为什么某些 DeepSeek 文本模型不能直接读取图片，而视觉模型可以？
文本模型仅处理离散的文本token，而视觉模型额外包含视觉编码器，能将图像转换为模型可理解的连续向量表示，并与文本特征对齐。这是架构设计上的根本差异，而非简单的功能开关。
AI 为什么
不只记结论，真正理解机制。
每个问题先给 30 秒回答，再给大学二年级程度的专业解释和一遍更通俗的说明；必要时配图，把“听说”变成能解释、能判断的知识。
为什么模型有上下文窗口，却仍会“忘记”前文？
上下文窗口是模型一次能“看到”的最大文本量，但模型内部注意力机制存在衰减和稀释效应，长文本中靠前的信息容易被后续内容淹没，加上训练数据分布和位置编码限制，导致模型虽在窗口内却仍可能忽略或遗忘前文细节。
为什么 RAG 找到了正确文档，回答仍可能错误？
RAG 检索到正确文档后仍可能答错，因为大模型在生成阶段可能误解文档内容、忽略关键细节、被自身知识干扰，或受到上下文长度限制而截断信息。此外，检索到的文档可能包含矛盾信息，模型难以分辨，导致最终回答偏离事实。
为什么 Agent 不只是让模型循环很多次？
Agent 不只是让模型循环多次，而是通过结构化编排、工具调用、记忆管理和安全护栏，将模型从被动文本生成器转变为能自主规划、执行并验证任务的工作流系统。
为什么更大的模型不一定让系统更可靠？
更大的模型虽然参数更多、训练数据更广，但可靠性并非线性提升。模型规模增大可能引入更多不可预测的涌现行为、更高的幻觉风险、更复杂的部署依赖，以及更难调试的故障模式。系统可靠性取决于整体架构设计、评估体系、风险管理和人机协同，而非单一模型大小。
为什么 Embedding 能比较语义，却不能直接回答问题？
Embedding 将文本映射为高维空间中的点，通过距离衡量语义相似度，但它本身不包含生成或检索逻辑，无法直接输出自然语言答案。
为什么 Prompt injection 不能只靠系统提示词解决？
系统提示词只是输入的一部分，模型无法可靠区分指令与数据。攻击者可将恶意指令嵌入用户内容，利用模型遵循一切文本的倾向，绕过系统提示词。架构上缺乏强隔离，因此单靠提示词无法防御。
为什么工具调用需要 Schema？
工具调用需要 Schema 是为了让大模型精确描述要调用的函数及其参数，避免歧义和幻觉。Schema 定义了函数名、参数类型、必填字段和描述，使模型输出结构化的调用请求，从而被外部系统可靠执行。没有 Schema，模型可能生成无效或危险的调用，导致集成失败或安全风险。
为什么多 Agent 经常更慢、更贵、更难调试？
多智能体系统将任务拆分给多个智能体，但引入通信开销、协调延迟、重复计算和级联错误，导致速度更慢、成本更高。调试困难源于交互复杂、状态空间爆炸和缺乏统一的可观测性工具。
为什么模型的“记忆”通常没有修改模型参数？
模型“记忆”通常不修改参数，因为大语言模型的知识固化在预训练参数中，对话记忆通过上下文窗口实现，每次推理时临时拼接历史消息，不改变模型权重。这避免了灾难性遗忘，保证了服务稳定性和多租户隔离，但受限于上下文长度。
为什么同一个 Skill 在不同 Coding Agent 中表现不同？
同一个 Skill 在不同 Coding Agent 中表现不同，根本原因在于各 Agent 对 Skill 的定义、加载时机、执行环境、工具集成和模型能力存在根本差异。Skill 并非可移植的独立程序，而是深度绑定于宿主 Agent 的架构与产品决策。
为什么一次成功 Demo 不能证明 Agent 可以上线？
一次成功的 Demo 仅证明系统在特定、受控条件下能完成预设路径，无法反映真实环境的随机性、长尾场景、安全边界和持续漂移。生产上线需要可量化的评估体系、风险管理和工程韧性，而非孤立的展示。
02
AI Native 面试官可能会问什么？
AI NATIVE INTERVIEW SIGNALS这些问题不是背题清单，而是用来暴露你如何面对模糊问题、真实使用 Agent、完整交付，以及把知识地图连接到结果。
给你一个没有标准答案、但必须交付的任务，你会怎样从问题拆解走到最终验收？
面试官在听什么能否讲清目标、拆解、路径、资源、风险、验收标准和交付形态。
如果明天要把一个模糊想法交付给真实用户，前一个小时你会做什么？
面试官在听什么是否先建立最小闭环，而不是先堆工具、写方案或等待完整需求。
你最近一次把任务交给 Agent 是什么？哪些部分交给它，哪些部分必须自己判断？
面试官在听什么是否真的理解模型的能力边界、上下文损耗和需要人工把关的决策。
请讲一个 Agent 看起来完成了、但实际上失败了的案例。你后来改了什么？
面试官在听什么真实使用经验通常藏在失败复盘里，而不是工具名称里。
如果让 Agent 修改一个陌生代码仓库，你会怎样设计 Harness，让它可观察、可测试、可恢复？
面试官在听什么是否会设计边界、工具权限、上下文、检查点、测试和回滚，而不只是写一段 Prompt。
你会如何把一项能力设计成可复用的 Skill，而不是一次性的工作流？
面试官在听什么能否说明输入契约、工具选择、状态、失败恢复、输出格式和适用边界。
请完整讲一个你真正交付过的东西：它解决谁的问题，怎么做出来，如何到达用户，后来怎样迭代？
面试官在听什么重点不是项目名或职位，而是从问题、实现、发布到真实反馈的完整链路。
如果简历上只能保留一个项目，你会留下什么证据来证明自己真的把它做完了？
面试官在听什么是否能拿出可运行产物、用户反馈、测试记录、失败记录或清晰的取舍，而不是只列技术栈。
你做过一个项目里最重要的取舍是什么？如果重来一次，你会保留还是改变？
面试官在听什么能否在速度、质量、成本、体验和风险之间做出有证据的选择。
面对一个你不熟的领域，你怎样快速建立从用户问题到系统实现的知识地图？
面试官在听什么是否能抓住关键概念、层次和接口，并知道哪些细节必须继续深挖。
什么时候你会坚持用一个 Agent，什么时候才会拆成多个 Agent？
面试官在听什么是否先考虑可观测性、协调成本和失败面，而不是把多 Agent 当成更高级的答案。
如果你应聘 Agent Engineer，你除了实现 Workflow，还会主动对哪一段产品交付负责？
面试官在听什么能否把 Agent 能力连接到用户、产品、运行约束和最终结果，而不是停留在流程节点。