JD 知识点拆解

上一页 JD 全景盘点 告诉你市场上在招什么人，这一页解决下一个问题：JD 里每一句「熟悉 XXX」「有 XXX 经验」，面试官到底想从你嘴里挖出什么？

JD 文案是 HR 和用人主管的折中产物，用词高度趋同，但背后的考察意图差异很大。同一个「熟悉 RAG」，有人想要会调 embedding API 的，有人想要能讲清 rerank 和评估链路的。这一页把高频关键词逐个拆开，给出考察意图、达标标准、自证产出三件套——自证产出是重点，因为「熟悉」这个词在简历上零成本，只有产出能区分真假。

数据口径

本页的关键词频率与要求等级，综合自 2026 年上半年中文社区对 50+ 真实 AI 应用开发 JD 的汇总分析、以及英文社区 2026 年 LangChain/Agent 面试题库，检索时间 2026-08。薪资、版本号等时效数据请以最新搜索为准。

一、高频关键词逐个拆解

1. 「熟悉 LangGraph / LangChain」

考察意图：框架不是目的，面试官想确认两件事——你能不能把框架用对，以及当框架抽象挡路时你能不能绕过它。纯写「会用 LangChain」的 JD 多为初中级应用岗；写「熟悉 LangGraph」的一般是真有复杂编排需求的团队。

达标标准：

• 初级：能用 LangChain 1.0 的 create_agent 在半小时内搭出一个带工具调用的 agent，说清它的执行循环（模型 → tool call → 结果回填 → 再调模型）。
• 中级：能画出 LangGraph 的 StateGraph 模型——state schema、node、conditional edge、reducer；知道 create_react_agent 已随 1.0 迁移、langgraph.prebuilt 被 deprecate（官方 2025-10-22 发布的 LangChain/LangGraph 1.0 做了这次重构，并承诺 2.0 之前不做 breaking change）。
• 高级：能解释 checkpointer 的持久化语义——每个 super-step 落一次 state 快照（MemorySaver 开发用，PostgresSaver 生产用），靠什么实现「服务器重启后从断点续跑」和 interrupt 做 human-in-the-loop；能说出一个你不用框架而是手写 loop 的场景及理由。

典型追问：「LangChain 和 LangGraph 什么关系？」——标准答案是：1.0 之后 LangChain 的 create_agent 跑在 LangGraph runtime 上，LangChain 提供高层抽象和 middleware（HITL 审批、summarization、PII 脱敏），LangGraph 提供底层 durable 编排。答成「LangGraph 是 LangChain 画图的」基本出局。

自证产出：GitHub 上一个用 create_agent + 自定义 middleware 的项目；或一篇对比 LangGraph vs 裸写 Agent Loop 的复盘文章。参考本站 LangGraph 页面 和 Agent Loop。

一个判断

2026 年的现实是：多数 JD 写「熟悉 LangChain/LangGraph」，但面试官真正在意的往往是你能不能离开框架讲清 agent 的执行模型。框架 API 半年一变（0.x 时代的 AgentExecutor 在 1.0 已经退场），底层循环不变。背 API 的人会被版本更迭淘汰，懂 loop 的人不会。

2. 「有 RAG 项目经验」

这是 JD 里水分最大、也最容易拉开差距的一条。面试时会明确分深浅两档：

浅档（入门要求）：

• 能说清完整链路：文档加载 → chunking（按语义/按固定长度、overlap 策略）→ embedding → 向量库（FAISS/Milvus/PGVector 任一）→ top-k 检索 → 拼进 prompt 生成。
• 动手写过一条能跑的链路，哪怕只有几百行。
• 知道 embedding 模型和生成模型是两个东西，能举出主流 embedding 模型的选择标准（语言、维度、成本）。

深档（加分项，也是中级以上岗位的默认要求）：

• 能讲检索质量的调优手段：hybrid search（BM25 + 向量）、rerank（cross-encoder 或专门 rerank 模型）、query rewrite / HyDE、chunking 策略对召回的影响。
• 能讲评估：检索侧用 recall@k / MRR，生成侧用 faithfulness、answer relevance；知道 Ragas 这类框架的存在和局限。
• 踩过坑并能复述：长文档 chunk 语义断裂、表格图片信息丢失、知识库更新后的索引重建策略、多租户知识隔离。
• 知道 RAG 与长 context、RAG 与微调各自的适用边界（见本站 RAG 页面）。

一句话区分：浅档讲「我怎么接的」，深档讲「我怎么知道它检得准、答得对，以及不准的时候我怎么修的」。面试官追问「你的 RAG 系统 badcase 怎么处理」时答不上来，经验值直接归零。

自证产出：一个有评估数据的 RAG 项目——哪怕评估集只有 50 条手工标注的问题，只要你展示了 baseline → 优化 → 指标提升的过程，可信度就超过 90% 的简历。评估方法见 Evals 实战。

下面是一个不依赖任何评估框架的最小 recall@k 自检脚本，面试现场被问到「你的检索准不准」时，这就是你该拿出来的东西：

# eval_retrieval.py —— 用 50 条手工标注的问题测检索召回率
import json

# eval_set.jsonl 每行一条：{"question": "...", "gold_doc_ids": ["doc_12", "doc_37"]}
# gold_doc_ids 是你人工标注的「回答这个问题必须检到的文档」
eval_set = [json.loads(line) for line in open("eval_set.jsonl", encoding="utf-8")]

def recall_at_k(k: int) -> float:
    hits, total = 0, 0
    for item in eval_set:
        retrieved = retrieve(item["question"], top_k=k)  # 换成你自己的检索函数
        retrieved_ids = {doc.id for doc in retrieved}
        gold = set(item["gold_doc_ids"])
        hits += len(gold & retrieved_ids)   # 检中的必要文档数
        total += len(gold)
    return hits / total if total else 0.0

for k in (1, 3, 5, 10):
    print(f"recall@{k} = {recall_at_k(k):.3f}")

关键不在脚本本身（二十分钟就能写完），在于你把「加了 rerank 之后 recall@5 从 0.61 提到 0.78」这样的对比数字写进 README——这就是深档和浅档的分界线。

3. 「了解 Agent 架构」

考察意图：这是系统设计题的前奏，考的是你能不能给模糊的「做一个能完成 X 的 agent」画出合理的组件划分。

达标标准——标准答案长这样：

┌─────────────────────────────────────────────┐
│                Agent Loop                    │
│  observe → think(LLM) → act(tool) → observe │
└──────────┬──────────────────┬────────────────┘
           │                  │
     ┌─────▼─────┐     ┌──────▼──────┐
     │ Context   │     │ Tool Layer   │
     │ (prompt + │     │ (function    │
     │  memory)  │     │  call / MCP) │
     └─────┬─────┘     └──────────────┘
     ┌─────▼─────────────────────────┐
     │  治理层：eval / trace / guardrail │
     └───────────────────────────────┘

答的时候必须覆盖四点：单循环模型（observe-think-act，见 什么是 AI Agent）；规划策略的取舍（ReAct 边想边做 vs Plan-and-Execute 先规划后执行，以及什么任务该选哪个，见 规划能力）；记忆分层（会话内 short-term vs 跨会话 long-term，见 记忆系统）；失败处理（工具调用失败怎么重试、死循环怎么截断、人什么时候介入，见 Human-in-the-loop）。

加分项：主动谈多智能体的适用边界——「Multi-Agent 在大多数场景是过度设计，先用单 agent + 好工具；只有当任务天然分工、上下文隔离有收益时才上」，这句话在 2026 年的面试里是显著加分，因为它反映了真实工程品味（详见 多智能体架构）。

自证产出：一份独立完成的 Agent 设计文档（可以是你课程项目的 README），按上述四块写清取舍。

4. 「Prompt Engineering」

考察意图：2026 年几乎没有岗位把「Prompt 工程师」作为独立 title 了——它已经变成所有 Agent 工程师的基础能力，类似「会写 SQL」。JD 里出现这条，面试官要确认你能系统地做 prompt，而不是靠感觉调。

达标标准：

• 基础功：system prompt 的分层结构（角色/任务/约束/输出格式）、few-shot 例子的选择逻辑、结构化输出（JSON schema / tool-calling 约束解码）什么时候比「请输出 JSON」可靠。
• 工程化：prompt 版本管理（prompt 是代码，要进 git、有变更记录）、A/B 与回归评估（改 prompt 必须用 eval set 验证，不能靠肉眼抽查）。
• 边界意识：哪些问题 prompt 解决不了——知识缺失用 RAG，行为不稳定用 few-shot 或微调，能力不足换模型。会立刻说「先调 prompt 试试」但不会把 prompt 当万能药。
• 防御意识：知道 prompt injection 的存在和基本缓解手段（见 安全与攻防）。

自证产出：一个带 eval 的 prompt 迭代记录——比如「v1 准确率 62% → 加错误示例负样本后 v3 到 89%，失败样本分布从 X 变成 Y」。这比「精通 prompt engineering」这七个字值钱一百倍。素材见 Prompt Engineering 和 提示词存档。

5. 「熟悉 MCP」

这是 2025 年之后才批量出现在 JD 里的新要求。MCP（Model Context Protocol）是 Anthropic 在 2024 年底推出的开放协议，给 AI 应用和外部工具/数据源之间定了一套标准接口；到 2026 年它已成为工具接入的事实标准，「会写 MCP Server」等价于当年「会写 REST API」。

考察意图：不是考你背协议，是确认你理解「工具接入为什么要标准化」，以及能不能动手写一个能用的 server。

达标标准：

• 概念层：说清 MCP 的 host/client/server 三方架构；说清它解决的是 M×N 问题——M 个模型/应用和 N 个工具之间不用两两写适配器。
• 动手层：用官方 SDK（Python 或 TypeScript）写一个 MCP Server，暴露至少一个 tool 和一个 resource，并能用 MCP Inspector 或 Claude/Claude Code 实际调通。
• 判断层：知道 MCP 和 function calling、OpenAPI、Agent Skills 的边界——MCP 是执行层（把工具接进来），Skills 是编排层（把领域流程教给 agent），两者是组合关系不是替代关系；2026 年面试里这是高频辨析题。
• 安全意识：知道接入第三方 MCP Server 的供应链风险（恶意 server 可以诱导 agent 执行危险操作），见 安全与攻防。

自证产出：一个开源的、有人用的 MCP Server（哪怕解决的是你自己的小痛点）；或对知名 MCP Server 仓库的实质性 PR。详见 工具与 MCP。

一个最小可用的 Python MCP Server 长这样（官方 SDK 的 FastMCP 写法，也是面试白板题的常见起点）：

# server.py —— 暴露一个 tool，能被任何 MCP client（Claude Code、自研 agent）调用
from mcp.server.fastmcp import FastMCP

mcp = FastMCP("issue-tracker")  # server 名称，client 侧按名识别

@mcp.tool()
def search_issues(keyword: str, limit: int = 5) -> list[dict]:
    """按关键词搜索工单。docstring 会成为 tool 描述，直接影响模型的调用决策。"""
    # 实际项目里这里查数据库 / 调内部 API，别在 tool 里吞异常——
    # 出错时返回可读的错误文本，模型才有机会自我修正
    return db.query(keyword)[:limit]

if __name__ == "__main__":
    mcp.run()  # 默认走 stdio 传输，适合本地 agent；远程服务用 streamable-http

两个只有写过才知道的细节，正好对应动手层的考察点：tool 的 docstring 是 prompt 的一部分，写得含糊模型就会乱调参数；错误处理要把异常翻译成自然语言返回而不是 raise，让 agent loop 有机会恢复。面试时随口带出这两点，「熟悉 MCP」四个字就坐实了。

诚实提示

「了解 MCP」和「用过 MCP」之间隔着一次真正的动手。这条要求出现频率还在快速上升，是 2026 年投入产出比最高的单项技能之一——协议本身不复杂，一个周末足够写出一个像样的 server。

6. 其他高频要求速查表

JD 原话	实际考察	站内对应
熟悉 ReAct / Reflexion 模式	论文级概念 + 知道何时不适用	全景解剖
有 Multi-Agent 开发经验	分工/通信/汇总，更考「为什么不用」的判断	多智能体
熟悉 Dify / Coze / n8n	低代码平台搭建 + 知道低代码的天花板	Coze、Dify
有 Agent 评估/观测经验	trace 分析、eval set 构建、线上指标	评估、可观测
扎实的后端/工程能力	异步、并发、限流、成本控制——不是 AI 知识但天天用	成本与性能
有大模型微调经验	SFT 数据构造、何时微调何时 RAG/prompt	概念辨析

注意最后一行：大量应用岗 JD 写着「有微调经验优先」，实际工作中一年可能微调不了一次模型。这属于 JD 写作惯性，不必因为没有微调经验而却步，但面试时被问到要能给出「什么情况下我会选择微调」的清醒回答。

7. 一个前置判断：算法岗还是应用岗？

拆解关键词之前先确认你读的是哪类 JD，两者考察的坐标系完全不同：

• Agent 算法岗（title 常见「Agent 算法工程师」「大模型算法工程师」）：硕博为主，考察重心在 NLP/深度学习基本功、顶会论文或 Kaggle/ACM 履历、模型训练与评测方法。本页拆解的大部分内容对它只是入场券。
• Agent 应用/工程岗（title 常见「AI Agent 开发工程师」「AI 应用开发工程师」）：考察重心就是本页第一节的全部关键词——框架、RAG、架构、Prompt、MCP，加上扎实的后端工程能力。转行和应届工程师的主战场在这里。

判断方法很简单：JD 里如果「论文」「顶会」「模型训练」出现的权重高于「LangChain」「RAG」「MCP」，就是算法岗；反之是应用岗。2026 年中文社区的 JD 汇总显示，应用岗的数量和增速都明显高于算法岗，且对学历背景更宽容——这正是本页默认的读者画像。

二、技能雷达图（文字版）：三档能力画像

用六个维度给三档候选人画像：框架使用、RAG、架构设计、Prompt、MCP/工具、工程治理（eval/观测/成本）。

维度刻度：0=不了解 1=了解概念 2=动手做过 3=生产级经验 4=能带团队定方案

          初级（应届/转行）      中级（1-3 年）        高级（3 年+ / 架构）
框架        2  能搭能跑           3  踩过坑会绕路        3  能选型也能说「不用」
RAG         1-2 跑通链路          3  有调优+评估经验      4  主导过线上检索系统
架构        1  能背标准答案       2-3 独立设计过 agent   4  复杂系统的 trade-off
Prompt      2  结构化基本功       3  有 eval 驱动的迭代   3  prompt 只是工具之一
MCP/工具    1  知道协议           2-3 写过自己的 server  3  工具生态的架构决策
工程治理    0-1 听过 eval         2  做过离线评估         3-4 线上观测+成本闭环

三档的关键差异不在「会的更多」，而在判断力的层次：

• 初级：知道每个组件是什么，能把零件拼起来。典型短板是所有问题都用同一种解法（拿到需求先写 ReAct loop），没有评估意识，「跑通了」就是终点。
• 中级：能独立交付一个有用户的 agent 功能。特征是有失败案例库——说起项目会主动讲「这里最初这么做，出了 X 问题，改成了 Y」。评估和观测从「听过」变成「做过」。
• 高级：核心能力是做减法。能判断「这个需求不需要 agent，规则就够了」「这里不需要 multi-agent，单 agent + 好工具就行」「这个功能不值得上，单位经济性算不过来」。同时能对系统的长期演进负责：状态管理怎么设计才能扛住未来半年的需求变化，eval 体系怎么建才能支持持续迭代。

自测方法：拿一个你真实做过的项目，逐维度问自己「我能不能讲出一个只有亲手做过才知道的细节」。讲不出的维度就是 0-1 分，不管你看过多少文章。

三、学习优先级排序：按投入产出比

假设你已有 Python/后端基础、每天能投入 2-3 小时，按「每单位时间换来的面试通过率提升」排序：

1. 手写一个 Agent Loop（1 周）。不用任何框架，用 OpenAI/Anthropic SDK 直接实现 observe-think-act 循环加两三个工具。这是所有后续知识的地基，也是「熟悉框架」类问题最好的反向杠杆——框架的每个抽象都对应你手写时踩过的痛点。参考 动手实现。
2. RAG 项目 + 评估闭环（2-3 周）。覆盖 JD 出现频率最高的一条。关键是把「能跑」推进到「有指标」：建 50 条评估集，跑一次 baseline，做一到两轮优化，记录数字变化。
3. LangChain/LangGraph 1.0 上手（1-2 周）。有了前两步，框架只是换个写法。重点学 create_agent、middleware、LangGraph 的 checkpoint/interrupt，不要回头学 0.x 时代的旧 API（面试里新旧混用是减分项）。学习路径见 学习路径总览。
4. MCP Server 实操（1 个周末起）。协议本身简单，写一个解决自己真实需求的 server 并发到社区。这条在 2026 年的边际收益极高——会的人还不多，要求它JD却在快速增加。
5. Evals 与可观测（持续，穿插进行）。从第二个项目开始就配 trace 工具（LangSmith / Langfuse / OpenTelemetry 任一），养成「改任何东西先跑 eval」的习惯。这是区分业余和专业的分水岭，也是面试里最稀缺的叙事素材。
6. Multi-Agent、规划策略等进阶主题（按需，2-4 周）。放在后面不是因为不重要，而是因为判断何时不用它们需要先有足够的单 agent 经验。直接学 multi-agent 容易学成锤子找钉子。
7. 论文精读（长期，每周 2-3 篇）。ReAct、Reflexion、Toolformer 这类核心论文是架构题的弹药库，见 论文阅读路径。排在最后是因为它见效慢但复利高，适合长线投入。

一条贯穿原则

每一步都必须留下可自证的产出（GitHub 仓库、带数据的文章、PR），并同步更新到简历。学完没有产出的知识，在求职市场上等于没学。产出怎么包装见 简历诊断，项目选题见 作品集项目。

四、把这张地图用在面试前

面试前 48 小时的用法：把目标公司的 JD 逐句复制出来，对照第一节的拆解，给每句标注「能深聊 / 能聊 / 只能承认不会」。前两类各准备一个 90 秒的项目故事（背景 → 你做的决策 → 量化结果），第三类提前想好诚实回答的措辞——「这块我还没深入，但我理解它的作用是 X，我计划通过 Y 补上」远比硬撑安全。

面试中最危险的不是知识盲区，而是被问穿后的慌乱。这张地图的价值就在于：让你在开口之前就知道自己每个关键词的真实水位。常见的话术陷阱和应对见 面试题库。

最后给一张可以直接打勾的自查清单，覆盖本页全部要点：

自查项	达标标志
能手画 Agent Loop 并讲清每步的输入输出	白板 5 分钟内画完且能现场推演一个 badcase
框架	说清 LangChain/LangGraph 1.0 的关系与一次弃用变更
RAG	能给出一个「指标从 X 到 Y」的优化故事
架构	对任意需求能在 10 分钟内给出组件划分 + 一条明确取舍
Prompt	能展示一份带版本号和评估结果的 prompt 迭代记录
MCP	有一个自己写的、被真实调用过的 server
工程治理	说得出项目里 trace 工具的具体用法和发现过的一个问题

参考资料

• LangChain and LangGraph Agent Frameworks Reach v1.0 Milestones —— 官方 1.0 发布说明，含 create_agent、middleware、持久化语义与弃用清单，是「熟悉 LangGraph」类问题的权威口径。
• 不卷算法、不写论文：2026 年 AI 应用开发正在疯狂招人（附 50+ 真实 JD 分析） —— 中文 JD 关键词频率与岗位分布的一手汇总。
• 2026 招聘市场变天：AI 从加分项变基础分，各岗位要求曝光 —— 2026 年 JD 中 LangChain/LangGraph、ReAct、RAG 等关键词的实际出现语境。
• Top LangChain Interview Questions and Answers for 2026 (DataCamp) —— 英文社区 2026 年框架类面试题的代表性题库。
• What is the Model Context Protocol (MCP)? —— MCP 官方文档入口，协议架构与 SDK 的第一手资料。
• AI Agent 面试题第四弹：MCP、Chrome DevTools、CDP 会话复用 —— 中文社区对 MCP 类面试追问的实际考察角度。
• ai-agent-engineer-handbook: JD Requirements —— 开源求职手册中对 MVP 项目门槛与算法岗/应用岗分流的观察。