反问全部踩点、交流自然、面试官全程在"给你介绍岗位"而非"考你"。别内耗。

一句话：一面稳过，重心立刻转向二面备考。

Part 2 · 二面学习准备

2.1 二面预测 7 题（重点演练前 3 题）

2.2 三大必画架构图

1. 多 Agent 并行编排图：主 Agent（任务拆解）→ N 个子 Agent（并行执行，各带工具/知识库）→ 结果汇聚节点 → 冲突处理 → 输出；标注共享状态存储（Redis）与防死锁机制
2. RAG 混合检索链路图：Query → 改写/HyDE → 向量检索 + BM25 并行 → RRF 融合 → Rerank → top-5 → Prompt → LLM → Self-RAG 校验 → 引用输出
3. 状态机 + Redis CAS 图：状态定义/转移表、每个状态可执行动作、Redis key 结构、CAS（WATCH/MULTI 或 Lua）保证并发状态转移原子性、冲突重试策略

2.3 知识点清单（按优先级）

P0（二面必考，先啃）

1. RAG 深度：混合检索融合方式、Rerank 原理、HyDE、Self-RAG、RAGAS 四维指标、chunk 调优
2. 多 Agent：编排模式（Supervisor/Handoff/辩论）、LangGraph 条件路由与状态、记忆设计
3. 状态机 + 乐观锁：Redis CAS 原理（WATCH/MULTI/Lua）、对话/Agent 场景的并发冲突

P1（大概率考）

1. 世界模型：定义、GAIA-1/UniSim、用途（仿真数据/策略训练/评测）
2. 端到端 vs 模块化、UniAD（统一 query 串起感知预测规划）
3. VLM vs VLA、RT-2（动作离散化为 token）
4. VOM（不确定术语：可能是视频占用模型——面试中礼貌追问确认）

P2（背熟口径即可）

1. 为什么自动驾驶方向（3 原因）
2. 职业规划 + 留用意愿（口径统一）
3. 日报 Agent 方案（见 2.4）

2.4 日报 Agent 一页纸方案（二面直接可讲）

设计原则：素材可追溯、生成可校验、结果可反馈

1. 输入源：行业新闻（RSS/抓取）、代码仓库状态（提交/分支/CI）、内部知识库、论文动态 → 统一接入
2. 数据链路：抓取→解析→去重→向量化→入 ChromaDB（每日增量更新）
3. 生成：日报模板（今日进展/技术动态/风险/明日计划）→ 检索素材 → LLM 生成 → 引用溯源校验（防幻觉） → 与历史日报做 few-shot 风格对齐
4. 编排：LangGraph 定时任务每日触发 → 按团队订阅分发 → 人工修正结果回流知识库做反馈闭环
5. 追问需求（主动问）：报告有固定模板吗？有历史报告做对齐标准吗？数据源清单是什么？

2.5 行为面口径（重点：世界模型接话模板）

面试官提到术语时必跟一句理解或追问，模板：

"我记得您提到世界模型和 VOM 是团队在跟踪的领域。我理解世界模型的思路是用生成的方式低成本产生长尾场景、解决数据稀缺；团队选择跟踪而不是投入，应该是更看重当前落地性更强的方向，我很认同这个判断。"

Part 3 · 日程安排-入职前学习准备

（1）日程安排

HR 通常 3-5 个工作日反馈；二面一般一周内安排。以下按"面试次日=Day 1"排，每天 3-4 小时高效备考。

二面升级反问（一面已问过资源/mentor/转正，二面问更深）

1. "日报 Agent 这个任务，目前团队最痛的环节是什么？期望的 MVP 形态长什么样？"
2. "团队在 RAG 检索上踩过什么坑？内部对检索质量有没有量化指标（召回率水平）？"
3. "数据整理具体是哪些数据（场景数据/标注/文档）？目前的存储和标注体系是怎样的？"
4. "对接前沿 startup 主要评估哪些维度？我更想听听你们的技术判断标准。"

二面当天 Checklist

1. 提前 10-15 分钟进会议，测试 Teams/摄像头/麦克风/网络
2. 手边放：3 张架构图、日报方案一页纸、简历、纸笔
3. 开场确认"能听到我说话吗？画面清楚吗？"
4. 答题结构：先想 3 秒 → "我从三个方面回答" → 数字+怎么测的
5. 术语接话模板（2.5）准备好，出现世界模型/VLA/VOM 就用
6. 结束："谢谢您的时间，期待后续沟通！"

一句话总结

一面靠"项目契合 + 反问质量"过关（85%+），二面靠"架构图（多Agent/RAG/CAS）+ 方案设计（日报Agent）+ 行业认知（世界模型/端到端）"加分。今天开始 5 天备考，稳拿二面。

（2）入职前学习准备

一、表现亮点（加分项）

二、暴露的问题（需要补的短板）

问题1：3DGS完全没听过

面试官问：“3DGS你有听过吗？”

你答：“没听过，我没用过这个工具。”

影响：中低。 这是个偏前沿的技术点，没听过正常，但如果你投的是自动驾驶/机器人方向，建议面完就立刻去查一下3DGS是什么（3D Gaussian Splatting，三维高斯泼溅，用于实时三维重建和渲染），下次被问到至少能说“我了解过基本原理”。

(84 封私信 / 53 条消息) 自动驾驶仿真-详解3DGS场景重建技术-从基本原理到落地应用 - 知乎

有点好奇特斯拉的自动驾驶是什么技术实现的：纯视觉 (摄像头)端到端 (FSD V12+)

题2：ROS的理解有偏差

面试官说：“ROS一般是一个通讯协议，怎么把数据收上来。”

你坚持说“ROS可以搭建无人机建模”。

影响：中等。 面试官已经委婉纠正你了，你还坚持了一下。ROS确实是分布式通信框架，不是建模软件（Gazebo才是建模/仿真环境，ROS负责节点通信）。这个点不算致命，但说明你对工具链的边界认知还不够清晰。 【ROS 入门指南】Part 8：ROS 无人机（UAV）开发实战与工程化-CSDN博客

【DJI 大疆无人机开发指南】Part 4：ROS2 × DJI 深度集成（系统篇）_ros2图传-CSDN博客

ROS1到ROS2：无人机编程实战指南-百度开发者中心 修正后的回答：“ROS本身是一个分布式通信框架（中间件），核心作用是节点间的消息传递和数据收发。（先承认本质）

但我们在开发中，通常会把ROS和Gazebo等物理仿真引擎配合使用。（引出关联）

由Gazebo负责无人机的3D建模与物理碰撞仿真，由ROS负责将控制指令下发、将传感器数据上传。我之前的项目就是通过ROS订阅Gazebo发布的仿真数据来实现算法验证的。”

问题3：RAG和“自我反思”细节说不清楚

面试官问RAG做了什么，你答“主要就是把文件放进去”；问自我反思在哪一块，你想不起来简历上写的是什么。

影响：中高。 简历上写了的东西自己说不清楚，是面试大忌。面试官已经说了“如果你一下子想不起来，我们就先不问了”——这是在给你台阶下，但也意味着这个点他没采信。

(84 封私信 / 55 条消息) 必收藏！一篇吃透RAG到底是什么？ - 知乎讲得通俗易懂

(84 封私信 / 55 条消息) 万字详解 RAG 基础概念：什么是 RAG？ 为什么需要？工作原理是？ - 知乎更加全面

一文搞懂大模型RAG应用（附实践案例） - 知乎最大的感触就是：Prompt的设计只有方法、没有语法

问题4：LoRA/QLoRA微调没做过但简历写了“熟悉”

面试官问：“模型微调用什么框架做的？”

你答：“没做过。”

影响：较高。 简历上写了“熟悉LoRA/QLoRA微调”，但实际上没做过——面试官嘴上说“这个比较简单”，但心里已经对你的简历真实性打了个问号。

这是一个比较关键的教训：以后简历里“熟悉”和“了解”要区分清楚：

1. 熟悉 = 亲手跑过代码、调过参数、踩过坑
2. 了解 = 读过论文/文档、知道原理但没上手

LoRA这块建议你尽快找个小模型（比如Qwen1.5-0.5B）真正跑一遍微调，哪怕只是跑通一个demo，下次就能说“我用过”了。

AI 生图实战：LoRA 微调训练完全指南——从原理到落地_训练lora-CSDN博客详略得当，还有实战教程

(85 封私信 / 59 条消息) 通俗易懂讲清楚：什么是MCP、MCP服务，其实没那么高深 - 知乎MCP模型上下文协议

三、入职前最重要的学习方向

1. RAG 全链路

你要能讲清楚：

重点不是背定义，而是知道每一环出问题会有什么表现：

2. 日报 Agent

先准备一个最小系统：

面试官所说的“不断逼近自己的报告”，核心不是单纯让模型写得更像人，而是：

1. 学习历史报告的结构；
2. 固定标题和章节；
3. 统一表达风格；
4. 让报告内容符合团队习惯；
5. 减少人工修改；
6. 保证每个结论有来源。

你可以提前做一个小 Demo：

读取模拟新闻 JSON 和 Git 提交记录，经过清洗和分类后，自动生成一份 Markdown 技术日报，并给每一条结论附上来源。

不需要做得很复杂，重点是形成完整闭环。

3. Agent 工作流

要掌握：

1. Function Calling；
2. JSON Schema；
3. LangGraph 的 State、Node、Edge；
4. 条件路由；
5. 多 Agent 并行；
6. 工具超时；
7. 错误重试；
8. 最大步数限制；
9. 任务状态保存；
10. 失败降级。

建议你熟悉下面的结构：

优先级 P1：入职前一周补齐

1. 自动驾驶基础

至少掌握：

你需要知道：

1. 摄像头、激光雷达和毫米波雷达的区别；
2. 检测、跟踪、分割分别是什么；
3. BEV 是什么；
4. 预测和规划的区别；
5. 端到端自动驾驶是什么；
6. Corner Case 是什么；
7. 为什么自动驾驶需要数据闭环。

2. Corner Case 挖掘

Corner Case 可以理解为：

出现概率低，但可能导致自动驾驶系统失败或风险升高的特殊场景。

基本流程：

重点理解：Corner Case 不能只靠向量相似度挖掘，还需要结合：

1. 模型低置信度；
2. 目标漏检；
3. 轨迹异常；
4. 规划冲突；
5. 规则触发；
6. 人工标记。

3. VLM、VLA、世界模型

简单区分：

1. VLM：看图像/视频并理解，输出文字或语义；
2. VLA：看图像、理解语言，并输出动作；
3. 世界模型：学习环境如何变化，预测执行某个动作后的未来状态。

自动驾驶中的用途可能包括：

1. 场景理解；
2. 数据标注；
3. 风险解释；
4. 长尾场景生成；
5. 仿真训练；
6. 规划评测。

注意本次面试的特殊口径：

面试官表示，世界模型和 VOM 目前不是团队重点投入方向，而是需要持续跟踪的领域。

因此以后不要说：

“电装团队目前主要做世界模型。”

应该说：

“我理解团队目前主要是跟踪世界模型和 VOM 的发展，同时重点关注更容易落地的 Agent、数据整理和研发辅助方向。”

四、必须修正的三个技术问题

1. PPO 和 SAC

以后不要再说：

PPO 是短期奖励，SAC 是长期奖励。

正确说法：

PPO 是 on-policy 算法，通过重要性采样和 clipped objective 限制策略更新幅度，训练比较稳定。SAC 是 off-policy 算法，使用 replay buffer，并通过最大熵目标增强探索能力，样本利用率通常更高，但训练可能更复杂、更波动。两者都可以处理长期序列决策，根本区别在于数据利用方式、策略更新机制和熵正则。

2. ROS 和 PyBullet

正确区分：

1. ROS/ROS2：机器人通信和软件生态；
2. PyBullet：物理仿真平台；
3. Gymnasium：强化学习环境接口；
4. Gym-PyBullet-Drones：无人机强化学习仿真环境。

以后可以这样说：

“我最初考虑过 ROS 和更完整的机器人仿真系统，但由于时间限制，最终使用 Gym-PyBullet-Drones 完成了无人机建模和强化学习训练。ROS 更偏机器人系统通信，PyBullet 负责当前项目中的物理仿真。”

3. LoRA 和模型微调

一定要诚实区分：

1. 了解 LoRA 原理；
2. 接触过 LoRA 方案；
3. 独立完成过 LoRA 微调；
4. 独立完成过完整训练、评估和部署。

如果你入职前完成一个小实验，就可以说：

“我之前主要是理论和方案层面的了解，入职前补做了一个小规模 Qwen 模型 LoRA/SFT 实验，完整走通了数据准备、训练、Adapter 保存、加载推理和微调前后评估流程。”

五、建议的 14 天安排

第 1-2 天：重新理解岗位和自己的项目

任务：

1. 重新看 JD；
2. 打开 Agent 和 RAG 项目代码；
3. 找到 Self-Critique 具体实现；
4. 核对简历所有数字；
5. 给每个数字补充测试方法。

产出：

第 3-4 天：RAG

学习：

1. 文档解析；
2. Chunk Size；
3. Embedding；
4. BM25；
5. 混合检索；
6. RRF；
7. Rerank；
8. Recall@K；
9. Precision@K。

实践：

1. 准备 10-20 份公开技术文档；
2. 对比纯向量、纯关键词和混合检索；
3. 记录不同参数下的检索结果。

第 5-6 天：Agent 和 LangGraph

实践一个最小工作流：

重点加入：

1. 工具参数校验；
2. 工具失败重试；
3. 最大执行步数；
4. 超时；
5. 错误日志。

第 7 天：完成日报 Agent Demo

输入：

1. 模拟新闻 JSON；
2. 模拟 Git 提交记录；
3. 模拟测试报告；
4. 一份历史日报模板。

输出：

1. Markdown 日报；
2. 每条内容的来源；
3. 今日进展；
4. 技术动态；
5. 风险；
6. 明日计划。

第 8 天：专利矩阵

用公开专利或技术文章练习抽取：

1. 标题；
2. 技术领域；
3. 关键词；
4. 应用产品；
5. 相关专利；
6. 相似度；
7. 技术覆盖关系。

输出：

第 9 天：LoRA 小实验

使用小模型完成：

不需要追求大模型和高分，重点是完整走通流程。

第 10 天：自动驾驶基础

学习：

1. 感知；
2. 预测；
3. 规划；
4. 控制；
5. BEV；
6. 端到端；
7. Corner Case；
8. 数据闭环。

画出一张自动驾驶系统链路图。

第 11 天：Corner Case 和相似场景检索

设计：

第 12 天：评测体系

整理三类指标：

RAG

1. Recall@K；
2. Precision@K；
3. MRR；
4. NDCG；
5. Faithfulness；
6. Answer Relevancy。

Agent

1. 任务完成率；
2. 工具调用成功率；
3. 平均延迟；
4. 平均步骤数；
5. 重试率；
6. 人工干预率。

自动驾驶数据

1. 场景覆盖率；
2. Corner Case 召回率；
3. 误报率；
4. 漏报率；
5. 失败样本分布。

第 13 天：工程部署

检查：

1. Docker 是否可以启动；
2. Python 环境是否可以复现；
3. API Key 是否使用环境变量；
4. 数据路径是否写死；
5. 错误是否有日志；
6. GPU/CPU 是否可以切换；
7. README 是否完整；
8. Git 提交是否规范。

第 14 天：入职模拟

练习回答：

1. 你如何设计日报 Agent？
2. RAG 检索效果不好怎么办？
3. 多 Agent 如何并行？
4. 工具调用失败怎么办？
5. Corner Case 如何挖掘？
6. PPO 和 SAC 有什么区别？
7. ROS 和 PyBullet 有什么区别？
8. LoRA 你到底做过什么？
9. 你如何评估系统效果？
10. 如果没有 GPU，如何快速做出 Demo？

六、入职第一周安排

第一天

重点不是立刻改代码，而是：

1. 配置环境；
2. 拉取代码；
3. 跑通 Demo；
4. 了解数据来源；
5. 了解模型接口；
6. 了解 GPU 使用流程；
7. 了解代码提交规范；
8. 了解验收指标。

建议表达：

“我先把现有流程完整跑通，画出数据流和模块关系，再针对一个明确指标做小范围优化。”

第二到第三天

输出：

1. 当前系统架构图；
2. 数据字段说明；
3. RAG 流程图；
4. Agent 工具清单；
5. 已知问题列表；
6. 环境部署文档。

第四到第五天

选择一个小切口完成：

1. 修复一个 PDF 解析问题；
2. 增加一个数据格式转换脚本；
3. 增加日报引用；
4. 减少重复新闻；
5. 增加工具失败重试；
6. 增加一个检索评测脚本；
7. 增加一个简单的报告模板。

第一周不要提出“整个系统重写”，先通过一个小成果建立信任。

七、第一个月建议目标

第 1 周：跑通

目标：

能独立启动系统，知道各个模块的作用。

第 2 周：建立 Baseline

记录：

第 3 周：完成一次优化

选择一个方向：

1. 混合检索；
2. Rerank；
3. Chunk 调优；
4. 查询改写；
5. 数据去重；
6. 工具重试；
7. 报告模板优化。

第 4 周：形成技术总结

按照以下结构汇报：

这份总结就是你后续争取转正的重要成果证明。

八、行政和签约注意事项

签署 FESCO 协议前，重点确认：

1. 正式实习单位；
2. 实习岗位；
3. 实习起止时间；
4. 每周出勤天数；
5. 薪资和发放方式；
6. 试用或退出规则；
7. 保密协议；
8. 知识产权归属；
9. 论文和开源限制；
10. 办公地点和入职时间。

身份证信息只通过：

1. 正式 HR 邮箱；
2. FESCO 官方签约系统；
3. 公司正式人事流程。

不要在非官方群聊、陌生链接或个人社交平台直接发送。

最终建议

你现在最应该做的不是继续纠结一面讲得好不好，而是完成这三件事：

1. 确认正式邮件、入职日期和 FESCO 签约流程；
2. 做一个“新闻 + Git 状态 → 自动日报”的最小 Demo；
3. 修正 PPO/SAC、ROS/PyBullet、LoRA 实际经验这三个技术口径。

最终目标是：

入职后能够快速理解数据，跑通现有系统，完成一个 Agent/RAG 小模块，并用清晰的指标证明优化有效。

这比入职前背大量前沿名词更重要。