💻 程序员
两周不投简历，我重新做了一些沉淀
音频
两周不投简历，我重新做了一些沉淀
0:00/0:00
✦ ✦ ✦
今年面试圈有个变化——越来越多公司开始放弃八股文，转而考察 AI 落地能力。Bitget 是这样，Gate 也是这样。只要涉及到 AI Agent 相关的，一落地就是拷打。
面试官不再问"事件循环""原型链"，反而问 "你怎么把一个 Agent 拆成可观测的节点" "你的 memory 是怎么设计的"。
各家在 AI 落地的方案选择差异也大。LangGraph、Dify、Coze、各家自研框架……生态处于一个混沌的状态，我自己也还没看清楚哪个会成为事实标准。
但能明确的是，之前在 ArcBlock 做 AIGNE Framework 和基于它构建的 Smith 应用，这段经验放到现在求职市场，反而有点尴尬——不是经验贬值，是对接的语言变了。
总体而言，面试官不太关心以前你的框架的内部细节，他更想看的是：你有没有落地的能力？你能独立负责什么模块？
那种被动感，比面试被刷掉更难受。
停下来两周，做点什么
两周前，我停止了所有投递。想清楚了一件事：简历没法讲故事，那就让作品讲故事。
我用不顶级的国产模型：MiniMax M3，结合自身经验，用 LangGraph 重做了一个真正在跑的项目：ai.firetable.tech。（没用顶级模型，是因为对我学习 LangGraph 而言，顶级模型会让我少踩坑，反而不好）
这不是为了炫技。是为了让面试官打开链接，在两分钟内 get 到我能做什么、能负责什么、我怎么跟 AI 进行 Peer 的。
这两周沉淀了什么
把之前积累的所有 AI 落地经验压缩到一个仓库，主要做了 6 件事：
- Multi-Agent / Multi-Graph 编排：我将 Turn 级别，拆成 router + subgraphs（chat / code / crypto / weather），再加 interrupt 驱动的 Client-side Tool。难点不在画图，而是 interrupt 怎么 resume、错误怎么隔离。同时还增加了 Background Graph 来做一些后台任务，不阻塞 Main Agent。
- Observability：LangGraph 自带的 callback，我基于它做了封装——每个 LLM call、tool call 都进 Postgres 每个对话渲成一个瀑布图。做完这套，所有节点的状态、耗时、错误都是可回放的。
- Credit 配额计算：每个用户和角色有配额，每次 LLM call 按 token 计费扣减。LLM 是无底洞，不锁死就是无限账单。
- Memory + Knowledge Base：每个用户有自己的记忆库，跨对话能 recall 上下文。我做了双层：用户级长期记忆 + thread 级短期摘要。还支持
save_memory是 LLM 触发的工具调用，recall是 middleware，会自动把<memory>+<threads>注入 SystemMessage。
- 如何跟 Agent 进行 Peer：在 Github workflow 集成了多个 Agent，让它们帮我把控 PR 质量；还把 repo 相关的 Deploy 流程写成了个 Skill，并且我的应用更新都是通过 Agent 来做的。不需要人工参与，干净利索，没有后遗症。
- 还有一堆边角活：Landing Page、多用户 SaaS、Drizzle + Zod、Tailwind v4 mobile 适配、Caddy 反代、 Cloudflare Origin Cert、Docker compose…… 这些不是 KPI，但每一块都是一个真实的工程决策。
这可能并不是"最佳实践"
这个过程中，我也遇到了很多问题，尤其在 LangGraph 中，针对 SubGraph 的支持，用着总感觉缺点什么，还会因为启用 LangSmith 导致各种 Bug。
我也给 Assistant UI 和 LangGraph 提了不少 issues，遇到需要上游好好处理的问题，我只能本地打 pnpm patch。
不过，如果你也在求职、在混沌期、不知道该不该停下来做点什么——
我的建议是：做一个能跑的作品，比十份精心修饰的简历更有用。
面试官也是程序员，他们更愿意打开一个真实的 GitHub Repo，而不是翻看你贴在简历背面的项目截图。
这一行比前面所有 "精通xxx" 的字加起来都管用。