都 2026 年了有鹅选鹅的定律依然存在。这不脉脉上看到一条爆料。一位鹅厂员工985 毕业工作 7 年校招进的腾讯目前 T10非核心业务月薪 50k算上年终和股票一年 120w 左右。作息 10-9-5早十晚九周末双休不加班坐标深圳。更猛的还在后面。这位老哥去年在深圳全款买了套 300 万的房子农村出身家里没给一分钱支持全靠自己攒出来的。互联网这些年挣过高薪的人不少能把钱真正留下来的没那么多——有人挣得多花得也多有人赶上过牛市也踩过坑。当然也有人会说这不就是吃到了大厂红利嘛。平台和个人其实更多是相辅相成。校招能进腾讯底子本来就不差7 年做到 T10说明这些年的能力一直在放大。平台放大了能力可入场的门票还得自己挣。巧的是一位球友刚面完鹅厂的 Agent 岗把面经发给了我。我整理了一下这里分享给大家。全文比较肝保证大家能学到很多很多系好安全带我们粗粗发content01、LLM 和 Agent 之间的联系和区别老王第一问是概念题。“讲一下 LLM 和 Agent 之间的联系和区别。”“先说联系。Agent 的每一次决策都由 LLM 做出。”“要不要调工具、调哪个、参数怎么填、任务算不算完成全是模型在拿主意Agent 框架本身不做判断。”“区别在职责边界。LLM 是无状态的文本生成服务一次调用进一段上下文、出一段文本调用结束什么都不记得也改变不了外部世界。”“Agent 是围绕 LLM 搭起来的执行系统补上了模型缺的三样东西”工具让模型的输出变成真实动作读文件、执行命令、查网页循环一次调用解决不了的任务拆成多轮推理加行动直到完成记忆跨轮次、跨会话保存状态让系统记得之前发生过什么“一句话总结LLM 负责想Agent 负责想完了真去干。”老王追问。“那网页版的对话助手算 Agent 吗”“看有没有 ReAct 循环。纯问答是单次调用进去一段话出来一段话不算一旦它开始自己联网检索、自己跑代码、拿着中间结果继续往下推进就已经是轻量级的 Agent 了。”“判断标准不是产品形态是有没有『决策、行动、观察结果、再决策』的闭合回路。至于 ReAct 具体怎么转下一题正好展开。”02、ReAct Agent 由哪几部分组成老王点点头。“了解 ReAct Agent 吧它由哪几部分组成”“ReAct 就是推理加行动Reasoning Acting的循环。拿我自己写的 PaiCLI-Python 来说拆开是五个部分每个都能落到具体模块”模型客户端和 LLM 通信流式接收文本、思考过程和工具调用请求工具注册表所有可用工具的清单每个工具带一份 JSON Schema 描述工具执行器拿到模型的调用请求后真正干活的模块循环控制决定继续还是退出我设的最大轮数是 20上下文管理每轮检查消息总量接近预算就压缩用户交给它一个问题是如何完成的老王追问了一句。“那用户交给它一个问题整个流程是怎么走的”“先做两件准备工作把匹配到的 Skill 候选清单注入上下文再检查一遍消息总量要不要压缩。”“然后进入循环。把消息历史和工具清单一起发给模型模型流式返回要么直接给文本回答要么发起工具调用。”“是后者的话执行器把工具跑完结果以 tool 消息追加回历史再次调模型。模型看到工具结果继续决策要么接着调要么给出最终回答。”“退出条件有两个。模型不再请求工具正常结束或者到达 20 轮上限强制收尾。”“执行上还有两个细节。一个是只读工具最多 4 个并发跑写操作严格串行防止互相覆盖另一个是流式场景下工具调用的参数是分片到达的要按序号把参数片段拼接完整再解析成 JSON 交给执行器拼早了就是半截 JSON直接解析失败。”03、设计一个 Agent 框架会分哪些模块老王往椅背上一靠。“如果从零设计一个 Agent 框架会分哪些模块”“核心六层”入口层命令行和交互式会话管参数解析和结果渲染Agent 层三种执行模式ReAct 循环、计划执行、多 Agent 协作模型层统一的 OpenAI 兼容客户端管流式解析、token 用量和计费工具层注册表加执行器再加十七个内置工具记忆与上下文层短期消息历史、长期记忆库、上下文压缩安全层命令黑名单、路径守卫、高危操作人工确认、审计日志“安全层容易被漏掉单独说一句。Agent 是真的会执行命令的黑名单里躺着的都是狠角色sudo、rm -rf 这类命令直接拦截。”“写文件和执行命令要么标了危险等级、要么强制人工确认所有执行记录落审计日志。能力越大的系统越要先想清楚怎么拦住它。”模块之间如何交互“启动时组装入口层把内置工具和 MCP 工具合并注册进同一张工具注册表交给 Agent。”“运行时流转Agent 持有消息历史每轮把历史交给模型层模型返回的调用请求交给工具层执行结果回填历史循环往复。”“关键的设计决定是所有模块对外只输出一种东西统一格式的流式事件。文本增量、思考增量、工具调用、用量统计都是事件入口层只管渲染不掺和逻辑。”“好处是每层都能单独替换。换模型只动模型层加工具只动注册表改界面只动入口层。”04、MCP 和 tool 之间有什么联系和区别老王在本子上记了一笔。“MCP 和 tool 之间的联系和区别说说看。”“区别看归属。tool 是应用内的函数我自己写、自己注册、跟着代码走别的应用用不了。”“MCP 把工具从应用里拆出来变成独立的服务进程任何支持 MCP 的客户端都能连上来用。解决的是 M 个应用对接 N 个工具的组合爆炸问题。”“联系是殊途同归。MCP 工具连上来之后会被包装成和内置工具一样的形态注册进同一张工具注册表最终以函数调用Function Calling的格式一起喂给模型。”“模型不知道也不需要知道一个工具到底是本地函数还是远端服务。”“实现上我做了三件事”传输支持 stdio 和 Streamable HTTP 两种远端工具名加服务名前缀做命名空间隔离防止和内置工具撞名权限上参考远端声明的只读提示非只读的 MCP 工具一律人工确认后才执行“配置也是分层合并的。用户目录一份全局配置项目目录一份局部配置同名服务后者覆盖前者路径里支持环境变量展开。”“某个 server 连不上时单独隔离并记下错误不影响其他工具正常注册。”“还有个容易被忽略的点。MCP 除了工具还有资源和提示词模板我把它们也映射成了虚拟工具列资源、读资源和调用普通工具走的是同一条路径模型侧不用学新动作。”05、短期记忆和长期记忆是怎么做的老王翻了页简历。“项目里的智能问答短期记忆和长期记忆是怎么做的”“短期记忆就是会话内的消息历史一个列表上限 100 条配合上下文压缩工作。”“压缩的触发线是可用输入预算的 80%一旦超过就压到 55%最近 6 条消息原样保留更早的轮次做提取式摘要。分割边界落在用户消息上保证工具调用和结果成对出现。”“长期记忆用 SQLite 存在用户目录下跨会话生效按项目路径隔离作用域。有几个设计细节可以展开”去重内容归一化后取哈希同作用域下相同哈希只存一条淘汰上限 1000 条超了按重要性、置信度、访问次数从低到高淘汰过期支持 TTL临时事实到期自动失效召回词法匹配为主叠加重要性、新鲜度、访问频次加权默认召回 6 条低于分数阈值的不进上下文“还有一条边界要守住。压缩生成的摘要只服务当前会话它是模型生成的二手信息不会被晋升成长期记忆。”“长期记忆只收用户明确要求保存的事实。这条线一旦松了记忆库很快会被模型自己的转述污染。”业界主流的三层记忆系统老王接着追问。“业界主流的三层记忆系统是怎么分的每层存什么”“主流分法是按作用域切三层”层次存什么在 PaiCLI-Python 里会话层当前对话的消息内存里的消息列表上限 100 条项目层仓库的规范、构建命令项目根的 PAI.md跟着 Git 走全局层跨项目的个人偏好用户目录的记忆库和全局配置“文件记忆还有一个本地覆盖层 PAI.local.md存只属于本机的配置不进版本库。加载也有预算单文件截断 6000 字符合并总量 16000 字符防止记忆把窗口吃穷。”这张表建议存下来答记忆类的题基本都能套。06、Skill 的渐进式加载机制了解吗老王抛出下一问。“了解 Skill 的渐进式披露progressive disclosure机制吗”“了解核心就八个字索引常驻正文按需。具体分两段。”“第一段每次用户输入时只把匹配度最高的 5 个 Skill 的名字和描述注入上下文单条描述截断到 300 字符整个索引不超过 4000 字符。这时模型知道有哪些技能可用但一个字的正文都没进来。”“第二段模型判断当前任务匹配某个 Skill主动调用加载工具这时才读 SKILL.md 的正文上限 5000 字符。而且正文不是立刻塞进当前轮是放进一个缓冲区下一轮随工具结果一起注入缓冲区只保留最近 3 条防止越积越多。”“Skill 目录本身也分三层内置的、用户级的、项目级的同名时项目级覆盖用户级和记忆文件的分层逻辑一致。”“这套机制的收益可以量化。20 个 Skill 按单篇 5000 字符的上限全量加载就是 10 万字符渐进式披露的常驻成本只有 4000 字符的索引差 25 倍。”老王追问。“候选是怎么匹配出来的”“加权打分。用户显式点名某个 Skill 直接给最高分否则按命中位置算名字命中的权重最高标签次之描述最低中文还做了二元、三元分词来提升召回。”“说白了就是一个微型搜索引擎检索对象从网页换成了技能。”07、使用 AI 时如何保证输出内容的质量老王问出最后一道正题。“在使用 AI 时应该怎么保证输出内容的质量”“分三层答先说我实现了的。”写后自检写入或修改 Python 文件后立即做语法编译检查报错附在工具结果里回给模型让它当轮就改审查重试多 Agent 模式里有专职的审查者角色产出不合格打回重做每步最多重试 2 次安全兜底危险命令黑名单、路径守卫、高危操作人工确认、全程审计日志外加任务前后各打一次快照随时可回滚老王追问。“这些都是工程手段提示词层面呢”“三条实践。把验收标准直接写进提示词让模型知道什么叫合格复杂任务要求模型先复述一遍理解再动手提前暴露偏差重要产出让模型对照标准自查一轮再交付。”“也坦白说通用的钩子机制和结构化输出校验我还没做主循环也没有自动重试。这道题面试时最忌讳把没做的说成做了——质量保证的第一条是先保证自己说的话是真的。”老王笑了笑合上了本子。PaiCLI 如何写到简历上项目名称PaiCLI-Python项目简介对标 Claude Code 的 Python Agent 命令行工具支持 ReAct、计划执行、多 Agent 三种模式技术栈Python、asyncio、httpx、MCP、SQLite核心职责基于函数调用实现 ReAct 主循环流式拼接工具调用参数分片只读工具 4 路并发执行20 轮硬上限防失控设计三层记忆体系会话内消息历史、用户级与项目级分层文件记忆、SQLite 长期记忆支持哈希去重、TTL 过期与 1000 条容量淘汰实现窗口自适应的上下文压缩预算 80% 触发压至 55%分割边界落在用户消息上保证工具调用与结果成对完整接入 MCP 官方 SDK支持 stdio 与 Streamable HTTP 双传输服务级配置分层合并与故障隔离远端工具统一命名空间注册实现 Skill 渐进式披露机制索引常驻 4000 字符、正文按需加载常驻上下文成本降低 25 倍反问08、结合面试表现后端和 Agent 方面怎么学面试收尾轮到我反问。“结合我刚才的表现后端和 Agent 方面能给点学习建议吗”老王想了想给出的建议信息量很大太用心了兄弟我都想给他鞠个躬。原话拆开是一份完整的自查清单模型怎么运转ReAct 主流框架下模型和框架各自负责什么边界在哪模型的缓存机制前缀缓存命中和未命中的成本差怎么组织上下文去吃这个红利怎么让输出更稳定温度参数、结构化提示、约束性描述Skill 的运转逻辑索引注入和按需加载的两段式预算怎么定MCP 和 tool use 的机制协议、传输方式、命名空间、权限控制上下文管理压缩触发线、保留策略、消息边界完整性参考实现Claude Code 的开源生态里上面这些机制都能找到对照RAG 的知识管理和召回切块策略、混合检索、重排序怎么让召回更准更精这份清单每一项都能对着一个真实项目的源码过一遍。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】