阿里巴巴 AI 应用工程师（一面）冲刺计划

🎯 核心目标

在 5.25 中午前面向阿里 JD，完成“AI 应用工程师”专属维度的知识收敛。重点不再是单一项目的堆砌，而是以《AI Agent 工程化系统手册》为主轴，将 CodeBuddy 等项目作为底层概念（Memory/Planning/Tool Use/Eval）的落地案例。

JD 对齐：职责 2 (架构设计)、职责 4 (核心能力实现)。

1. 建立系统级 Agent 认知：
- 复习资料：精读 01-Atomic-Knowledge/LLM-AI/agent-engineering-system.md（第一部分：核心抽象架构）。
- 核心攻坚：深刻理解 Agent 的四大支柱：Profile, Memory, Planning, Action。能白板画出 ReAct、Plan-and-Execute 和 Reflection (反思纠错) 的底层状态机流转。
2. 将 CodeBuddy 转化为“落地案例” (Case Study)：
- 复习资料：02-Projects/CodeBuddy-AI-Sidepane/project-defense.md
- 策略转变：弱化“这是一个侧边栏插件”，强化“这是一个包含路由 (Routing)、状态机记忆 (Memory) 和 沙盒工具调用 (Tool Use) 的 AI 智能体应用”。
- 实战防守：用 CodeBuddy 的经验回答“你是如何处理 LLM 输出 JSON 格式损坏的？”（Schema 校验与重试兜底）。
3. 环境与知识构建 (Context Engineering)：
- MCP 协议深度理解：阿里 JD 明确要求的加分项。掌握 MCP 如何解耦 LLM 与本地环境。
- RAG 进阶：从单纯的 Vector 检索，升级到对 Hybrid Search、Rerank 和 Chunking 策略（如 AST Chunking）的工程化理解。

JD 对齐：职责 5 (系统迭代/自动化评测)、职责 6 (性能优化)。

1. 自动化评测 (Eval) - 从单点验证到规模化：
- 复习资料：01-Atomic-Knowledge/LLM-AI/agent-engineering-system.md（第二部分）。
- 重点攻克：如何利用 LLM-as-a-Judge 构建黄金数据集？如何量化评估 RAG 的召回率与准确率（如 RAGAS 指标）？
2. 高并发与性能优化 (AI Infra)：
- 阿里 System Design 必考：“如果流量翻 100 倍，你的 Agent 系统怎么撑住？”
- 核心考点：流式输出 (SSE) 优化、分布式 KV Cache (PagedAttention) 管理、长任务的异步化处理与状态持久化（类似 LangGraph）。
3. 阿里 2026 前沿模型适配：
- 了解 Qwen 2.5/3 系列模型的特性。在工程中，如何针对特定模型进行 Prompt 调优和规避其短板？

JD 对齐：专业能力 (扎实的代码能力)。

复习资料：
- 01-Atomic-Knowledge/Algorithms/fullstack-interview-handwrite.md
- 01-Atomic-Knowledge/Architecture/network-protocols.md
重点攻克：
1. AI 业务场景手撕题：给定一段 Agent 思考日志（Markdown/JSON 混合），手写逻辑提取 Action 和 Action Input。
2. 经典手撕题：LRU 缓存实现（Agent 记忆管理核心）、最小覆盖子串（LeetCode 76）、编辑距离（文本相似度）。
3. 网络与 OS 底层：TCP/UDP、IO 多路复用、死锁原理。这是阿里考察“工程兜底能力”的必问项。

JD 对齐：能力特质 (AI 编程工具重度玩家)。

1. 生产级 Prompt 工程：
- 重点攻克：防御 Prompt 注入；通过 Few-shot 和 Schema 强约束保障结构化输出的 100% 成功率。
2. AI 生产力方法论：
- 实战防守：总结你在使用 Cursor、Claude Code 等工具时的套路。你是如何通过 Agentic Workflow 让他们写出生产级代码的？（体现 10x 程序员特质）。
3. 自我驱动故事：
- 准备一个符合 STAR 原则的案例，证明你“能快速啃透最新论文并转化为工程代码”或“拒绝纸上谈兵”。