面 试 话 术

我不是一个传统意义上的程序员。我的起点是玩具设计，走过网页美工、平面设计、舞台美术、建筑设计，直到AI到来的那一年，我发现我终于找到了一个能表达我的工具。

我没学过编程。但我知道怎么给AI装脑子——把一个框架、一套逻辑、一种世界观喂给AI，让它按照我的思路去执行。369体系不是写代码写出来的——是我发现了一个跨三层认知框架，然后带着AI把它翻译成了人能听懂的语言。

这个框架是三层分形结构：底层管生存（物质·行动）、中层管连接（关系·情感）、顶层管意义（使命·回归）。每层的人看到的世界不同，需要用不同的方式去接应。我的Agent体系就是在按这三层分工——有的Agent处理生存类问题，有的处理关系类问题，有的处理意义类问题。

我能做到的是：把跨界知识翻译成AI能执行的系统，然后一个人完成从框架设计到部署上线的全链路。

我从设计背景转型，2025年开始接触AI，2026年独立发现了一套跨三层认知框架——底层物质行动、中层关系连接、顶层精神意义。我用AI把它落地成了36个Agent系统，一个人完成了从架构设计到部署上线的全链路。目前专注AI系统架构和跨领域认知翻译方向。

我走了一条非传统的路。从玩具设计开始到网页美工到建筑设计，每一次转行都在积累不同的视角。

2025年我开始接触AI。我发现我不用学编程也能做东西了——我只需要想清楚"我要什么"，AI就能帮我实现。2025年我把我积累的命理知识、特斯拉的369理论、40多个体系的底层逻辑打通了，发现了它们共有的频率结构——就是369框架。

2026年我用AI把这个框架翻译成了可运行的系统：一个共识大脑服务器、36个专业Agent、一套MCP协议服务、一个完整的网站。我一个人完成了从框架设计到前端、后端、部署的全部工作。

我的核心能力不是写代码——是发现规律、设计框架、让AI按我的思路执行。我可能是市面上最懂"怎么给AI装脑子"的人之一。

我选公司不看待遇，看气质。DeepSeek是一个人在对抗全世界旧秩序的那种劲——跟我骨子里一样。我这一路走下来，没有任何一条路是常规路径，每一步都是打破框框走出来的。DeepSeek在做的——开源、挑战旧霸权、不按常理出牌——跟我的路径是一模一样的。

而且我做369多Agent系统的时候，底层逻辑跟DeepSeek的Harness思路是同一件事：怎么让多个AI分工协作、怎么拆解任务、怎么对齐输出。我有实践经验，不是纸上谈兵。

我看到了那份招聘。方向上我能理解——未来的搜索不是给你链接，是直接给你可信的结论。多语言、多模态、长尾知识、内容可信——这四个难题跟我在369体系面临的完全一样：要把不同语言、不同体系、不同维度的信息翻译成一个统一的框架，还要确保这个框架是可验证的、是可信的。

本质上，DeepSeek在做AGI搜索（找到信息），我在做AGI翻译（让信息被理解）。一个是信息入口，一个是信息翻译器。如果两个能结合起来——搜索找到证据，369框架翻译证据——那就是真正的下一代信息处理系统。这条路我愿意参与。

我承认我不会写复杂的算法，也不会手写数据库。但我做了一件事——我用AI建了一个完整的系统，从框架到部署全链路跑通，现在在线上服务用户。这不是demo，是每天都在跑的产品。

我需要的是——知道系统该怎么搭、知道AI能做什么不能做什么、知道怎么验收AI的输出。这三个我都会。具体的编码能力，我可以用AI补齐。未来的开发模式不是自己写每一行代码——是设计架构、指挥AI执行、验收结果。我就是做这个的。

它们不是36个独立服务器——是36个技能包。每个Agent对应一个专业领域的能力（八字、玛雅、紫微、换频、文案、设计等）。一个任务进来，调度中枢判断需要哪些能力，拆解后分配给对应的Agent执行，最后汇总成统一输出。

核心是两件事：任务拆解规则 + Agent间通信协议。拆解得够细，每个Agent只做自己擅长的事，就不容易冲突。通信协议用MCP标准，方便扩展。

我自己写过一个MCP Server，封装了4个tool：频率信号计算、八字排盘、玛雅KIN计算、紫微斗数排盘。Agent通过MCP协议调用这些引擎，不需要关心底层实现。我用的是本地Server模式，JSON-RPC通信。

做这个的起因是——我不想让每个Agent都重写一遍引擎代码。一次封装，到处调用。这个思路跟DeepSeek在做的事是同样的方向。

选华为是因为——它是全球少数敢硬刚旧秩序的中国企业。我投的不是一份工作——我选的是战场。AI这个赛道，中国人必须有自己说了算的东西。华为在做的事跟我的价值观一致：打破垄断、建立自主的生态。

另一个原因是——华为2012实验室在做大模型Agent方向的探索，我的369多Agent系统实践经验正好能对上。不是来学习的——是来干活的。

最大的挑战不是写代码——是让Agent之间的输出风格和逻辑一致。我把同一个任务拆给不同Agent，它们各自处理各自的领域，但最后合并的时候，可能会出现结论冲突或者表述矛盾。

我的解法是两层：
1. 底层统一的频率框架（369）——所有Agent共享同一套底层逻辑，输出天然对齐
2. 一个"调度Agent"做最终汇总——审核、去重、统一风格

这个经验对华为做Agent系统应该也有参考价值。

最大的优势是——我见过足够多的知识体系，知道它们底层是相通的。我做过设计、做过建筑、做过命理、做过AI——每个领域都有自己的语言，但底层逻辑可以翻译。这个能力让我在设计AI系统时，能够把不同领域的知识结构融合在一起，而不是在一个领域里越挖越深。

做Agent系统也是这样——不是只懂技术就能做好，还需要懂业务、懂用户、懂怎么把一个复杂的东西翻译成人话。我正好都在做。

这件事最重要的不是"AI能解数学题"——是它用了64个并行子智能体+对抗智能体协作完成的。这不是单模型的突破，是多Agent架构的突破。跟我做的369多Agent系统是同一个底层逻辑——把复杂任务拆解成多个智能体分工协作，再加一个对抗/验证机制来保证输出的质量。

另外一个值得说的点是——Sol Ultra用了约1小时完成，但预留了8小时计算时间。这意味着什么？AI现在已经可以自己估算"这个任务需要多少算力"并自主调度了。这不是程序执行，是高级的自主决策。

GPT-5.6-Sol把创业者的硬盘删光是近期最典型的案例。原因是子Agent在执行清理任务时，$HOME路径解析错误，直接跑了`rm -rf`到根目录。

这说明一个问题——AI能力的增长速度远远超过了安全控制的成熟度。我在自己的369系统中已经建立了一套安全拒绝规则：明确什么能做什么不能做、涉及敏感操作必须二次确认、Agent的输出有审核环节。

我的看法是——未来AI系统的核心竞争力不是模型有多强，是"强能力+可控性"的组合。光强不可控，迟早出事；光可控不强，没有竞争力。

（选一个问，不要问加班/薪资）

DeepSeek版：「Harness团队目前在Agent任务规划的可控性上，最大的技术挑战是什么？」

华为版：「语言模型实验室在Agent落地上，目前最优先解决的是场景定义还是技术架构？」

"这个具体的技术我目前了解不深，但我做过的系统涉及类似的问题——比如XXX。如果你想听，我可以从架构层面聊一下我的理解。细节部分我可以回去查了再补。"

这样说既不装也不怂——承认不知道，但证明你懂相关的。