AI Agent 求职面试全攻略

很多人投 AI Agent 岗位时，简历上写着「熟悉 LangChain」，面试官一问「多轮工具调用失败怎么定位」，就卡住了。这门课不想再给你灌一遍大模型原理，而是把面试这条链路拆开：哪些问题一定会被问、每个问题背后在考什么、你现在缺的是哪一块。

先搞清楚自己缺的是哪一层

AI Agent 的面试和普通算法岗不一样，它同时考四层东西，而大多数人的短板只集中在其中一两层。

• 概念层：Agent 与 Workflow 的边界、ReAct 的循环结构、Planning 与 Reflection 各自解决什么问题、记忆分短期长期怎么落地。
• 工程层：工具（Function Calling）的 schema 怎么设计、参数校验与失败重试、上下文超限怎么裁剪、多 Agent 之间怎么通信。
• 项目层：你做的那个 Demo，评测集怎么建的、准确率从多少提到多少、哪次改动反而让效果变差。
• 系统设计层：给你一个「企业知识库问答 Agent」，从检索、路由、工具、护栏到监控，怎么在一小时内讲清楚。

先对着上面四条自评一遍。如果你能流畅讲清 ReAct，但项目只能说「用了 RAG 效果不错」，那缺的是项目层；如果你项目讲得细，却说不清工具调用失败后的降级策略，缺的是工程层。这门课的价值在于让你按缺口去补，而不是从头到尾平铺一遍。

这门课会逼你回答的问题

它不是知识合集，更像一份提问清单。看完之后，下面这些问题你应该能当场答上来，而不是「回去查一下」：

• 同样是让模型调工具，为什么有的场景用 ReAct，有的场景直接上固定流程更稳？
• Agent 陷入循环调用同一个工具，你会从 prompt、状态管理、还是工具返回值三个方向中的哪一个先查？
• Function Calling 的参数填错时，是重试、让模型自我修正，还是直接把错误信息回灌给模型？各有什么代价？
• 多 Agent 协作里，谁是「主」谁是「从」，任务拆解和结果汇总分别放在哪一层做？
• 你项目里的成功率是怎么算的？分母是什么？有没有把「拒答」算成失败？
• 如果面试官问「你这个 Agent 上线后怎么监控」，你会看哪些指标？

这些问题没有标准答案，但面试官能从中听出你是真的搭过、还是只看过教程。

按什么顺序用这份资料

建议不要按文件顺序读。先过一遍知识地图，把 Agent 相关概念之间的依赖关系理清，确认自己哪块是空的；再针对性地补理论部分，重点放在 ReAct、Planning、Memory、多 Agent 这几个高频考点上；然后把主要精力放在项目与系统设计上——这部分光看没用，得拿自己的项目往框架里套。

具体做法：挑一个你做过或想做的场景（客服、代码助手、数据分析都行），强迫自己用「需求 → 架构 → 工具设计 → 评测 → 监控」这条线讲一遍，录音回听。卡壳的地方，就是你面试时会被问倒的地方。案例解析部分可以对照着看，重点不是抄答案，而是看别人怎么把「我做过」讲成「我判断过」。

配套练习怎么安排

• 自问自答：合上资料，把上面那六个问题口头答一遍，控制在每题两分钟内。答不完说明理解还停在「知道」层面。
• 白板设计：给自己一个 Agent 需求，15 分钟画出组件图和调用链路，标注失败点与降级策略。
• 项目复盘：把简历上写的 Agent 项目重写一遍，每个技术选型后面补一句「为什么不用另一个」。
• 交叉提问：找同行互相扮演面试官，专门追问指标、边界和失败案例。

一句提醒

AI Agent 这块变化快，任何资料都可能滞后。这门课能帮你的是把面试的框架和常考维度立起来，剩下的细节得靠你自己的项目和动手实验填。别指望背完就能过，但至少别再出现「简历写了、面试答不上」的尴尬。