一次实习面试里，候选人被连续追问 RAG、Agent、MCP、BM25、向量召回和权限隔离等细节，我们的判断是：AI 岗位的门槛已经从“会调模型”前移到“能把系统做出来”。这不是少数公司故意刁难，而是企业开始把大模型应用当正式工程项目，而不是演示项目。

这是什么

源文是一篇面试复盘，但真正有价值的信息不在“题有多难”，而在题目结构：从 RAG（检索增强生成，先查资料再让模型回答）的分片、向量化，到 Agent（能调用工具完成多步任务的系统）、MCP（模型上下文协议，让模型更规范接入外部工具和数据），再到 Skill（可复用的能力模块），问题都指向一件事：企业不再满足于聊天机器人，而是要可上线、可维护、可控成本的 AI 系统。

尤其值得注意的是，面试官追问的不是概念定义，而是参数选择、A/B 测试、存储成本、权限设计。这说明行业对候选人的期待，正在从“知道术语”转向“做过取舍”。比如为什么向量维度选 2048、为什么 KNN 召回后还要用 BM25 重排、为什么 demo 能跑通但生产环境复杂十倍，这些都属于真实业务问题。

行业怎么看

行业内越来越多团队接受一个现实：RAG 的效果往往“七成在数据，两成在检索，一成在模型”。这和前两年“先换更大模型再说”的思路明显不同。我们注意到，企业招聘也在同步调整，哪怕是实习岗位，也希望候选人能理解文档解析、向量库、权限隔离和多租户这类工程问题。

但这里也有反对意见。第一，这类面试容易过度偏向“背架构题”，未必等于真正能交付业务价值；第二，RAG、Agent、MCP 变化太快，今天考的技术栈，半年后可能就换了一批；第三，企业如果把高级工程经验前置到实习招聘，可能抬高入场门槛，反而缩小人才池。换句话说，门槛上升是真趋势，但“会答题”不应替代“会解决问题”。

另一个风险是概念泛化。现在很多岗位 JD 把 Agent、RAG、MCP 全写上，看起来热闹，实际项目可能只需要一个做得扎实的检索系统。对企业来说，盲目追新词并不会提高产出，真正决定效果的，往往还是数据质量、流程设计和系统稳定性。

对普通人的影响

对企业 IT： 采购大模型只是开始，后面更重的是知识库、权限、数据清洗和系统集成。预算会从“买模型”逐步转向“做工程”。

对个人职场： 只会写提示词的优势在下降。懂一点检索、接口、工作流和业务流程的人，会更容易留在 AI 项目的核心位置。

对消费市场： 普通用户短期未必直接感受到 MCP 或 BM25，但会越来越多遇到“更像产品、没那么像聊天”的 AI 服务，回答是否可靠，取决于背后工程而不只是模型名气。