本文是 Agent 高频面试题详解系列第一篇，聚焦 RAG（检索增强生成）链路。文章基于近两个月牛客网 82 场面试的统计，指出 RAG 是最常被追问的题目。内容先给出 RAG 整体架构图，解释为什么需要 RAG 及其与长上下文、grep、微调、工具调用、记忆等方案的边界；再沿离线、在线两条线逐环讲解：离线部分涵盖文档解析、切分策略、embedding 向量化、HNSW/IVF 索引原理；在线部分讲解问题改写、BM25 与向量多路召回、RRF 融合、交叉编码器重排等环节。每个环节均附上面试常见追问，并提供复习优先级参考。
作者分享了在 AI 视频创作中使用 EverOS Cloud 记忆层的实测体验。通过将三条旧项目的创作经验（任务目标、修改理由、最终取舍）整理成卡片存入记忆库，Agent 在接到新 Brief 时先检索相关经验再写提纲。对照实验显示，检索分数最高的预告片经验仅作背景，真正被采用的是排第三的香氛修改卡，其'修改要求落到具体位置、比例和留白'的判断被融入提纲。但也发现旧经验可能带偏任务目标，需人工把关。作者结论：旧经验能借的是判断方法，最终取舍仍由人决定。
作者从事跨境电商，产品进入美国市场需每年 10-12 月完成 FDA 企业注册续期和药品列名认证，错过窗口货物可能被海关扣留。今年 FDA 官方通知淹没在大量代理推销邮件中被漏看。作者使用网易邮箱大师的 Mail Agent，通过三句话（整理紧急邮件、梳理续期步骤、导出合规清单）在 98 秒内扫描 400 封邮件，找回了遗漏的 FDA 续期提醒，并发现逾期的海运发票等其他紧急事项，最终生成 Excel 合规清单。文章为网易邮箱合作推广，同时提醒跨境电商注意合规邮件优先级。
文章指出许多人做 AI Agent 只是调用大模型 API 加上工具和 LangGraph，跑通 Demo 与企业级生产落地之间差距巨大。作者结合自身企业 AI 项目经验，将 Agent 工程师学习路线分为四个阶段：一是掌握基础，理解 Agent 工作原理；二是赋予执行能力，包括 MCP、浏览器自动化、记忆与上下文管理、沙箱与权限控制；三是安全、多 Agent 协作与人工审批，明确权限边界，防止错误放大；四是错误处理、执行轨迹评测、降级兜底与工程复盘。作者强调评测数据是判断系统优劣的关键，建议边做边学，完整交付一个项目比做十个 Demo 更有价值，真正稀缺的是能让 Agent 稳定运行的工程能力。
本文介绍 Grok Bot 与普通聊天 AI 的区别：它配备专属云电脑，可在用户离线时自主完成任务。作者提供了 9 段即用提示词，覆盖常见痛点：自动生成 X 每日简报、分析爆帖助力自媒体起号、为 Bot 开设专属邮箱收验证码、翻查邮箱盘点自动续费订阅、分拣收件箱并起草回复、邮件触发自动处理、录制操作学习重复性工作、资料自动生成 PPT，以及花钱和发送的安全规矩。文章还提醒注意安全事项：不发密码卡号、开启 Auto-review 和自定义审批规则、谨慎登录网银等敏感网站。
作者分享了自己用 Lovart Arti（个人设计 Agent）的体验。此前作者自写了 article-visual-director 配图 skill，但出图环节依赖生图模型。Lovart Arti 整合多个图像视频模型，能记住用户上传的作品集与风格偏好，之后生成封面、配图无需重复描述风格。作者实测了文章配图、每周定时任务整理 AI 工具动态与 X/Instagram 设计案例周报、为开源项目 luobo-ppt 生成全套视觉物料、以及制作萝卜 IP 与 Arti 联名表情包等场景，认为其适合'重复但又不能乱做'的工作，显著提升效率，并建议关键信息（如安装命令）仍需人工把关。
作者分享了一个长期痛点：与 AI 多轮讨论敲定的项目方案往往锁在某台电脑的聊天窗口里，换设备或同事接手时需重新投喂上下文。作者接入 EverOS Cloud（GitHub 1.3w 星开源 Agent 记忆系统 EverOS 的云端托管版），将公司电脑和家里电脑的 Codex 挂到同一云端记忆空间。AI 讨论过程中的方案与约束自动沉淀为云端记忆，跨设备、跨团队无缝续接工作，无需手动整理 Markdown。网页端 Memory Bank 可查看阶段摘要和事实卡片，支持记忆的增删改。该方案也适合团队协作，共享记忆成为项目知识资产，降低人员交接风险。
前字节团队推出专为独立导演和广告人打造的 AI 分镜 Agent「Story2Board」，蒸馏 250 部影史名片构建 27 万+ 电影分镜索引库。其核心亮点包括：通过 Consistency Layer 固化角色、道具和场景资产，解决人物一致性问题；接入影史镜头标注数据，可像专业摄影指导一样反推景别、运镜方式并解释情绪动机；支持导出含场记数据的 PDF 分镜表。商业模式采用按点数充值而非订阅制，降低了尝鲜门槛，但作者也指出这牺牲了 LTV 和营收可预测性，对获客能力要求更高。
文章针对 AI Agent 开发中记忆缺失、RAG 低信噪比切片、状态冲突与多主体污染三大痛点，测评了 EverOS Cloud（API v2）这一 Agent 记忆操作系统。核心机制包括语义事件切割、记忆整合消解冲突、多主体严格隔离，在 LoCoMo 基准上达 93.05% SOTA，减少 90% 以上 Token 消耗。其自进化技能引擎可将任务执行链路沉淀为 Case 并蒸馏为可复用 Skill，任务成功率最高提升 234.8%。接入仅需两行核心调用，支持记忆治理 API、多模态资料挂载、MCP 协议兼容 Claude Code 等工具，以及云/本地双模部署。作者认为其适合需要跨会话跟踪意图与沉淀业务 SOP 的场景。
文章提出企业AI落地的核心卡点不是提示词，而是大模型无法进入本地业务流。作者以FDE（前线部署工程师）视角，提出'数字员工管理思维'，总结本地交付四大支柱（工位、规则、原料、连接器），并以WorkBuddy为载体，手把手演示搭建公众号自动内容交付流水线的完整SOP：安装绑定本地文件夹、采访式制作账号定位卡、选题灵感细化与竞对爆款监控入库、技能挂载与MCP连接器配置、工业化成稿与质检、微信草稿箱定时推送，最终走向企业级FDE交付与商业变现闭环。
文章指出科研领域长期存在'不可复现危机'：论文只是静态 PDF，数据、代码、环境散落各处，超70%的研究者无法复现他人实验。作者介绍了 AIPOCH Open-Science——一个开源、模型无关、本地优先的 AI 科研工作台，它内置 Scientific Agent 可端到端执行研究流程，并提出 .science 打包格式，将数据、代码、环境、执行日志封装为可一键复现与 fork 的'科研 Git 仓库'。作者认为这将开启 Vibe Research 时代，降低科研门槛，为学生、跨学科个体和 AI4S 生态带来超级个体的历史性机遇。
作者用 Grok Bot 搭建了 39 个 AI 机器人，分布在 13 个群聊中执行各类任务，导致每日推送消息高达 40 条左右，难以分辨谁在干活、谁在空转。作者通过全面盘点，确立三条治理规矩：设立「首席助理」作为单一入口统一派活；实行 A/B/C 三档审批机制并设夜间零花费硬线；推送统一收口到固定简报时间，即时推送只保留故障、资金异常等四种情况。在此基础上落地 8 项优化，包括停掉误报任务、合并重复机器人、调整 X 雷达频率等，将每日推送从约 37-45 条降至 15-19 条。文章强调机器人不是越多越好，关键是建立收口机制，并坚持改规矩必须本人确认、不认机器人传话的安全原则。
作者使用 AI 科研工作台 Open-Science（Codex 订阅驱动），在约 7 小时内从原始数据完整复现了 2024 年发表于《Science》的海马尖波涟漪（SWR）记忆选择研究。工作流采用'先出计划'模式，在查看数据前先冻结分析方法，并通过输入审查发现了作者自己代码与配置间的多处不一致。复现结果分四类报告：基线流形解码、回放候选筛选、CEBRA 编码大多精确复现，仅个别指标未复现；HSE 投射方向与原结果一致。最终交付包含报告、对照表、复现脚本的完整产出包。作者认为 AI Agent 大幅降低了科研复现门槛，未来人人都有机会参与科研。
作者高强度实测 Grok Bot 两周后的经验分享。Grok Bot 自带 24 小时云端主机，持久化硬盘、多 Bot 共享同一台电脑，还可远程桌面操作。文章介绍了 Connect Apps 连接 GitHub、X、Gmail、Notion 等生态的用法，以及信息雷达、仓库盯梢、邮件分拣等自动化场景。重点分享了群聊多 Bot 协作的踩坑经验：上下文易乱、需要反复协调，核心是必须设立统一的协调者角色。作者据此搭建了'研发小队 Build Lab'（产品、设计、开发、测试、项目经理、增长六个角色）和'视频工作室 Video Studio'（导演、编剧、素材、配音四个角色）两套协同流水线，并公开了配置模版和社区资源链接。
作者继八月 AI Native 实践后，记录从 Stage 7 迈向 Stage 8 的多 Agent 工作方式探索。核心实践包括：用「测试测试」验证测试有效性（借鉴变异测试）；要求 Agent 交代判断依据；采用 1+N 组织方式，由 Captain 统筹调度其他 Agent，并保护其上下文不陷入实现细节；用 logbook Kit（lbkit）串起需求到上线的完整交付流程，通过 Preflight 预演减少中途打断；让 Delivery 与 Verify 两种角色形成对抗，发现分歧。作者强调多 Agent 有成本需按任务规模挑选，目标是保护人的完整注意力与决策密度，认为对抗机制比单纯循环更重要。
文章通过企业软件交付案例，解析了 FDE（前线部署工程师）模式的核心逻辑。功能做出来、模型能回答后，交付现场仍剩三层工作：必须沉淀进核心产品的通用处理能力、用插件和配置承接的客户适配逻辑、以及必须由业务人员当面确认的业务含义与边界。作者指出，在 AI 落地中还需验证系统在真实场景是否按规则行动。完整的 FDE 模式需同时满足高客单价、共同探索心态与平台纪律三个条件，多数团队应理解现场深度，而非盲目照搬驻场模式。
作者分享财经作者猫笔刀使用豆包工作（Agent）一个月的体验。猫笔刀不會编程，过去用AI只停留在问答层面，但豆包工作上线后他发现Agent能真正帮普通人做事：修复SSL证书故障、监控链上池子、整理资讯、提炼研报PDF等。与聊天AI不同，Agent能实际完成任务，且每次操作需手动授权，可控性强。价格方面，三档模型能力相同只差额度，68元/月足够日常使用，相当于一天两块多。文章认为Agent正从程序员专属工具走向普通人日常，类似拥有多个不知疲倦的助理。
本文基于牛客网 8 月 18 日至 10 月 18 日的一手面经，统计了 180 位作者、343 场面试、近 80 家公司的 Agent 岗高频面试题。统计显示，问得最多的是 RAG 链路和 AI Coding 工具使用（各占三成多），其次是多 Agent 拆分、Agent 评测、上下文压缩、Skill/MCP/Function Calling 边界、记忆设计、Harness 与 Agent Loop、LangGraph/LangChain 等。文章逐题列出问法、公司分布和轮次分布，并指出 Skill、MCP、Agent 评测和 Harness 在 9、10 月明显增多，手撕题仍以 LeetCode 为主。
本文介绍如何用 Grok Bot 搭建多 bot 协作团队，替代单对话框的混乱用法。核心模式是一个主管 bot 加若干专员 bot：主管拆解任务并派活，专员完成后存入共享文件夹回报，主管验收交付。文章总结了提示词的 7 要素（角色定位、边界、输出格式、语气、流程、询问时机、协作方式），以及派活、回报、共享文件夹的协作机制，并给出内容创作者、AI Builder、小企业主、自由职业者、电商卖家、学生研究者、投资者、销售等 8 种场景的完整团队配置与提示词。最后强调三条原则：只在关键节点介入、对外操作走草稿确认、用例行任务自动化坚持。
作者分享了自己多年尝试 Notion、Obsidian 等知识库工具却难以坚持的经历，指出知识库失败的核心原因是需要手动录入维护。相比之下，邮箱三年来从未中断更新。文章介绍了网易邮箱大师推出的 Mail Agent 智能体：它可以让 AI 读取邮箱内容，自动归类账单发票、找出优先处理事项（如 PayPal 账户注销预警）、生成订阅待办清单、将报销凭证附件整理成表格，并通过个性化记忆系统记住用户偏好。作者认为，最好的知识库是不需要维护的知识库，邮箱正是一个天然的、持续更新的个人知识库。
作者分享了用 Grok Bot 自动化完成外链提交的完整实践：Agent 从 4000 多个候选站中筛出 282 个可免费提交的站点，按难度分脚本提交、浏览器批量、邮件自动验证三条线自动执行，并往 22 个 GitHub awesome 列表开 PR。作者只需定规则、批例外、点少量验证邮件，当天确认上线 9 个站、10 个排期、约 120 个待审。文章详细介绍了规则编写、资产包准备、双邮箱策略、站点筛选流程，并总结了付费、交换外链、挂徽章等六个可调旋钮以获取更多外链。
该白皮书探讨了生成式AI时代获客与流量入口的重构，提出从传统SEO的'被搜索'转向GEO的'被引用、被调用'新范式。文章指出用户行为正从检索关键词转向直接向AI提问，品牌可见性取决于能否被AI检索、读懂、引用乃至被Agent调用。白皮书定义了GEO、AEO、Agent Ready等核心概念，提出五层24类能力的Agent Ready参考架构，并给出包含证据向量、分层就绪度、审计完整度与固定定层函数的可审计、可复算的数学评估模型。强调评估只读不变量、改动爆炸半径控制及承诺边界，附有自助评估工具与实施路线图。
文章实测了新加坡 AIPOCH 团队开源的科研 AI 工作台 Open-Science，它以 Claude Code、Codex 等为可替换引擎，外覆科研专用壳层。针对科研三大痛点——文献易被 AI 编造、敏感数据不能出本地、图表无法溯源——该项目提供 36 个科学数据库连接器、本地数据存储、不可篡改的执行记录与血缘图，并支持通过 .science 文件包（基于 RO-Crate 开放标准）导出完整研究过程供他人复现。作者以复现一篇基因表达分析论文为例，验证了差异表达分析与火山图生成，并用独立 AI 审查员完成交叉核验，展示了可复现、可交接的开源科研工作流。
文章介绍了开源项目agency-agents-zh（GitHub 15.8k Stars），它为AI装上266个专业角色人格，覆盖工程、设计、市场、法务等20个部门。每个Agent以YAML文件定义身份、职责、风格和可用工具，适配Claude Code、Cursor、Copilot等18种AI工具。项目还提供orchestrator多智能体协调器，可将任务自动拆分并分配给对应Agent并行协作，输出完整方案。文章还展示了安装、自定义创建Agent及实际调用的代码示例。
作者基于 DeepSeek Harness 从零搭建一个客服 Agent 的实战教程。文章梳理了客服 Agent 的四大核心能力：快速检索、记忆、人机协同与工具执行；并从交互模式接入、System Prompt 精简、Session 管理与持久化、工具与 Skill 的取舍、安全边界（接口鉴权与 Sandbox 只读）等方面逐步实现。作者强调通过收缩工具数量和精简 System Prompt 降低推理与 Token 开销，用 Skill 约束行为方式、用受控 Tool 约束能力边界，最后分享了利用 DSH 分步完成开发的流程与实用技巧。
作者花费两千元和两周时间实测 Google Muse、Grok Bot、OpenAI Dots、Manus Cue 四大 Personal Agent，测了 12 个自媒体平台的数据采集，最终成功委托率仅 33%。文章指出 Personal Agent 无法完全替代本机，存在账号登录、多任务管理等问题。作者最终选择 OpenAI Dots 作为云端方案，配合本机 Codex，总结出三个核心提示语：多任务进度条追踪、Computer Use 六道门采集验证、云端融合日报生成，并分享了邮件自动分拣回复、飞书文档中转等实用技巧，搭建了一套覆盖数据采集、日报和 AI 选题的完整工作流。
文章介绍了 MoodMax 新推出的电商创作 Agent，面向双 11 等大促场景，解决商家素材制作慢的痛点。用户只需上传商品图、模特图和参考编排图，用自然语言描述需求，Agent 即可完成拆解规划、逐张生成和自动编排，交付主图、SKU 图、详情页、海报、推广图及带货短视频等成套内容。生成结果适配淘宝、京东、拼多多、亚马逊、SHEIN 等海内外主流平台规格。产品还提供爆款短视频提示词模板库，支持选模板、传素材、三步出片。作者认为素材产能比创意优化更关键，这类 Agent 适合先跑通成套交付流程。
文章介绍作者封装的 anatomy-explainer 项目，用 Agent 工作流自动制作机械原理科普视频。核心思路是先锁定因果链与解释范围，再用参数化代码几何保证齿轮等部件运动关系可检查、可复现；旁白按短句合成语音，以实测时长驱动动画与字幕对齐。文中以木牛流马为例，讲解了选题收窄、审题约束、声画对齐、字幕遮挡检查、3D 扩展方向与运行环境配置，并强调流程仍需人工审核、简化须标明、自动化能力需靠项目积累验证。
本报告系统调研了 Meta 于 2026 年 9 月推出的个人智能体 Muse 的实际用途与生态。作者通过 GitHub、YouTube、X 等公开渠道核验证据，将用途归纳为内容创作、工作助理、工具集成和设备连接四大方向。报告详细梳理了视频与动画制作工作流、多个 muse2api 网关项目的差异、26Flow 可视化工作流扩展、企业工具连接器及官方 Gadget SDK 硬件集成方案，并对各开源项目的许可证、成熟度与商业化可行性进行了分级评估，强调区分'存在'与'有效'、官方能力与社区宣传。
文章解读了一篇关于 FDE（Forward Deployed Engineer）的论文《FDE-Gym》。该论文将真实企业项目改造成覆盖金融、医疗、制造、能源等 18 个行业的 95 个任务，评测 AI Agent 承担真实企业交付工作的能力。Agent 仅获得客户最初的一句话需求，需自行读文档、查系统、确认信息并判断客户真正的问题。评分不仅要求完成需求，还要求交付系统真正改善业务指标，乱找人、反复试错都会产生成本。结果显示最强模型平均得分仅 0.56，95 个任务中仅真正解决 14 个，最大瓶颈在于未写入需求的业务规则、隐性约束以及客户未表达清楚的问题。文章指出 FDE 的难点在于在信息不完整、需求模糊的环境里判断该解决什么并真正交付。
