没做过大模型项目，怎么讲自己在Agent方向的经验？
本文目录
30秒版回答
我会分三层回答：
第一，诚实说明边界：“我没有主导过完整的大模型项目，但我在数据侧做过一些和 Agent 落地直接相关的工作。”
第二，讲可迁移的经验：比如我做过的元数据治理、指标口径统一、数据质量体系，正是 Agent 正确使用数据的前提；我做过的 CDC 增量同步、幂等设计、数据对账，可以直接用在知识库的增量更新和 Agent 的可靠性设计上。
第三，给出主动实践的证据：我日常用 AI 辅助开发，有一套自己的使用和校验方法；我也自己动手搭过一个小的问数或知识库原型，踩过哪些坑、有什么体会。最后可以补一句：如果加入团队，我觉得自己最能贡献的是数据侧的可靠性和治理。
先把这段讲顺；面试官追问时，再展开下面的原理和细节。
详细讲解
面试官：「看你的简历，之前主要是做数仓和离线开发的。我们这个岗位会涉及一些 AI 和 Agent 相关的工作，你在这方面有什么经验吗？」
这是很多数据开发在 2026 年面试时最焦虑的一个问题。岗位描述里写着“有 AI/Agent 相关经验优先”，但自己过去几年做的都是数仓、ETL、报表，没有正经做过大模型项目。
先说结论：不要编，也不要直接说“没有”。面试官问这个问题，很少是期待你有一个完整的大模型项目——真正做过的人本来就少。他想看的是三件事：你对这个方向理解有多深、你过去的经验能不能迁移、你有没有主动在学在做。这三件事，没做过大模型项目的人也完全可以讲好。
面试官在考什么
• 诚实度：是否会夸大或编造经历。
• 迁移能力：能否把过去的数据工作和 Agent 方向联系起来。
• 理解深度：是否真的理解 Agent 的数据问题，而不是只会说名词。
• 主动性：有没有主动学习和实践的证据。
展开一：三条绝对不要走的路
| 错误做法 | 为什么不行 |
|---|---|
| 编造一个完整的大模型项目 | 面试官追问三层就会露馅：数据量多大？评测集怎么建的？效果从多少到多少？一旦被识破，整场面试都会被否定 |
| 直接说“没有，但我愿意学” | 太被动，等于放弃了这道题。所有候选人都“愿意学” |
| 把看过的文章当成自己的经验 | 讲得很理论，一追问细节就空洞，面试官能听出来 |
记住一个原则：真实的小经验，远比编造的大项目有说服力。一个你亲手搭过的小原型，能讲出真实踩过的坑，比一个“负责了公司级 RAG 平台”但说不出细节的项目强得多。
展开二：经验迁移地图——你做过的比你想象的更相关
这是这道题最关键的部分。Agent 落地中的大量问题，本质上是数据问题。把你过去的经验对号入座：
| 你做过的数据工作 | 对应的 Agent 问题 | 对应题目 |
|---|---|---|
| 指标平台、口径统一 | Agent 查数算错口径 | 第 06、07 题 |
| 元数据、数据字典 | Agent 用错表、不理解字段 | 第 07 题 |
| 数据权限、行列级控制 | Agent 越权访问 | 第 08、16 题 |
| CDC 增量同步、全量对账 | 知识库增量更新和删除 | 第 10 题 |
| ETL 幂等、可重跑设计 | 多 Agent 失败重试不重复 | 第 15 题 |
| 数据质量监控、告警 | Agent 的数据底座可靠性、效果监控 | 第 11、19 题 |
| 埋点规范、日志建模 | Agent Trace 和对话日志建模 | 第 13 题 |
| 计算存储成本治理 | Token 成本归因和治理 | 第 14 题 |
| 数据安全、脱敏 | PII 发送前脱敏、日志分级 | 第 16 题 |
看完这张表你会发现，这本手册几乎每一道题都能找到数据开发的老经验作为支点。这不是巧合，而是因为 Agent 的可靠性高度依赖数据的可靠性。
以我自己为例：我没有在大模型公司工作过，但我做过的埋点治理（1000 多个事件精简到 100 多个，数据质量问题减少 60%）、EMR 到 Databricks 的零故障迁移（双写双读灰度）、维表更新改为 MERGE INTO（天然幂等），分别可以迁移到“让数据可被 AI 理解”“Embedding 模型双版本灰度切换”“Agent 写操作的幂等设计”这三个 Agent 问题上。
展开三：用一个小原型补齐实践证据
如果你确实一点 Agent 实践都没有，我强烈建议在面试前花一两个周末做一个小原型。不需要复杂，但要真的跑起来、真的遇到问题、真的解决过问题。下面是两个适合数据开发的原型方向：
• 方向一：迷你智能问数。找一个公开数据集建几张表，写一份简单的语义层定义（几个指标和维度），用大模型把自然语言转成查询，加上 SQL 校验和结果解释。重点记录：哪些问题答错了，为什么错，你怎么改的。
• 方向二：个人知识库问答。把自己的技术笔记或者某个开源项目的文档做成知识库，实现切分、检索、带出处回答，再做一个增量更新：修改一篇文档后，旧内容能不能被正确替换。
原型复盘模板（面试时按这个结构讲）
做了什么：用 XX 数据集搭了一个问数原型，定义了 N 个指标、M 个维度
怎么评估：自己整理了 K 个测试问题，分简单/多条件/需澄清三类
遇到的问题：
1. "上周"被解析成最近 7 天 → 改为确定性规则解析
2. 同义词召回不到指标 → 在语义层补充 synonyms
3. 生成的 SQL Join 后金额翻倍 → 加了粒度说明和校验
效果：测试问题的正确数从 A 提升到 B（用你的真实数据）
体会：大部分错误出在数据和语义定义，而不是模型这个复盘模板最大的价值是“遇到的问题”那一段。面试官最想听的就是这部分，因为只有真做过的人才说得出来。而且你会发现，你遇到的问题大概率和本手册讲的坑一样——这时你再结合手册里的系统化方案去讲，就是“有实践、有思考”的完整回答。
展开四：把回答收束到“我能贡献什么”
最后一定要把话题收回到岗位需求上。面试官招人是为了解决问题，与其说“我会努力学习”，不如说“我能带来什么”：
✘ "我在 AI 方面经验不多，但我学习能力很强，会努力学习的。"
✔ "大模型本身的调优我不是专家，但 Agent 落地中最容易出问题的
数据底座——口径、元数据、权限、增量同步、质量监控——
是我过去几年一直在做的。我觉得这部分是我能最快贡献价值的地方，
模型侧的东西我会结合项目快速补上。"追问链
追问一：你自己做的原型，和生产系统差距在哪？
要坦诚并且说得具体：原型的数据量小、问题类型少、没有权限控制、没有高并发、评测集也很小。生产系统还需要考虑语义层的维护机制、权限透传、成本控制、监控告警、增量更新的可靠性等。能说出这些差距，说明你对生产环境有清醒的认识，这本身就是加分项。差距的具体解法可以对应本手册第 08、10、14 题。
追问二：你们公司没有 AI 项目，你怎么保持学习？
说实际在做的事情：日常开发中用 AI 编码助手，有自己的使用规范；做了什么原型；读了哪些官方文档或技术博客，有什么收获；有没有在团队内做过分享。重点是持续的行动，而不是“我经常看文章”。如果你在公司内推动过一个小的 AI 提效实践，哪怕只是给团队整理了一份 AI 编码的规范文件，也值得讲。
追问三：如果入职后让你负责一个 Agent 项目的数据侧，你第一个月会做什么？
第一周了解现状：Agent 的场景、用户、现有数据链路、主要的问题反馈。第二周做坏案例归因，看问题集中在数据、检索还是模型。第三、四周针对头部问题做改进，比如补齐语义层、修复增量同步、建立评测集。同时搭建最基础的监控：数据新鲜度、检索命中率、坏案例统计。这个回答展示的是你的方法论，而不是具体的技术。
加分说法 vs 减分说法
| ✔ 加分说法 | ✘ 减分说法 |
|---|---|
| 诚实说明边界，不编造项目 | 编一个大模型项目 |
| 用经验迁移地图讲过去工作的相关性 | 直接说没有，愿意学 |
| 有小原型，讲得出真实踩过的坑 | 把看过的文章当成自己的经验 |
| 收束到“我能贡献什么” | 只说学习能力强 |
| 坦诚原型和生产的差距 | 原型讲得像生产系统一样完美 |
怎么挂到你的项目上
话术模板：“我没有主导过完整的大模型项目，但 Agent 落地最依赖的数据底座是我一直在做的。比如我做过埋点治理，把上千个事件收敛成一百多个标准事件——这正是让数据能被 AI 理解的前提；我做过双写双读的平台迁移，同样的思路可以用在 Embedding 模型的灰度切换上。我自己也搭过一个问数原型，发现大部分错误出在语义定义而不是模型。所以我觉得自己最能贡献的是数据侧的可靠性和治理。”
总结
没做过大模型项目，答这道题的公式是：诚实边界 + 经验迁移 + 实践证据 + 贡献收束。你过去做的数仓、治理、质量、同步工作，都能在 Agent 场景找到对应。再加上一个亲手搭过的小原型，就足以让面试官相信你能胜任这个方向的工作。
下一篇聊一个很实际的问题：如果你们团队的数仓要开始给 Agent 用，你会先改哪三件事？
你现在的工作里，有哪些经验可以迁移到 Agent 方向？评论区聊聊～
关注「Wood聊大数据」| 9年大数据老兵，聊技术、聊职场、聊成长