1. 项目概述一次高强度实习面试的深度复盘前几天面了一家公司的AI应用开发实习岗流程走完面试官问“你还有什么问题吗”我没忍住半开玩笑地反问了一句“就面个实习至于上这么大强度吗” 面试官笑了笑回了我一句“你对RAG、Agent、MCP、Skill这些概念理解得很到位所以我们要求自然就高一点。” 这句话让我琢磨了很久也让我意识到现在的AI应用开发岗位尤其是前沿的实习岗考察的深度和广度早已超出了“会用API”的范畴。他们不是在招一个调包侠而是在找一个能理解技术脉络、能设计系统、能解决实际问题的准工程师。这次面试几乎涵盖了当前AI工程化落地的几个核心范式RAG检索增强生成、Agent智能体、MCP模型上下文协议以及Skill技能。面试官没有停留在概念提问上而是层层递进从原理到架构从选型到踩坑问得非常细。回来之后我花了点时间把面试中涉及的关键技术点、讨论到的实战场景以及我自己的一些理解和后续的思考系统地整理出来。这篇文章既是对这次高强度面试的复盘也是给想进入这个领域的朋友们一份“避坑指南”和“能力地图”。你会发现搞懂这四个词你就能摸到当前AI应用开发的命脉。2. 核心概念拆解为什么是这四个关键词面试官把RAG、Agent、MCP、Skill并列提出绝非偶然。这四者恰好构成了一个从数据到智能从单点能力到系统协同的完整技术栈。理解它们各自的位置和关联是构建复杂AI应用的基础。2.1 RAG给大模型装上“外部记忆”RAG检索增强生成现在几乎是解决大模型“幻觉”和知识滞后问题的标准答案。但面试官问的可不是“RAG是什么”而是直接跳到了深水区。2.1.1 超越简单的向量检索最初的RAG流程很简单用户问题 - 向量化 - 向量数据库检索相似片段 - 连同片段和问题一起扔给LLM生成答案。但面试官指出在生产环境中这种“朴素RAG”问题很多。比如检索到的片段可能相关但不精确或者多个片段之间存在矛盾。这就引出了RAG的重排序Re-ranking和查询转换Query Transformation等进阶技术。重排序是指在向量检索出Top K个候选片段后再用一个更精细的通常是交叉编码器模型对这些片段进行相关性打分重新排序把最相关的放在前面。这能显著提升最终答案的质量。而查询转换则包括查询扩展用LLM生成与原问题相关的其他问题一并检索和查询改写将复杂的用户问题分解成多个子问题。面试官让我现场设计一个针对“比较Python中FastAPI和Flask在异步支持上的差异”这个问题的查询转换策略这很考验对问题本质的理解。2.1.2 数据管道的质量决定上限另一个讨论重点是数据预处理管道。很多团队只关注检索和生成却忽略了喂给模型的数据本身是否干净、结构化是否良好。对于技术文档可能需要剥离无关的导航栏、广告、版本号对于长文本需要设计合理的分块Chunking策略既要保证语义完整性又要避免上下文窗口的浪费。面试官分享了一个坑他们曾直接用按固定字符数分块结果把一个函数定义从中间切断导致检索到的片段完全无法理解生成的代码自然错误百出。后来改用基于语义如句子边界、段落或递归式的分块效果才好起来。注意分块大小没有银弹。技术文档可能适合较小的块256-512字符而连贯的论述文章可能需要更大的块1024字符以上。关键是要通过评估比如检索精度、答案质量来确定最适合你数据集的策略。2.2 Agent从“工具调用者”到“自主决策者”如果说RAG解决了“知识从哪来”的问题那么Agent要解决的就是“如何用知识去行动”。面试官强调现在业界对Agent的期待早已超越了简单的“Function Calling”函数调用。2.2.1 Agent的核心循环与规划能力一个典型的Agent框架如LangChain的Agent、AutoGPT的架构包含几个核心部分规划Planning、工具调用Tool Use、记忆Memory。规划是大脑决定下一步做什么工具是手脚执行具体操作记忆是经验记录历史交互。面试官问了一个经典场景“请设计一个Agent帮助用户分析其GitHub仓库的代码质量并给出改进建议。” 这要求Agent能自主规划一系列步骤1. 获取仓库列表2. 克隆目标仓库3. 静态代码分析调用SonarQube或类似工具4. 检查依赖安全性调用Trivy或Snyk5. 汇总分析报告。这里的关键是Agent需要能根据上一步的结果动态决定下一步比如如果静态分析发现复杂度极高可能需要额外建议进行重构。2.2.2 工具生态与安全性Agent的强大依赖于其可用的工具集。除了常见的搜索、计算、API调用现在还有连接数据库、操作浏览器通过Playwright、甚至控制IDE通过MCP下文会讲的工具。面试官特别提到了Agent安全性一个拥有强大工具集的Agent如果指令被恶意注入Prompt Injection可能会执行危险操作比如删除文件、发送恶意邮件。因此在设计Agent时必须对工具进行权限分级并对用户指令和Agent的决策过程进行严格的审查和沙箱隔离。2.3 MCP连接大模型与万物工具的“统一插座”MCP全称Model Context Protocol是Anthropic提出的一种协议。它是我在面试前研究得相对较少但面试中讨论让我豁然开朗的部分。你可以把它理解为LLM世界的“USB-C接口”或“驱动协议”。2.3.1 MCP解决了什么痛点在没有MCP之前每个AI应用、每个框架如LangChain、LlamaIndex都要为每一种工具如数据库、代码库、JIRA编写各自的适配器或插件。这导致了生态碎片化和重复劳动。MCP定义了一套标准协议让任何工具只要实现一个MCP服务器Server就能被任何支持MCP协议的客户端Client通常是AI应用或Agent框架所使用。面试官举了个例子公司内部有一个老旧的项目管理系统API很怪异。以前要让它能被AI助手调用需要专门为LangChain写一个Tool为Cursor编辑器写一个插件为内部平台再写一个适配器。有了MCP只需要开发一个MCP Server将这个系统的功能如“创建任务”、“查询项目进度”通过标准接口暴露出来。之后任何支持MCP的AI客户端如Claude Desktop、Cursor、甚至是你们自己开发的Agent都能直接发现并使用这个系统的功能无需额外开发。2.3.2 MCP Server实战连接SQLite数据库面试官让我简述如何为一个SQLite数据库创建一个MCP Server。核心步骤是定义工具Tools明确要暴露哪些操作比如execute_sql_query执行查询、list_tables列出表。实现Server使用MCP SDK如TypeScript/ Python的modelcontextprotocol/sdk创建一个服务器。为每个工具定义处理函数在函数内使用SQLite驱动执行实际操作。处理资源ResourcesMCP还支持“资源”可以理解为只读的数据源。比如你可以将某个复杂的查询视图定义为一个资源客户端可以直接读取其内容而无需理解SQL。配置与连接将编写好的Server配置到客户端。例如在Cursor编辑器中在设置里添加该Server的启动命令如python sqlite_mcp_server.py --db-path /path/to/db。这个过程将工具能力“服务化”实现了AI能力与后端基础设施的解耦是构建企业级AI应用架构的关键一步。2.4 Skill可组合、可分发的“原子能力”Skill这个概念在不同语境下含义不同。在AI Agent领域它通常指一个封装好的、可独立完成特定任务的AI能力单元。它比“工具Tool”更上层通常包含预设的Prompt、对工具的调用逻辑、甚至简单的规划能力。2.4.1 Skill与Tool的细微差别面试官让我辨析Skill和Tool。我的理解是Tool是基础APISkill是使用这些API完成一个具体任务的“脚本”或“工作流”。例如“调用Google Search API”是一个Tool而“进行竞品分析”就是一个Skill它内部可能会依次调用搜索Tool、总结Tool、图表生成Tool。一些AI平台如微软的Copilot Studio、阿里的通义灵码提供了Skill市场或Skill开发功能。开发者可以将一个复杂的任务流程打包成一个Skill供其他用户一键调用。这极大地降低了AI应用的使用和开发门槛。2.4.2 Skill的编码与发现面试中提到“skill编码196”这可能指的是某些平台内部对Skill的唯一标识符。在架构设计上一个完善的Skill系统需要解决Skill的描述、发现、加载和执行问题。通常一个Skill会有一个描述文件如skill.yaml定义其名称、功能、输入输出参数、所需工具等。AI Agent或平台在启动时会扫描Skill目录或远程仓库加载这些描述从而让用户或Agent在需要时能够调用合适的Skill。3. 技术架构融合构建一个AI辅助编程助手纸上谈兵终觉浅。面试官最后抛出了一个综合设计题“如何设计一个服务于开发者的AI编程助手它需要具备代码理解、智能检索、自动执行命令的能力” 这需要将RAG、Agent、MCP、Skill融合起来。3.1 系统架构设计我提出的架构分为四层数据与知识层RAG核心知识库包含公司内部代码规范、技术栈文档、常用库的API文档、过往优秀代码片段。这部分使用RAG技术构建。检索系统采用“混合检索”策略。首先用向量检索基于代码或文档的嵌入找到相关片段再用轻量级模型进行重排序确保返回最相关的知识。能力接入层MCP核心开发多个MCP Server作为助手与外界交互的“手”和“眼”。代码库MCP Server提供读取文件、搜索代码、获取git历史等功能。命令行MCP Server在安全沙箱内执行git,npm,docker等命令。项目管理MCP Server连接JIRA、Confluence获取任务上下文。网络搜索MCP Server集成Tavily或Brave Search获取最新技术资讯。智能中枢层Agent核心一个主Agent负责理解用户意图如“为这个函数添加错误处理”、制定计划检索知识、调用工具。主Agent可以调度多个子Agent或Skill处理特定子任务。例如一个“代码审查Skill”专门分析代码风格和潜在Bug。交互与Skill层Skill市场预置和用户自定义的Skill如“自动生成单元测试”、“依赖漏洞扫描”、“代码性能分析”。交互接口可以是IDE插件如VS Code、Cursor、聊天界面或CLI。3.2 工作流程示例实现一个“代码重构建议”功能当用户提出“帮我重构这个Python函数提高其可读性”时系统内部流程如下意图解析与规划主Agent分析请求规划步骤a) 理解当前函数b) 检索重构最佳实践c) 分析代码问题d) 生成重构建议和代码。知识检索RAGAgent通过“代码库MCP Server”获取目标函数及其上下文。同时向RAG知识库发起查询检索“Python重构技巧”、“PEP 8规范”等相关文档。调用分析SkillAgent调用“代码分析Skill”。该Skill内部可能使用ast模块解析代码结构计算圈复杂度并与检索到的规范进行比对生成问题列表如“函数过长”、“变量名不清晰”。生成与执行Agent综合代码上下文、检索到的知识、分析结果生成重构后的代码片段和修改说明。如果用户同意可以通过“命令行MCP Server”执行创建新分支、替换文件等git操作。记忆与学习此次交互的完整上下文问题、代码、解决方案被存入Agent的长期记忆可用于优化未来的回答或作为RAG知识库的补充材料。这个设计体现了四种技术的协同RAG提供知识支撑MCP提供安全可控的工具接入Agent负责规划和决策Skill将复杂流程模块化。4. 实战避坑与经验心得面试中和面试后我总结了一些在学习和实践这些技术时容易踩的坑这也是面试官觉得“理解到位”可能需要具备的实战意识。4.1 RAG实践中的“魔鬼细节”嵌入模型的选择不是小事不要无脑用text-embedding-ada-002。对于代码检索专门针对代码训练的嵌入模型如bge-code效果远好于通用模型。同样对于中文场景中文优化的嵌入模型是必须的。选择前用你的业务数据做一个小规模的检索精度评估。重排序模型的成本与收益重排序模型如bge-reranker虽然能提升效果但会增加延迟和计算成本。在实时性要求高的场景如聊天需要权衡。有时通过优化查询更好的查询扩展和分块策略可以在不使用重排序的情况下达到可接受的效果。处理“未找到答案”RAG系统必须能优雅地处理知识库中没有答案的情况。简单的做法是让LLM根据检索到的片段判断“知识库中暂无此信息”并可以结合网络搜索MCP去获取最新信息。更复杂的可以设计一个置信度分数低置信度时触发人工审核或进一步查询。4.2 Agent设计的稳定性挑战规划幻觉与循环陷阱Agent在规划步骤时可能会陷入循环比如反复检查同一个条件或生成不切实际的步骤。需要在Agent循环中设置最大步数限制并实现状态检查避免重复操作。给Agent提供清晰的边界约束“你只能使用以下工具...”也很重要。工具输出的解析工具尤其是命令行工具的输出可能是非结构化的文本。让LLM从大段文本中准确提取关键信息有时会失败。一个最佳实践是尽可能让工具输出结构化数据如JSON。如果不行在Prompt中要详细指导LLM如何解析例如“从输出中提取版本号它通常出现在‘Version: ’之后”。长上下文管理Agent的决策依赖于完整的对话历史和工具调用结果。随着交互进行上下文会越来越长。需要设计摘要策略定期将冗长的历史压缩成简洁的要点以节省Token并保持关键信息不丢失。4.3 MCP部署与集成的考量Server的安全性MCP Server通常需要执行敏感操作读数据库、执行命令。必须确保Server本身有严格的认证和授权机制。在客户端配置Server时最好使用本地或网络隔离环境避免暴露到公网。资源发现与描述一个好的MCP Server应该通过资源Resources清晰地暴露其数据模式。例如数据库Server应该能列出所有表名和模式作为资源这样AI客户端在规划时就能知道“有哪些数据可用”而不是盲目地尝试查询。协议版本兼容性MCP协议本身在演进。在开发时要注意与主流客户端如Claude Desktop、Cursor的协议版本兼容性避免使用了新特性导致旧客户端无法连接。4.4 Skill设计的可复用性思维Skill的输入输出要标准化一个良好的Skill应该像函数一样有明确的输入参数和输出格式。这有利于Skill之间的组合。例如“代码审查Skill”输出一个标准化的Issue列表这个列表可以直接被“生成修复代码Skill”使用。Skill应保持轻量和专注一个Skill只做好一件事。不要设计一个“万能开发Skill”而应该拆分成“代码生成Skill”、“测试生成Skill”、“部署Skill”等。这样更容易维护、测试和复用。文档和示例至关重要再好的Skill如果别人不知道它能做什么、怎么用也是无效的。为每个Skill编写清晰的README并提供至少一个典型的使用示例Prompt。这次面试让我深刻感受到AI工程化的战场已经从“模型调优”转向了“系统架构”。RAG、Agent、MCP、Skill正是构建下一代AI应用的四块基石。理解它们不仅是知道概念更要清楚它们如何连接、如何在具体场景中取舍、如何规避其中的陷阱。面试官那句“要求高一点”其实是对我们能否具备这种系统化、工程化思维的要求。这条路很长但每一个坑踩过去都是实打实的成长。