Q：Agent 的「记忆」到底是什么？短期和长期记忆分别怎么实现？
A：Agent 没有真正的记忆，所谓记忆就是「每次调用前你往上下文里塞了什么」。短期 = 当前会话历史，满了就摘要压缩；长期 = 存进外部存储（向量库存「语义相关的往事」、结构化库存「用户的确定性事实」），下次按需检索塞回去。加分点：说破「长期记忆本质是一次 RAG」，并补「要有遗忘/更新策略」——用户改了地址，旧记忆不删会一直污染回答。
Q：什么是 LoRA？为什么它能让一张消费级显卡就微调大模型？
A：LoRA 不动原模型参数，只在旁边挂一小撮可训练的「补丁」，训练时只更新这撮。大白话：原模型是印好的百科全书，全量微调等于整本重印，LoRA 等于在书页边贴便利贴、只写便利贴。要更新的参数常只有千分之几，显存和成本直线下降。加分点：提「秩 r 越大表达力越强但越易过拟合、越费显存」，以及「QLoRA = 先量化压小再挂 LoRA」。
Q：什么是 AI 产品的「冷启动」问题？没有数据的时候怎么办？
A：冷启动 = 刚上线时既没用户行为数据也没领域样本，效果差 → 留不住用户 → 更没数据的死循环。四条破法：① 规则和人工先兜底；② 借外部知识替代内部数据（先上 RAG 挂公开文档，而不是等攒数据去微调）；③ 设计能自然产生标注的交互（点赞点踩、人工接管记录都是免费训练信号）；④ 小范围灰度。加分点：「冷启动阶段我不追求模型多准，我追求把数据飞轮先转起来」。
Q：JD 上写「熟悉 Linux / Docker」，转行者要补到什么程度才够？
A：够用的标准是「能自己把一个服务跑起来并说清它跑在哪」，不是「能运维集群」。Linux：看日志、查进程查端口、改权限、用 ssh/scp 登服务器传文件；Docker：看懂 Dockerfile、会 build/run/logs、知道端口映射和挂载卷干什么。加分点：别空口说「熟悉」，说一件具体的事——「我把自己的 RAG demo 打成镜像部署在云服务器上，用 Nginx 做了反代，遇到 XX 问题这么解决的」，这一句抵十个「熟悉」。
Q：非技术岗被问「你怎么和算法同学协作、需求怎么提」，怎么答才不空？
A：答「我提的是问题和验收标准，不是解法」。三点：① 需求写成「输入 → 期望输出 → 判错标准」，最好附 10–20 条真实 badcase；② 主动承担评测集建设——把「什么算答对」定义清楚并维护测试集；③ 接受概率性，不问「能不能 100% 准」，问「现在多少、还能提多少、剩下的错怎么兜」。加分点：「我会先跟算法同学一起标 50 条，标完常发现是我们对『对』的定义没统一」——只有真干过的人说得出来。