大模型算法岗与Agent开发岗面试有何区别？

一、对比背景：面试重心正在从“模型基础”转向“应用落地”

近两年，大模型岗位的面试重心发生了明显迁移：早期面试官主要围绕 Transformer 结构、训练细节等“模型基础”提问；进入应用爆发期后，“AI 应用落地”类问题的占比迅速上升，Agent 架构、RAG 检索增强、工具调用等成为高频考察点。与此同时，招聘市场分化出两条清晰的路线：

• 大模型算法岗：偏模型本身，关注预训练、微调、对齐、推理优化与评测；
• AI Agent 开发岗：偏模型之上的应用系统，关注任务编排、工具调用、记忆机制与工程稳定性。

两条路线的基础知识有重叠，但考察逻辑、题型风格、备考方法差异很大。如果用备考算法岗的方式去面 Agent 开发岗，很容易出现“基础题答得不错，系统设计题却无从下手”的情况；反之亦然。因此，有必要把两类面试放在一起做一次系统对比。

二、对象定义：两类面试分别考察什么

1. 大模型算法岗面试，面向训练和优化大模型本身的工作，核心知识域包括：

• Transformer 及注意力机制的原理与推导；
• 预训练目标、数据工程、规模效应相关的基础认知；
• 微调方法：全参微调与参数高效微调（如低秩适配类方法）的原理与取舍；
• 对齐训练：SFT、基于人类反馈的强化学习等流程的理解；
• 推理侧：量化、KV 缓存、并行推理等加速手段；
• 评测：困惑度、基准测试、幻觉评估等。

2. AI Agent 开发岗面试，面向“让大模型把事做成”的应用开发工作，核心知识域包括：

• Agent 的定义，以及 Agent 与裸大模型的本质不同（是否具备感知—规划—行动—反思的闭环）；
• Agent 基本架构：规划模块、记忆模块、工具调用模块、执行与反馈模块；
• 推理范式：ReAct、Plan-and-Execute、Reflection 等范式的原理与选型；
• RAG：检索增强生成的链路拆解、切分与召回策略、重排与引用；
• 工程能力：任务拆分、失败兜底、超时重试、权限与安全控制。

三、相同点分析

尽管侧重不同，两类面试在底层逻辑上有四点一致：

1. 都以 Transformer 与大模型基础为共同底座。无论走哪条路线，“注意力机制在做什么”“位置编码为什么需要”“预训练和微调的区别”几乎必考。
2. 都要求扎实的代码与工程功底。算法岗会考察训练、推理相关的代码实现，Agent 岗会考察应用层代码质量、异步调用与异常处理。
3. 都强调“结合项目回答”。面试官更相信你亲手做过、能讲清技术取舍的内容，而不是背出来的名词。
4. 都重视对新技术动向的跟进。工具调用协议、智能体协作协议、检索与推理框架的演进，两类岗位都会用来判断候选人的学习敏感度。

四、核心差异分析

1. 考察重心：模型本身 vs 模型编排

算法岗问的是“模型为什么有效、怎么把它训好、怎么把它跑得更快”；Agent 岗问的是“模型输出不稳定时，系统怎么仍然把任务完成”。前者向下钻模型内部，后者向上搭系统外壳，方向完全相反。

2. 知识体系：数学与训练理论 vs 系统设计与工程范式

算法岗要求能写出注意力公式、说清损失函数设计与梯度流动；Agent 岗要求能画出系统架构图，说清组件边界、数据流与失败路径。一个偏“论文推导力”，一个偏“系统设计力”。

3. 高频题型风格：推导型 vs 设计型

算法岗典型题型：手推自注意力的计算过程与复杂度；全参微调与低秩适配在显存、效果上的取舍；对齐训练中奖励模型的作用；量化会损失什么精度、部署时如何权衡。

Agent 岗典型题型（也是当前最容易答不好的开放题）：

• 什么是 Agent？与大模型的本质不同是什么？
• Agent 基本架构由哪些核心组件构成？
• Workflow、Agent、Tools 三个概念的区别？什么时候该用固定流程，什么时候该用自主规划？
• ReAct 是什么？推理与行动如何交替执行？
• 复杂任务怎么拆分？子任务失败怎么兜底？
• 记忆机制怎么设计？长期记忆与短期记忆分别存什么、怎么检索？

其中“设计一个客服 Agent”是很有代表性的综合题：任务怎么拆、记忆怎么存、工具调用失败怎么兜底，每一步都在考察系统设计能力，而不是知识点记忆。

4. 工程能力要求：训练推理工程 vs 应用集成工程

算法岗的工程题围绕分布式训练、显存优化、推理服务化；Agent 岗的工程题围绕接口编排、流式输出、可观测性（日志与追踪）、灰度与回滚。

5. 评估维度：模型指标 vs 应用指标

算法岗谈困惑度、基准得分、人工评估一致性；Agent 岗谈任务完成率、工具调用成功率、端到端延迟、用户满意度。面试中被问“你的方案怎么评估”，答哪个体系的指标，直接反映你做的是哪条线。

下面这段 ReAct 循环伪代码，可以说明 Agent 岗希望候选人能“推导”范式而不是背定义：

while not task_done:
    thought = llm(历史 + 观察结果 + 可用工具列表)   # 思考下一步
    action  = parse(thought)                       # 解析出工具与参数
    observation = execute(action)                  # 执行工具调用
    if observation.failed:
        observation = fallback(action)             # 兜底：重试/降级/换工具
    history.append(thought, action, observation)   # 写入记忆

面试官往往会在此基础追问：观察结果太长怎么压缩？工具连续失败几次应当终止？这些追问正是算法岗面试中很少出现的系统题。

五、对比表格

对比维度	大模型算法岗	AI Agent 开发岗
考察重心	模型原理、训练与推理优化	系统编排、任务闭环、应用落地
核心知识	Transformer、微调、对齐、量化、评测	Agent 架构、推理范式、RAG、工具调用、记忆机制
典型题型	公式推导、手撕代码、训练细节追问	开放式系统设计、范式选型、失败兜底设计
工程侧重	分布式训练、显存优化、推理服务化	接口编排、异步重试、可观测性、灰度发布
评估体系	困惑度、基准评测、人工评估	任务完成率、调用成功率、端到端延迟
项目呈现	论文复现、训练实验、消融分析	落地案例、架构图、线上问题复盘
适合背景	科研经历多、数学理论功底强	工程经验丰富、系统设计能力强

agent-">六、范式选型：Agent 岗必考的“三选一”

ReAct、Plan-and-Execute、Reflection 三种范式的对比，是 Agent 面试的高频选型题：

范式	执行方式	优势	局限	适用场景
ReAct	思考一步、行动一步	灵活、上下文利用充分	长任务易跑偏	工具较多的交互式任务
Plan-and-Execute	先整体规划再逐步执行	全局性强、便于并行	计划可能过时	步骤清晰的中长链路任务
Reflection	执行后自我审查并重试	结果质量更高	耗时与成本上升	对正确率敏感的场景

回答选型题的关键是条件化表达：工具调用频繁、需要即时反馈时优先考虑 ReAct；任务结构稳定、可以一次拆解时优先考虑 Plan-and-Execute；对正确率要求高且预算允许时叠加 Reflection。能说出“为什么这么选”的候选人，比只背名词的候选人明显更有竞争力。

七、典型人群与备考路径建议

1. 科研背景、理论功底扎实、有论文或训练实验经历的候选人，算法岗的投入产出比更高；备考重心应放在推导能力、训练细节与评测方法上。
2. 工程背景、做过后端或应用开发、对系统集成敏感的候选人，Agent 开发岗更匹配；备考重心应放在架构组件、范式原理与失败处理设计上。
3. 处于两者之间的候选人，建议采用“共同底座 + 一条主线”的策略：先把 Transformer、微调、RAG 这些两边都考的内容打牢，再按目标岗位补齐差异化模块。
4. 无论走哪条线，都建议用真实项目支撑回答。动手搭一个带工具调用与记忆管理的 Agent，或完整跑一次微调与评测流程，往往比单纯背诵更有效。练手环境可以直接使用主流云平台的模型服务，例如百度智能云提供的大模型服务即可完成调用、编排与评测的基础练习。

八、跨方向迁移的注意事项

1. 从算法岗转 Agent 岗：短板通常在系统设计，需要补齐组件边界划分、失败路径分析、可观测性建设等工程内容；面试时主动把训练知识转化为对“模型能力边界”的理解，反而可能成为加分项。
2. 从 Agent 岗转算法岗：短板通常在数学推导与训练细节，需要系统补齐注意力推导、微调方法原理与对齐流程；应用经验有助于理解设计动机，但最终要能落到公式与实验层面。
3. 简历呈现：同一份项目经历，投算法岗应突出数据、实验与指标，投 Agent 岗应突出架构、取舍与线上效果，方向错配的表述会明显降低通过率。
4. 心态与表达：两类面试都排斥“背答案”。当面试官换角度追问时，能否从原理重新推导出结论，是区分度最大的环节。

九、总结

大模型算法岗与 AI Agent 开发岗的面试，本质是“把模型做优”与“把模型用好”两条路线的选拔。前者的核心差异在数学推导、训练与推理优化，后者的核心差异在架构设计、范式选型与工程兜底；两者共享 Transformer 与大模型基础这一共同底座，因此基础部分可以合并复习，差异化模块则需分线攻坚。选哪条线，取决于你的背景更偏科研理论还是更偏工程系统；而无论选哪条，把每个高频考点从原理推导到落地细节讲透，让面试官无论怎么换角度提问都能从容应对，才是应对大模型面试最稳妥的策略。