三亩地 三亩地SAN MU DI · CODE DIARY
交流投稿
ARTICLE DETAIL

日记详情

真实记录编程学习的某一天，欢迎挑你感兴趣的翻一翻。

首页/学习日记/日记详情

从零构建AI Agent：基于LangGraph的多智能体系统实战与面试指南

发布时间：2026/8/9 9:23:48 三亩地 编程学习日记
从零构建AI Agent：基于LangGraph的多智能体系统实战与面试指南

1. 项目概述：一个双非硕士的AI Agent求职突围战

去年年底，我做出了一个在很多人看来有点“头铁”的决定：从一个传统行业的软件开发岗位，零基础转向当时火得一塌糊涂的AI Agent领域，目标直指头部大厂。背景是实打实的“双非”硕士，学校牌子不响，简历上也没有任何AI相关的项目或论文。整个过程，从下定决心到最终手握两个大厂offer，历时整整三个月，期间密集面试了六家公司，踩过的坑、流过的汗、熬过的夜，现在回想起来都还觉得心跳加速。这不是一篇成功学鸡汤，而是一份纯粹的技术转型实战复盘，我会把所有的学习路径、项目构建思路、面试核心考点以及那些“血泪教训”毫无保留地摊开来讲。如果你也正处在转型的十字路口，或者对AI Agent开发充满好奇但不知从何下手，希望我的这段经历能给你提供一张有点硌脚但绝对真实的地图。

AI Agent，或者说智能体，在2023年下半年随着大模型能力的爆发，迅速从学术概念变成了工程界的热词。它不再是单次问答的聊天机器人，而是一个能感知环境、规划步骤、使用工具、并持续学习的“智能执行单元”。市场对能落地、能解决实际问题的AI Agent开发者求贤若渴，但这并不意味着门槛低。相反，它要求开发者兼具对大模型原理的深刻理解、扎实的软件工程功底、以及出色的系统设计思维。我的经历证明，即使背景普通，通过一套高强度的、以实战和面试为导向的精准学习策略，是完全有可能撕开一道口子的。接下来，我将从学习路线规划、核心项目打造、面试真题破解以及心态与策略四个维度，完整还原这三个月我是如何“啃”下AI Agent，并最终在面试场上兑现价值的。

2. 学习路线与知识体系构建：从零到面试水平

转型的第一步也是最迷茫的一步：学什么？怎么学？网上的资料浩如烟海，从理论论文到各种框架教程，很容易让人陷入“知识松鼠病”——拼命收藏，从未开始。我采取的策略是“以终为始”，直接研究各大厂AI相关岗位的职位描述（JD），反向推导出知识体系，并将其拆解为可执行、可验证的阶段性目标。

2.1 核心四层知识结构

我将AI Agent开发者所需的知识分为四个层次，像搭积木一样逐层构建：

第一层：大模型基础与使用这是所有工作的基石。你不需要一开始就去读Transformer的原始论文，但必须理解其核心思想（自注意力机制、位置编码）以及如何与它交互。

  • 核心学习点：
    1. Prompt Engineering（提示词工程）：这是最直接的“编程”大模型的方式。必须熟练掌握Few-Shot、Chain-of-Thought（思维链）、ReAct（推理+行动）等核心范式。我通过OpenAI Cookbook和大量实践来巩固。
    2. 大模型API调用：熟练使用OpenAI GPT、Anthropic Claude或国内主流平台的API。重点理解temperature、max_tokens、stop sequences等参数对生成结果的影响，并学会处理流式响应。
    3. 本地模型部署与轻量化：为了项目演示和深入理解，我学习了使用Ollama在本地运行Llama 3、Qwen等开源模型。这不仅能节省API成本，在面试中谈到模型选型时，也能体现你的技术广度。

第二层：AI应用框架（LangChain/LangGraph）这是将大模型能力工程化、模块化的关键。我选择以LangChain和LangGraph作为核心学习框架，因为它们是业界事实标准，面试中出现概率极高。

  • LangChain核心：理解其“链”（Chain）的思想。重点掌握LLMChain、SequentialChain，以及Tools、Agents、Memory、Retrieval（RAG）这几个核心模块。我通过官方文档和搭建几个小项目（如一个带记忆的聊天机器人、一个基于文档的问答系统）来掌握。
  • LangGraph核心：这是进阶的关键，也是实现复杂多Agent系统的利器。必须彻底理解其基于图（Graph）的状态机模型。核心概念包括：
    • StateGraph：定义整个Agent系统的状态流转图。
    • Nodes：节点，代表一个执行单元（可以是一个简单的函数，也可以是一个复杂的子Agent）。
    • Edges：边，定义节点之间的流转条件（conditional edges）和流转路径。
    • State：共享的状态对象，在不同节点间传递和更新信息。 我花了大量时间研究官方示例，特别是Agent Supervisor（多Agent协作）和Hierarchical Agent（分层Agent）的案例，这直接构成了我核心项目的基础。

第三层：软件工程与系统设计AI Agent不是魔术，它是跑在服务器上的软件。这一层决定了你的项目能否从Demo变成可维护、可扩展的服务。

  • 后端开发：我选择了FastAPI，因为它异步性能好，与Python生态结合紧密，且能自动生成API文档，非常适合快速构建原型和面试演示。需要掌握路由、依赖注入、中间件等基础。
  • 异步编程：asyncio。这是必须掌握的，因为大模型API调用、数据库查询、工具调用都可能是I/O密集型操作，异步能极大提升系统吞吐量。
  • 数据持久化：为了给Agent添加“记忆”，我学习了向量数据库（如Chroma，轻量易用）的基本操作，包括文档加载、切分、向量化存储和相似性检索。
  • 设计模式：观察者模式、策略模式在Agent事件驱动和工具选择场景中非常常见，需要理解其思想。

第四层：特定领域知识与应用场景这是让你脱颖而出的部分。AI Agent必须解决具体问题。我结合个人兴趣，选择了“智能研发协作Agent”作为主攻方向。这要求我去了解软件研发流程（需求分析、任务拆解、代码生成、测试）、项目管理工具（如Jira、GitLab的API）、以及代码静态分析等知识。

2.2 我的三个月高强度学习日历

  • 第1-2周：全天候投入。白天看吴恩达的《ChatGPT Prompt Engineering for Developers》课程，晚上刷OpenAI API文档和LangChain Tutorial，每天写至少5个不同的Prompt实验脚本。
  • 第3-4周：重点攻克LangChain。按照Models->Prompts->Chains->Agents->Memory->Retrieval的顺序，每个模块都手敲代码实现一遍，并尝试组合。例如，做一个能联网搜索并总结的新闻阅读Agent。
  • 第5-6周：深入LangGraph。这是最烧脑但也最有成就感的两周。我反复画图理解StateGraph的工作流，把官方多Agent示例拆解、重组，甚至故意制造错误来理解状态回滚和异常处理。
  • 第7-8周：项目实战。开始构思和编码我的“智能研发协作Agent”项目。同时，开始系统性刷LeetCode上中等难度的算法题（重点在数组、字符串、动态规划），因为大厂面试必考。
  • 第9-10周：项目完善与面试准备。为项目添加前端界面（用Gradio快速搭建），编写详尽的设计文档和README。开始模拟面试，自问自答，并整理“宝洁八大问”式的行为面试答案。
  • 第11-12周：海投与面试冲刺。根据JD微调简历和项目介绍，开始接受真实面试洗礼，并根据面试反馈实时查漏补缺。

实操心得：资料在精不在多。我强制自己只以官方文档为主食，以2-3个高质量的实战视频/专栏为配菜，杜绝在信息流中漫无目的地漂流。遇到问题，先看文档，然后去GitHub Issues和对应框架的Discord社区搜索，效率远高于到处提问。

3. 核心项目深度解析：智能研发协作Agent

项目是能力的唯一凭证，尤其是对于转行者。我的核心项目是一个基于LangGraph的多Agent协作系统，模拟一个简化版的软件研发团队。它不是一个玩具，而是一个体现了架构设计、问题拆解和工程实现能力的综合载体。

3.1 项目架构与设计思路

项目的核心目标是：接收一个自然语言描述的产品需求（如“开发一个个人博客系统”），系统能自动协调多个专职Agent，输出结构化的需求文档、技术方案、核心模块代码甚至简单的测试用例。

我为什么选择这个方向？

  1. 场景真实：软件研发是AI落地的高潜力场景，容易引起面试官共鸣。
  2. 复杂度适中：既能体现多Agent协作（LangGraph的强项），又不会过于庞大而无法在面试中讲清楚。
  3. 可展示性强：从输入到输出的链条长，能充分展示Agent的规划、协作和工具使用能力。

系统架构图（文字描述）：

用户输入 | [入口 Agent] (基于LangGraph的Supervisor) |—— 解析需求，拆分子任务 | |—— [需求分析师 Agent] ——| 使用工具：需求模板库 | | 输出：结构化需求文档 | |—— [系统架构师 Agent] ——| 使用工具：技术栈知识库 | | 输出：系统架构图（Mermaid代码）、技术选型说明 | |—— [后端开发 Agent] ——| 使用工具：代码生成（调用大模型）、代码规范检查 | | 输出：核心API接口代码 | |—— [测试工程师 Agent] ——| 使用工具：测试用例生成模板 | 输出：单元测试用例 | [入口 Agent] 收集各Agent输出，整合成最终报告

3.2 关键实现细节与代码要点

1. 状态（State）设计这是LangGraph的核心。我定义了一个共享的AgentState类，使用TypedDict来确保类型安全。

from typing import TypedDict, List, Annotated import operator class AgentState(TypedDict): # 原始输入和最终输出 original_requirement: str final_report: str # 任务拆解与分配 sub_tasks: List[str] # 分解后的子任务列表 current_task: str # 当前正在处理的任务 assigned_agent: str # 当前任务分配给哪个Agent # 各Agent的中间产出 requirement_doc: str architecture_doc: str backend_code: str test_cases: str # 控制流 is_complete: bool error_message: str

2. 构建Agent节点（Node）每个专职Agent都是一个节点。我以需求分析师Agent为例：

from langchain_openai import ChatOpenAI from langchain.tools import tool from langgraph.prebuilt import ToolExecutor from langgraph.graph import StateGraph, END # 1. 定义Agent专属工具 @tool def query_requirement_template(keyword: str) -> str: """根据关键词查询需求文档模板库。""" # 这里可以连接向量数据库或本地文件 templates = { "blog": "功能模块：文章管理、用户评论、标签分类...", "dashboard": "功能模块：数据可视化、报表导出、权限管理..." } return templates.get(keyword, "未找到对应模板，请人工编写。") # 2. 创建LLM和工具执行器 llm = ChatOpenAI(model="gpt-4", temperature=0.1) tools = [query_requirement_template] tool_executor = ToolExecutor(tools) # 3. 定义节点函数 def requirement_analyst_node(state: AgentState) -> AgentState: """需求分析师节点：分析任务并生成需求文档。""" # 从状态中获取当前任务 task = state["current_task"] # 构造Prompt，让LLM分析任务并使用工具 sys_prompt = """你是一名资深产品需求分析师。请根据任务描述，结合工具查询到的模板，撰写一份详细的结构化需求文档。 包括：项目概述、用户角色、功能清单、非功能需求等。""" human_prompt = f"任务：{task}" # 这里简化处理，实际应使用LangChain的AgentExecutor或自定义ReAct循环 # 为演示，我们直接调用LLM并模拟工具使用 messages = [ ("system", sys_prompt), ("human", human_prompt) ] # 模拟工具调用：提取任务中的关键词（如“博客”） if "博客" in task: template_info = query_requirement_template.invoke("blog") else: template_info = "通用模板" # 将模板信息加入对话 messages.append(("system", f"参考模板：{template_info}")) response = llm.invoke(messages) # 更新状态 return {"requirement_doc": response.content}

3. 构建图与编排流程这是最体现设计能力的部分。我使用StateGraph来编排整个工作流。

from langgraph.graph import StateGraph, START # 初始化图 workflow = StateGraph(AgentState) # 添加节点 workflow.add_node("supervisor", supervisor_node) # 入口和监督节点 workflow.add_node("requirement_analyst", requirement_analyst_node) workflow.add_node("system_architect", architect_node) workflow.add_node("backend_developer", backend_dev_node) workflow.add_node("tester", tester_node) workflow.add_node("report_generator", report_generator_node) # 设置入口 workflow.set_entry_point("supervisor") # 添加边（定义流转逻辑） # 从supervisor根据任务类型指向不同Agent workflow.add_conditional_edges( "supervisor", # 这是一个路由函数，根据state内容决定下一个节点 lambda state: state["assigned_agent"], { "requirement_analyst": "requirement_analyst", "system_architect": "system_architect", "backend_developer": "backend_developer", "tester": "tester", "final": "report_generator" } ) # 设置各专业Agent执行后的流向（通常回到supervisor进行下一轮分配） workflow.add_edge("requirement_analyst", "supervisor") workflow.add_edge("system_architect", "supervisor") workflow.add_edge("backend_developer", "supervisor") workflow.add_edge("tester", "supervisor") workflow.add_edge("report_generator", END) # 编译图 app = workflow.compile()

4. 运行与可视化

# 输入初始状态 initial_state = AgentState( original_requirement="开发一个支持Markdown写作和分类管理的个人博客系统", sub_tasks=[], current_task="", # ... 其他字段初始化 ) # 运行图 final_state = app.invoke(initial_state, config={"recursion_limit": 50}) print(final_state["final_report"]) # LangGraph 支持将流程图导出为图片，这在面试演示时是杀手锏！ from langgraph.graph import get_graph graph = get_graph(app) graph.draw_mermaid_png().save("my_agent_workflow.png")

3.3 项目亮点与面试包装

在面试中介绍这个项目时，我重点突出了以下几个经过精心准备的亮点，这些点直接回应了面试官的潜在关切：

  1. 不是单点Demo，而是系统工程：我强调这是一个“微型的、自动化的研发流程”，体现了用AI Agent串联复杂业务流程的系统思维，而不仅仅是调用一次API。
  2. 对LangGraph的深度使用：我会主动画出工作流图，解释State如何在不同Node间流转，conditional edges如何实现动态路由。这证明我理解了多Agent协作的核心——状态管理和控制流。
  3. 考虑了现实世界的复杂性：
    • 错误处理：我设计了当某个Agent输出质量不佳（如代码编译失败）时，向supervisor节点报告错误，并尝试重新分配或人工干预的逻辑。
    • 工具增强：我展示了Agent如何调用外部工具（如查询模板库、调用代码静态分析工具），强调Agent的“行动”能力。
    • 可观测性：我简单实现了日志记录，能追踪每个Agent的输入输出，便于调试和优化。
  4. 清晰的架构演进思考：当被问到“如果流量增大/Agent增多怎么办”时，我能够提出将每个Agent节点部署为独立的微服务，通过消息队列（如RabbitMQ）进行通信，用Redis共享状态，从而体现可扩展性设计思维。

血泪教训一：项目深度大于广度。早期我做了好几个简单的小项目，但发现面试官问两句就到底了。后来我集中所有精力打磨这一个项目，把每一个环节都挖深、想透，甚至自己充当“刁难的用户”提出各种边界情况。一个深度足够的项目，足以支撑起30分钟的技术讨论。

4. 大厂面试真题破解与备战策略

三个月里，我面了六家一线大厂及独角兽，几乎每一场都涉及AI Agent和系统设计。下面我复盘一些高频且具有代表性的真题，并分享我的解题思路。

4.1 技术深度考察题

题目1：“请详细解释一下LangChain和LangGraph的区别与联系，你分别在什么场景下会选择使用它们？”

  • 我的回答思路：
    • 定位区别：LangChain是一个组件化工具箱，它提供了与LLM交互所需的各种标准化模块（Models, Prompts, Chains, Agents, Memory等）。它的核心是“链”，将多个步骤线性组合。而LangGraph是一个编排框架，它建立在LangChain之上，核心是“图”，用于描述具有复杂循环、分支和状态依赖的多步骤工作流。
    • 类比解释：LangChain像是乐高积木，每一块都有特定功能（窗户、轮子）。LangGraph则是搭建复杂动态模型（如一辆可转向、开门的汽车）的搭建说明书和连接器，它定义了这些积木如何互动、在什么条件下互动。
    • 场景选择：
      • 用LangChain：当你需要快速构建一个相对线性的应用，例如一个简单的文档问答（RAG流程：加载->分割->向量化->检索->生成），或者一个使用固定工具的单一Agent。
      • 用LangGraph：当你需要构建多Agent协作系统（如客服场景中的路由、专精、质检Agent协作）、具有复杂状态和循环的工作流（如一个需要反复与用户确认信息的订票系统）、或需要精确控制执行流程和错误处理的复杂应用。

题目2：“在你项目中，多个Agent之间如何共享状态和通信？如果某个Agent执行失败了，整个系统如何保证一致性和进行恢复？”

  • 我的回答思路：
    • 共享状态：核心依靠LangGraph的State对象。这是一个在图中所有节点之间传递和更新的共享字典。我定义了AgentState这个TypedDict，确保每个节点都知道能从状态中读取什么、需要写入什么。
    • 通信：在LangGraph模型中，Agent间不直接“调用”，而是通过修改共享状态和图的边（Edges）来间接通信。例如，Supervisor节点根据state[‘current_task’]的值，通过conditional edge决定下一个执行哪个专业Agent节点。
    • 容错与恢复：
      1. 节点内异常捕获：在每个Agent节点函数内部，使用try...except包裹核心逻辑。发生异常时，不是直接抛出，而是将错误信息写入state[‘error_message’]，并将state[‘assigned_agent’]设置为一个特殊的“error_handler”节点。
      2. 设计容错节点：我专门设计了一个error_handler节点。它接收错误状态，可以根据错误类型决定重试、降级（换一个简单工具）、或上报人工。处理完后，它可以将状态重新指向supervisor，继续流程或优雅终止。
      3. 状态可追溯：由于所有中间结果都保存在State中，整个工作流的状态是可追溯的。在失败时，可以方便地定位到出错的环节和当时的上下文。

4.2 系统设计题

题目3：“如果让你设计一个支持高并发的AI Agent服务平台（类似Dify或Coze），你会考虑哪些方面？”

这是一个典型的开放系统设计题，考察知识广度和技术架构思维。我采用分层阐述的方式：

  • 第一层：接入与路由层
    • API网关：处理认证、限流、负载均衡。使用Kong或自研网关。
    • 请求路由：根据用户请求的Agent类型，路由到不同的后端处理集群。
  • 第二层：Agent执行引擎层（核心）
    • 无状态执行器：每个Agent的执行节点（Worker）设计为无状态的，方便水平扩展。它们从任务队列中拉取任务。
    • 任务队列：使用RabbitMQ或Kafka，将用户的Agent执行请求转化为任务消息，实现异步和解耦。
    • 状态管理：这是难点。Agent工作流的状态（如LangGraph的State）需要持久化。我会采用Redis（缓存热状态）+ 数据库（如PostgreSQL，持久化冷状态）的组合。为每个工作流实例生成唯一ID，状态变更时同步更新。
    • 工作流编排器：一个核心服务，负责解释Agent的工作流定义（如LangGraph的图结构），推动状态机流转，并向任务队列分发下一个待执行的节点任务。
  • 第三层：大模型与工具层
    • 模型池：抽象一层模型服务，对接OpenAI、Anthropic、国内厂商及自研模型，实现故障转移和负载均衡。
    • 工具集市：以微服务或Serverless函数的方式管理各种工具（搜索、数据库查询、API调用），供Agent动态调用。
  • 第四层：数据与运维层
    • 向量数据库：为需要RAG的Agent提供知识库支持。
    • 可观测性：全链路日志（ELK）、指标监控（Prometheus/Grafana）和分布式追踪（Jaeger），至关重要。
    • 版本管理与回滚：Agent的工作流定义、Prompt模板都需要版本化管理。

4.3 行为面试与项目深挖

题目4：“你在这个项目中遇到的最大技术挑战是什么？如何解决的？”

这是必问题。我准备了一个“STAR”法则的答案：

  • S（情境）：在实现多Agent协作时，最初我用的是LangChain的AgentExecutor串联多个Agent，但发现控制流非常僵化，无法处理一个Agent执行完需要根据结果动态决定下一个Agent的情况，错误处理也很麻烦。
  • T（任务）：我需要找到一个能清晰描述复杂、带状态、有分支的工作流，并且能优雅处理异常的方法。
  • A（行动）：我花了大量时间研究LangGraph。首先通过官方文档和论文理解了其基于图的状态机理念。然后，我从头开始画流程图，将我的研发协作流程用节点和边表示出来。在编码时，最大的难点是设计合理的State结构，我迭代了三个版本，从简单字典到TypedDict，最后加入了版本号字段以便于状态迁移。对于错误处理，我参考了分布式系统的模式，引入了“错误处理”专用节点和状态中的错误通道。
  • R（结果）：最终系统的工作流变得非常清晰和灵活，新增一个Agent角色（如“前端开发Agent”）只需要在图中添加一个节点并配置好边即可。错误也能被捕获并引导至处理流程，系统的健壮性大大增强。这个探索过程也让我对复杂系统编排有了更深的理解。

血泪教训二：刷题不能停，但策略要对。AI岗位同样考算法。我的策略是：剑指Offer + LeetCode Hot 100，重点掌握数组、字符串、哈希表、双指针、二叉树和动态规划。每天保持2-3道的手感。在面试中，遇到算法题，一定要先厘清题意、沟通思路，再动手写，写完后主动分析时间空间复杂度。即使没完全做对，清晰的沟通也能挽回很多分数。

5. 心态、策略与避坑指南

技术之外，心态和策略往往决定了天花板。这三个月，我几乎在焦虑和兴奋的过山车上度过，以下几点是我认为至关重要的“软技能”。

5.1 简历打磨：从石沉大海到邀约不断

最初的简历石沉大海，我做了以下关键改动：

  • 量化项目成果：将“搭建了一个AI Agent”改为“设计并实现了一个基于LangGraph的5-Agent协作系统，将模拟需求到技术方案的产出时间从小时级缩短至分钟级”。
  • 突出技术关键词：确保“LangGraph”、“多Agent协作”、“状态管理”、“向量数据库”、“FastAPI”、“异步编程”等关键词出现在项目描述和技能栏，方便HR和初筛系统识别。
  • 针对JD定制：海投不如精投。每投一家公司，我都会根据其JD微调简历。如果JD强调“RAG”，我就把项目中知识库检索的部分提前并详细描述；如果强调“工程化”，我就突出项目的错误处理、日志和可扩展设计。
  • 准备一份出色的README：GitHub项目链接必须配上一份结构清晰、图文并茂的README。包含：项目动机、架构图、快速开始指南、核心特性详解、以及一个清晰的“如何运行”章节。这可能是面试官对你代码能力的第一印象。

5.2 面试心态：把每次面试当成一次学习

  • 坦然面对“不会”：面试官问到你知识盲区太正常了。我的标准回答是：“这个问题我之前没有深入研究过，但根据我的理解，它可能和XX技术有关，我认为可以从XX角度去思考解决方案，不知道这个方向对不对？” 这展示了你的学习能力和思维过程，远比一句“我不知道”要好。
  • 引导对话到你的优势区：当被问到一个宽泛问题时，在回答完核心部分后，可以尝试引导：“关于这部分，我在我的XX项目中，是用XX方式具体实现的，遇到了XX问题，最后通过XX方法解决了。” 这能将问题锚定在你熟悉的领域。
  • 反问环节的价值：准备有深度的问题。不要问“加班多吗？”，而是问“团队目前对AI Agent的落地场景是如何规划的？”、“在工程化过程中遇到的最大挑战是什么？”。这体现出你对工作的思考和热情。

5.3 那些我踩过的“坑”与补救措施

  1. 坑：过早陷入框架细节。一开始我就想搞懂LangChain的每一行源码，结果进度缓慢，信心受挫。
    • 补救：调整策略，以用促学。先跟着官方Tutorial跑通最基本流程，做出一个能动的Demo获得正反馈，再带着实际问题（比如“如何自定义Tool？”）去深入看源码和文档，效率倍增。
  2. 坑：忽视基础计算机知识。有一场面试，面试官在我讲完花哨的Agent项目后，突然问了一个很基础的“TCP和UDP的区别”，我答得磕磕绊绊。
    • 补救：立即制定计划，在面试间隙复习计算机网络、操作系统、数据库的核心概念。大厂仍然看重这些基础，它们是你能走多远的基石。
  3. 坑：项目“假大空”。第一个版本的项目想做一个“万能办公助手”，结果什么都想做，什么都做不深。
    • 补救：果断砍掉90%的功能，聚焦到“研发协作”这一个具体场景，并把每一个环节做扎实。一个深刻的“点”远比一个肤浅的“面”有说服力。
  4. 坑：薪资谈判准备不足。拿到第一个口头Offer时，对方问期望薪资，我因为害怕失去机会而报了一个偏低的数字。
    • 补救：立刻去查行业薪资报告（如脉脉、看准网）、咨询前辈，了解该岗位在该城市的薪资范围。在后续面试中，当被问及时，我会说：“我目前也拿到了其他公司的Offer，他们的薪资范围在XX-XX。我相信贵司会根据我的能力和市场情况给出一个合理的报价，我的期望是落在市场的中上游水平。” 这既表达了诚意，也设立了锚点。

三个月，从焦虑迷茫到手握选择权，这段经历让我深刻体会到，在技术快速变革的时代，学习能力、系统思维和执行力比一纸文凭更重要。AI Agent领域方兴未艾，机会窗口依然存在，但只留给那些能快速学习、深度思考并果断行动的人。我的路径未必可复制，但背后的方法——目标导向的学习、深度打磨的项目、积极的面试策略——或许能为你点亮一盏灯。最后，无论结果如何，这段全力冲刺的过程本身，就是对个人能力的一次极致锻造。

编程学习 学习日记 实战经验
← 返回列表