@UPing123zzz: 现在 AI Engineering 面试越来越有意思了。 RAG、Embedding、Vector Database、Chunking、Reranking、MCP、Function Calling、Context Engineering、…
摘要
一篇关于 AI Engineering 面试的评论,指出掌握 RAG、MCP、Agent 等技术名词不等于具备工程能力,强调评测、故障排查与系统交付才是区分工程师水平的关键。
查看缓存全文
缓存时间: 2026/11/19 21:47
现在 AI Engineering 面试越来越有意思了。
RAG、Embedding、Vector Database、Chunking、Reranking、MCP、Function Calling、Context Engineering、Agent、Memory、Evals、Guardrails……随便拉出来一份 AI 工程师面试清单,都能列出十几个甚至几十个技术概念。
但我越来越觉得,很多人学习 AI 最大的问题,就是把掌握技术名词,当成了掌握工程能力。
一个人可能知道什么是 RAG,知道向量数据库怎么连接,知道 MCP 是什么,也能用 LangGraph、Dify 或者其他框架搭建 Agent,甚至短时间内就能做出一个看起来非常完整的 AI Demo。
但你只要往下追问几个问题,差距立刻就出来了。
比如,你搭建了一个企业知识库,用户提问以后,系统没有返回正确答案。你到底知不知道问题发生在哪里?
是原始文档解析出了问题,还是 Chunking 切断了关键上下文?是 Embedding 的语义表示不合适,还是向量数据库没有召回正确片段?是 Reranker 把正确资料排到了后面,还是 LLM 明明拿到了证据,却在生成环节自己编造了事实?
如果这些问题你都无法判断,那你所谓的 RAG 工程能力,可能还停留在把几项技术按教程连接起来的程度。
Agent 也是一样。
现在很多人觉得,只要接上 MCP,让模型能调用浏览器、数据库、GitHub、文件系统,再增加几个子 Agent,就算完成了一套智能体系统。
但真正进入企业场景以后,问题会比 Demo 复杂得多。
如果 Agent 调用外部 API 超时,你怎么判断任务实际上有没有执行成功?如果工具已经修改了数据库,但模型因为上下文截断忘记了这件事,再次调用同一个工具怎么办?如果一个任务需要持续几十分钟,执行到一半服务崩溃,之前的状态怎样保存,重新启动以后从哪里恢复?
如果 Agent 读到一份带有恶意指令的外部文档,怎样防止它把文档内容当成系统命令?如果工具拥有删除文件、发送邮件或者修改生产数据的权限,谁来决定哪些操作允许自动执行,哪些必须经过人工确认?
这些才是真正的 Agent Engineering 问题。
很多人特别喜欢讨论 Context Engineering,觉得这是一个比 Prompt Engineering 更先进的新概念。但它真正的价值,不是把 Prompt 写得越来越长,也不是给模型接入更多数据库和 Memory。
而是你能不能判断,在当前任务的当前步骤,模型真正需要什么信息。
该读取什么文件,调用什么工具,保留哪些历史决策,丢弃哪些无关日志,哪些信息已经过期,哪些工具结果不能被当成可信指令,以及怎样在有限的 Token 预算内完成任务。
不是模型知道得越多越好,而是能不能在正确的时间,让它获得正确的信息。
再往下一层,就是很多 AI 应用开发者最容易忽略的 Evaluation。
一个系统的效果到底有没有提升,不能靠开发者自己觉得“这次回答好像更聪明了”。
你需要建立有标准答案的评测集,分别测量检索质量、答案正确性、证据忠实度、工具调用成功率、任务完成率、延迟和成本。
修改了 Chunking、Rerank、Prompt 或模型之后,不能只测试几个成功案例,而是应该用相同的数据集进行回归验证,看看原来失败的问题有没有解决,原来正常的问题有没有被改坏。
更现实的是,有些技术看起来更先进,但放到具体业务里反而可能带来负收益。
一个固定 FAQ 系统,基础 RAG 就能稳定解决的问题,为什么非要引入复杂的多 Agent 工作流?一个明确的数字人视频处理流程,为什么不先用确定性的 Workflow 做好任务状态、重试和幂等,而要把每一个步骤都交给 LLM 自主判断?
增加技术复杂度,从来不应该成为工程能力的证明。
尤其在企业 AI 落地里,客户真正关心的是能不能解决问题、部署后是否稳定、业务数据是否安全、出了错误如何恢复,以及每个月需要付出多少维护和模型调用成本。
他并不关心你这个系统接了多少 MCP Server,也不关心你用了几个子 Agent。
所以我觉得,这份清单里最重要的不是那 20 个技术名词,而是最后一句话:
你能不能用自己实际做过的项目,解释每一项技术为什么存在、解决了什么问题,以及你为什么选择它?
因为真正做过项目的人,通常不仅能告诉你某项技术是怎么工作的,还能说清楚它什么时候不适用,系统在哪里失败过,自己做过什么取舍,以及最终用什么证据判断问题是否解决。
这背后其实是一套非常完整的工程思维:从需求分析、技术选型、系统设计,到实际开发、部署、评测、故障排查和持续迭代。
AI 让写代码、搭框架、调用 API 的门槛越来越低,但这不意味着工程能力正在变得不重要。恰恰相反,当越来越多人都能快速生成一套看起来差不多的系统时,真正决定差距的,就是谁能够理解这些系统背后的约束和失败方式。
会调用模型,不等于会开发 AI 系统。会搭 Agent,不等于能够交付 Agent。知道技术名词,更不等于真正理解技术。
未来优秀的 AI 应用工程师和 FDE,不一定是掌握最多框架的人,而是能够把一个模糊的业务需求转化为可以运行、可以验证、可以恢复、可以持续维护的完整系统的人。
真正的工程能力,不是告诉别人你会什么。
而是当系统出问题的时候,你知道为什么出问题,应该改哪里,以及怎样证明你真的把问题解决了。
Suraj Sharma (@suraj_sharma14): Topics to prepare for AI engineering interviews 👀
• RAG • Embeddings • Vector databases • Chunking strategies • Reranking • MCP • Function and tool calling • Context windows • Context engineering • AI agents • Agentic workflows • Memory systems • Structured outputs
相似文章
@king1818888: AI 工程面试深挖题 + 解决思路 一、AI 方向 1. 向量检索的底层逻辑是什么? - 文本用 Embedding 模型转成向量,语义相近的文本向量距离也近 - 相似度常用余弦相似度或点积 - 数据量大时用近似最近邻索引(HNSW、IV…
一篇 AI 工程面试深挖题整理,涵盖向量检索、上下文溢出、Agent 状态机、重试机制、Function Calling 死循环,以及并发、数据库索引、网络等基础工程问题的解决思路与面试准备建议。
@king1818888: 准备AI engineer面试的可以看一下
分享 LinkedIn 上 AI Engineer 岗位 JD 的共同要求——证明能把 AI 落地到生产环境,并推荐 15 个能为简历加分的实践项目,如基于 1000+ 真实文档的带出处 RAG 问答系统。
@miles_mazy: https://x.com/miles_mazy/status/2100515498840805759
本文阐述了AI工程化中的关键概念,强调提示词是上下文、工具集成、循环、评估和图形等工程的核心,解释了这些术语在AI Agent开发中的应用。
@UPing123zzz: 我发现很多程序员,包括我自己在内,其实特别容易陷入一种技术自嗨。 今天研究一个新的 Agent 框架,明天研究 RAG,后天又去折腾 Skill、MCP、各种自动化工作流。每天都在 GitHub 上看项目,都在研究最新的模型,感觉自己学到…
一位在企业做AI落地的程序员反思技术人容易陷入'技术自嗨',强调技术能力不等于产品与商业能力,真正的难点在于找到需求、交付价值并获得收入。
@Xudong07452910: 吴恩达这次把 AI Engineer 到底该学什么,拆得越来越细了。 最新这一篇专门讲「怎么构建和部署 AI 应用」,一共分成 6 块能力。 LLM 基础、数据 Grounding、Agentic Systems、Eval 驱动开发、生产…
吴恩达发布了最新的AI工程师技能地图,详细拆解了构建和部署AI应用的六项核心能力,强调了Eval循环在AI系统工程化中的重要性。