来源：抖音 @海云日记
作为一名资深Agent面试官，我面试过30多位Agent领域的候选人，也曾亲自面试Agent产品公司。在此，我想分享一些关于Agent简历和面试的深刻感受。许多候选人在自我介绍或项目描述上存在巨大差距。面试官在查看简历的前30秒，就会决定深入追问哪些内容。以下是Agent面试的关键要素和常见误区：
1. 项目场景：伪需求与真价值
面试官首先关注的是你所做的项目场景是否真正需要Agent技术。如果你提出的场景，像聊天机器人这种，使用简单的大语言模型（如“豆包”）就能解决，那么无论你堆砌多少技术，这都属于“伪需求”。面试官不会深究你的技术细节，而是会质疑你选择这个场景的理由。
真正有价值的Agent场景需满足以下特征：
- 多步推理： 任务复杂，需要Agent像人一样进行多步思考和规划。
- 跨数据源信息整合： 需要从多个数据来源获取并整合信息以完成任务。
- 异步任务处理： 处理的不是一次性对话就能完成的简单任务，而是涉及异步操作和状态管理。
例如，如果你的项目使用分布式向量数据库Milvus来处理几千条数据，这就会被面试官质疑。因为Milvus是为千万级向量和高并发查询设计的生产级向量数据库。对于几千条数据，使用轻量级数据库或甚至本地存储就足够了。面试官不怕你技术用得少，但你必须清楚为何选择某项技术，而非盲目堆砌。
2. Agent核心技术：Workflow与Multi-Agent
在技术选型方面，面试官通常会深入探讨Agent的以下核心概念：
- Workflow (工作流) 与 Multi-Agent (多智能体) 的区别： 并非简单的任务分发就是多智能体。多智能体需要实现智能体之间的自主决策、相互调用和通信，而固定流程的任务分发只能算是工作流。
- Memory (记忆) 的位置： Memory应该放在
system prompt的最前面。这是为了提升缓存命中率，从而降低成本。如果放到最后，意味着模型对最新内容最敏感，这混淆了因果关系。 - Skills (技能) 与 MCP (多模态通信协议) 的关系： 这两者本身不是同一层级的事物，你需要清晰阐述它们在系统中的作用和联系。
3. 工程实践：被低估的硬核能力
许多做Agent的工程师在工程实践方面存在短板，这往往是面试失败的关键点：
- 上下文管理： 清晰阐述如何对上下文进行分层管理，每层何时触发，以及如何处理噪声。
- Prefix Caching 优化： 详细说明如何设计和优化Prefix Caching以提高性能。
- Eval (评估) 体系： 这是一个非常重要的环节。许多简历上要么缺乏数据，要么只有模糊的准确率。你需要说明：
- 测试集的构建方法。
- 覆盖了哪些测试用例 (Case)。
- 具体的评估指标 (metrics)。
- 自动化回归测试的实现方式。 即使项目规模较小，也要有完善的评估体系。 哪怕50个手动测试用例，也能体现你的严谨性。
4. 软实力：深度参与行业与社群
除了硬核技术，面试官还会考察你的软实力，例如学习能力和对行业的洞察力：
- 日常如何使用AI工具： 分享你如何使用AI工具进行日常工作和代码编写。
- 关注的信息源： 了解你如何获取行业最新信息，例如是否定期浏览Hacker News，关注snr p和OpenAI员工在X上的发言，以及是否阅读最新发布的Changelog。
如果你能清晰地说明如何利用这些信息源，说明你不仅仅停留在使用Agent工具的层面，而是能够主动构建自己的工作流，将框架的最佳实践融入技能中。这表明你对Agent技术有深度理解和实际动手能力。
总结： Agent方向的面试核心逻辑已经改变。你的项目必须经得起深挖，有真正的价值和技术深度。深挖的前提是你的简历过关，并且你已经提前准备好简历中每一点内容的细节，随时可以回答面试官的追问。