海康威视员工：去年绩效只要是合格及以上的，都会普调，8月份工资见分晓就行了，不用怀疑（附Agent面试题）

简单给大家科普下。

如有错误和遗漏，还请大家指出（我超爱学习的～

特此声明，代表公司不等于实力排名，同一家公司可以横跨多个层级。

①、上游基础层，主要提供数据、芯片与算力的基础设施。

比如说数据采集与标注的海天瑞声、AI训练与推理芯片的华为昇腾、智驾与边缘AI芯片的寒武纪、AI服务器与集群的中兴、云计算与智能算力的火山引擎、智算中心与IDC的中国移动等等。

②、中游模型层，主要提供基础模型、行业模型与模型平台。

先说大厂，比如阿里的千问、腾讯的混元、字节的豆包、科大讯飞的讯飞星火、华为的盘古。

然后是创业公司，DeepSeek、智谱的GLM、月之暗面的Kimi。

再然后是针对特定行业的大模型，比如说第四范式、金融领域的蚂蚁、医疗领域的科大讯飞、教育领域的网易、政务与城市治理的商汤科技等。

③、下游应用层，主要提供面向用户的C端产品，以及真实业务。

元宝、夸克、WorkBuddy、Qoder、WPS AI、TRAE、小浣熊、可灵、即梦。

视觉AI与AIoT领域的海康威视，主要从事智能视频、机器视觉、智慧交通、工业视觉等。

以及小鹏汽车、理想汽车、蔚来汽车、比亚迪等提供的智能驾驶。

机器人领域的宇树科技、智元等。

PS：我必须强调一点，在我的公众号，我只会讲一家公司的好话，拍一家公司的马屁。不要怂恿我批评一家公司，因为大厂的法务不是吃素的，我惹不起，兄弟姐妹们，之前吃过不少亏，没办法（你们懂的。

那站在积极正面、充满正能量、激情热血的一面，海康威视也是AI应用落地值得去冲的一家公司，

2026年上半年，海康威视的复苏明显加速，总营收来到了468.23亿元。其中PBG公共服务、EBG企事业、SMBG中小企业、海外主业、创新业务都有不同程度的营收增长。

一句话来概括海康威视的护城河业务就是。

用规模化感知设备获得物理世界入口，用边缘AI理解现场，用行业平台组织流程，再用控制设备和机器人完成行动闭环。

换句话说，DeepSeek 等模型能力越强，海康就越有条件把资源集中在自己真正擅长的物联感知、边缘部署、行业知识和物理执行层。

如果你是一位愿意相信努力、相信过程、相信一步一个脚印、相信自己能在 AI 时代分一杯羹的人，那接下来这份硬核的面经，希望你能认真读一读。

（全文比较肝，保证大家能学到很多很多，系好安全带，我们粗粗粗发～）

content

文中涉及的PaiCLI Agent 已经开源到GitHub，Go版本也有：https://github.com/itwanger/PaiCLI-Python

01、对 Agent 自进化的理解

老王低头翻着我的简历，无名指上的戒指碰到纸面，发出轻轻的响声。翻到第二页停了下来：“Agent 自进化，你展开聊聊？”

“自进化的核心是——不改模型权重，在应用层让 Agent 自己变好。”

和 fine-tuning 的区别在哪？

fine-tuning 要收集标注数据、跑训练、部署新模型，周期长、成本高。

自进化走的是另一条路——Agent 在执行任务的过程中，自动分析哪些做法有效、哪些失败，把有效的经验积累下来，下次遇到类似任务直接复用。

具体来说有三条路径。

第一条，Prompt 进化。Agent 跑完一批任务后，分析失败的执行轨迹，提取反复出现的失败模式，自动生成新的约束规则写入 system prompt。比如发现模型经常在多文件编辑时漏掉某个文件，就补一条“多文件编辑前先用工具列出所有需要修改的文件清单”。

第二条，工具链优化。记录成功任务的工具调用序列，发现某些工具组合的成功率特别高，下次遇到类似任务优先走验证过的路径。

第三条，知识库增量。把解决过的问题和方案结构化存入长期记忆。下次遇到同类问题，先检索经验库，不用从零开始推理。

02、自进化产物的提取标准和质量评估

“提取标准有三条。”

“第一，任务最终成功了。只有成功的执行轨迹才值得提取。失败的轨迹是反面教材，用来生成约束规则，不用来生成推荐路径。”

“第二，效率高于基线。同样的任务，如果这次用了更少的步骤或更少的 token 就完成了，说明这条路径有优化价值。”

“第三，用户认可。Agent 的回答用户接受了、代码提交了、没有要求修改，这些隐式信号也算认可。”

质量怎么评估？

“三个维度。”

“结果维度——提取出来的经验，拿去跑同类任务，成功率有没有提升。这个要实测，不能凭感觉。”

“泛化维度——这条经验换个场景还管不管用。如果只对某个特定 case 有效，换个项目就不行，那就是过于耦合了，价值不大。”

“可解释维度——提取出来的规则，人类能不能看懂、能不能审核。不可解释的经验不能放进 system prompt，因为你不知道它为什么有效，也不知道它什么时候会失效。”

03、数据从哪来？怎么判断高质量数据？

老王端起茶杯喝了一口：“用于做 Agent 自进化的数据从哪来？”

“三个来源。”

“第一个，生产环境的真实执行轨迹。这是最有价值的数据，因为是真实用户在真实场景下的真实任务。每一轮 Agent 和用户的交互都会记录成不可变的 JSONL 日志，包括 LLM 消息、工具调用、执行结果、耗时。”

“第二个，Golden Set（标准测试集）的执行记录。在受控环境下跑标准用例，每条用例有明确的输入和预期输出。跑出来的轨迹可以精确标注成功和失败。”

“第三个，人工构造的种子数据。冷启动阶段没有足够的生产数据，手动写几条标准的执行轨迹作为起步。数量不用多，能覆盖主要的任务类型就行。”

怎么判断高质量？

四个信号。

• 任务最终成功，
• 过程高效——步骤数和 token 消耗在合理范围内，
• 无副作用——没有误删文件、没有执行危险命令，
• 可泛化——不是针对特定文件路径或特定项目结构的 hack。四个条件都满足，才算高质量。

04、为什么在沙箱环境做自进化？

“第一，安全。自进化过程中 Agent 会尝试新策略，新策略可能有副作用——删错文件、执行错误命令、改坏代码。在沙箱里犯错不影响真实环境。”

“第二，可复现。每次实验从同一个干净状态出发，变量只有 Agent 的策略差异，结果才有可比性。如果在真实环境跑，上一次实验的残留会污染下一次，不知道效果提升是策略的功劳还是环境碰巧有利。”

“第三，可逆向。策略不好就回滚快照从头再来，成本很低。真实环境里把代码改坏了，回滚的代价要大得多。”

05、快照的选择时机

“你提到快照和回滚，那快照在什么时机做？”

“第一个，每一轮自进化迭代开始前，做一次全量快照。这是 baseline（基准状态），不管后面发生什么，都能回到这个干净状态。我的做法是用独立的 Git 仓库做快照管理，和用户项目的 .git 完全隔离。每次 Agent 开始执行前自动做一次 pre-turn（执行前）快照。”

“第二个，每次 Agent 执行完一个完整任务后，做增量快照。这是 checkpoint（检查点），记录阶段性成果。post-turn（执行后）快照放在后台异步写入，不阻塞主流程。”

“第三个，Agent 即将执行高风险操作前——比如批量删除文件、执行不可逆的 shell 命令——做即时快照。万一操作出了问题，能精确回滚到操作之前的状态。”

触发方式

“两种方式配合用。定时快照按迭代周期自动触发，事件驱动快照在特定事件——任务完成、错误发生、高风险操作——触发。快照...