这份8月开始记录、延续到秋招阶段的面经，用表格保存不同公司的面试日期、追问和个人复盘。它是一个求职者的经历，不是10月新发布的招聘标准，也不能据此推断某家公司所有岗位的要求。
几类追问很有启发：有的围绕 GRPO 等训练方法，有的细查 Agent 记忆与检索，还有面试官要求解释实验比较是否公平，包括模型规模、数据、方法和超参数。作者对自己的复盘也并不总是“知识点没背够”：他记下了准备方向与岗位不匹配、对实习工作的理解被追问得不够深入，以及对工具实际痛点思考不足。
记录中还有一个容易被整理清单抹掉的细节：某次记忆相关问题答得不好，仍然通过了面试。因此，单个问题与结果不能简单对应。对准备求职的读者，更有用的是看自己能否解释亲手做过的选择、比较条件和失败原因。本期完整读取面试表及相邻复盘，后续知识笔记仅作目录浏览，不把其所有技术答案视为已经核验。
可信度 65 · 重要性 71 · 新颖度 58
技术与主题
Agent 系统 · AI 编程 · 评测与基准 · Agent Memory · Retrieval · Experiment Design
Only(AR)
作者在面试表中的当时复盘；不是对整个行业的调查。
忠实转述（非原句）：他记录过准备重心与岗位方向不匹配，也记录过对实习内容的连续追问暴露理解不足。另一场在记忆问题上准备不充分却通过，让这份材料保留了真实过程中的不确定性，而不是把结果都归因于一张知识清单。
编辑评读
这份记录可以转化为一种准备方法：从一个真实项目反向整理证据，而不是把每个术语都当成孤立考点。例如解释检索方案时，先交代什么信息原来找不到、为何选择这个方法，再说明如何与原方案比较，以及剩下什么失败。这样，即使面试官换了问题表述，仍能回到实际工作和判断依据。
公平比较的追问尤其值得留下。若新方法同时换了更大的模型、更多数据或不同调参预算，就不能只把提升归给方法本身；说清这些变化也能暴露自己还没理解的部分。作者的记录没有证明这种准备方式提高录取率，面试结果还受岗位、表达和招聘条件影响。这里建议的是让经验更可解释，并将答不清的地方变成补读或补做的小任务；本刊未代做实验，也不据个人经历承诺求职效果。
需要留意
- 只核对个人面试记录与复盘；未核验全部技术笔记，不推断行业录取规律。