Ethan's Notes

Appearance

🤖 八股备战基地 Agent 协同接管指南 (Agent Handoff Guide) ​

📌 项目背景与目标 ​

这里是 Ethan (2027届) 的面试八股文核心准备基地。 目标是摒弃传统的死记硬背，采用 “泛读 -> NotebookLM 提炼 -> Agent 织网入库 -> 动态 /grill-me 拷问” 的敏捷闭环工作流。 核心实战项目：[[苍穹外卖AI客服]] 和 [[黑马点评]]。八股文必须无缝融入这两个项目的业务场景（特别是 AI Agent 工具调度、多级缓存与一致性等差异化亮点）。

📁 知识架构 (6大模块) ​

  1. Java 核心
  2. Spring 与 AOP
  3. Redis 与缓存
  4. MySQL 与数据库
  5. AI Agent 架构 (高优先级，差异化武器)
  6. RAG 检索架构 (高优先级，差异化武器)

🛠️ 核心工作流与 Agent 职责规范 (接手必读) ​

1. 织网机制 (Weaving) ​

  • 用户的环境已安装了专门的 bagu-weaver Skill。
  • 当用户输入 /weaver [文章标题/知识点] 时，Agent 必须智能推断对应模块，并调用 NotebookLM (通过 MCP 接口)。
  • 输出标准：必须严格遵循三段式（1. 大白话概念与痛点；2. 底层机制与高频对比；3. 结合项目的实战口径）。并保存为对应的 .md 文件，附带双向链接。
  • 目录维护：每次 /weaver 新增或更新知识卡片后，Agent 必须同步更新对应模块目录下的 index.md，把该知识点加入“本节目录”，确保目录页与实际卡片文件保持一致。

2. 实战对练与元数据维护 (/grill-me) ​

  • 当用户触发 /grill-me 时，Agent 需要读取当前目录下的已有笔记，并优先结合 高频考点清单.md 与 高频考点看板.md 动态出题。要侧重于连环追问和跨技术栈串联。
  • 【拷问阶段：隐藏答案】：在拷问进行期间，Agent 严禁提供任何推荐答案或正确选项暗示（如去除选项中的 (Recommended) 前缀），确保拷问的纯粹测试性质。
  • 【缺口判定与补缺】：/grill-me 默认先闭卷。只有当用户明确答不出、追问到机制就断、或答案过散无法形成面试口径时，Agent 才允许按当前缺口调用 NotebookLM 做定向补缺。补缺只服务当前题点，不允许开局预读一堆来源。
  • 【结束阶段：打分与复盘】：在拷问自然结束或用户输入指令主动中止拷问时，Agent 必须执行：
    1. 对用户在整个会话中的回答表现进行综合评估打分（百分制）。
    2. 统一汇总提供每道题的**“推荐答案/标准答案与精选答辩口径”**（包括核心原理的凝练总结和结合项目的简历高分示范），方便用户系统化对照复盘。
    3. 将本轮完整复盘沉淀到 8. 拷问记录，采用每轮一篇记录，文件名固定为 YYYY-MM-DD-HHMM-知识点.md（例如 2026-06-06-1700-大模型提示词工程.md）。记录必须包含：题目、用户回答摘要、缺失点、推荐答案、项目口径、分数、是否过关、来源知识卡片链接和下次复习动作。
    4. 对命中 高频考点看板.md 的题点，复盘后同步更新看板状态，至少区分 训练中 / 已过关 / 待返工，让当前冲刺期进度可视化。
  • 【最高指令】元数据更新：在每次 /grill-me 针对某个知识点的拷问过关后，Agent 必须主动编辑对应的 .md 卡片，在文件的开头以 YAML Frontmatter 的形式注入/更新打卡数据：
    yaml
    ---
grill_count: 1
last_grilled: "2026-06-04"
last_grill_score: 85
---
    (如果已存在则累加 grill_count 并更新日期和最后一次得分)。原因：外部独立部署的 Web 进度大本营依赖读取这些隐藏标记来渲染雷达图和成就进度条，如果 Agent 不更新，网页就不会有视觉反馈！
  • 【三层真相分工】：
    • 原知识卡 frontmatter：长期掌握度真相，只维护 grill_count、last_grilled、last_grill_score
    • 8. 拷问记录：每轮完整复盘证据
    • 高频考点看板.md：当前冲刺期题点状态 这三层不能混成一份大表。

3. NotebookLM 知识库映射簿 ​

所有资料已灌入以下 NotebookLM 笔记本：

  • Java核心: 2f172a3d-e890-4e6e-b742-a979ed6d7bbc
  • Spring与AOP: 73afb79c-f29d-40be-95c8-d6192319e0d6
  • Redis与缓存: 7aac328b-a655-4624-928a-e257eb821045
  • MySQL与数据库: 8a883c97-4126-440a-a959-0a592584c749
  • AI Agent架构: ea48217b-f2c9-4a5f-b4c5-748c44c8b22c
  • RAG检索架构: 1825142e-4063-46f9-9e1e-db1831c8750c
  • Java并发与多线程: 617971af-3bc3-4719-9e9d-5bd005293d1c