面试 AI Agent 岗位之前，我补做了这 12 个
从 Java 后端转做 AI Agent，我把准备过程拆成了 12 周，每周落实一个可以独立运行的练习。

这样安排的起因，是一段时间试错之后发现的：读完一份教程或一门课，概念能说清，但被追问实现细节时往往答不上来。

问题出在缺少动手环节——只有自己写过一遍，才会知道边界条件、异常处理、上下文长度这些地方具体会在哪一步出问题。

12 周的练习内容如下：
W01 LLM 基础｜API 调用、结构化输出
W02 Agent Loop｜手写工具调用循环
W03 RAG 基础｜解析、切块、向量检索
W04 RAG 进阶｜重排、混合检索
W05 LangGraph｜状态、条件边、中断
W06 研究型 Agent｜规划、搜索、总结
W07 MCP｜编写一个 MCP Server
W08 服务化｜用 FastAPI 包成接口
W09 Memory｜短期、长期、工作记忆
W10 Evaluation｜指标与 LLM 评审
W11 Agent 安全｜注入实测、权限分级
W12 企业级整合｜全链路串成一个应用

其中第 2 周特意没有引入框架，从零手写一遍 Agent Loop。这一周工作量最大，收益也最直接：模型如何决定调用工具、工具返回结果如何回填消息队列、循环在什么条件下终止，都会在写的过程中具体暴露出来。后来面试被问到「为什么需要 max_steps」「工具调用失败如何恢复」「多轮对话的上下文如何避免互相干扰」，回答的依据都来自这一次实现（代码见第 3 张图）。

另外补充几点当时踩过的坑：
第 2 周不必急着上框架。先手写一遍循环，第 5 周再用 LangGraph，更容易理解框架替你解决了什么。
RAG 召回效果不理想，通常是切块策略和重排环节的问题，换模型往往解决不了。

只做到「能聊天」还不算 Agent。能调用工具、能连接真实系统、效果可以被度量，才算走完一遍完整流程。练习不必做大，能完整跑通就可以。
agent 面试 大模型