Fragen im Vorstellungsgespräch zu agentischer KI: Was Sie erwartet und wie Sie sich vorbereiten

Fast jedes Interview zu agentischer KI beginnt hier, weil die Antwort Menschen, die Agenten gebaut haben, von Menschen unterscheidet, die nur darüber gelesen haben. Die klassische Frage lautet in einer Form oder einer anderen: Was ist der Unterschied zwischen einem KI-Agenten und einem einzelnen Aufruf an ein Sprachmodell.

Eine starke Antwort nennt die Schleife. Ein gewöhnlicher Modellaufruf bildet eine Eingabe auf eine Ausgabe ab; ein Agent führt einen Zyklus aus Denken, Handeln, Beobachten und Wiederholen aus und entscheidet seinen nächsten Schritt aus dem, was der letzte zurückgegeben hat. Von diesem Kern aus verzweigen Interviewer in das Vokabular, das sie von Ihnen erwarten:

• ReAct und Planung. Das Verflechten von Denk-Traces mit Aktionen, gegenüber dem Planen einer vollständigen Sequenz im Voraus und deren anschließender Ausführung.
• Tools und Funktionsaufrufe. Wie das Modell Aktionen erhält, die es in der Welt ausführen kann, und wie deren Ergebnisse wieder in seinen Kontext einfließen.
• Gedächtnis. Kurzfristiger Arbeitskontext gegenüber langfristiger Erinnerung, gestützt durch einen Vektorspeicher oder eine Datenbank.
• Autonomie und Abbruch. Was entscheidet, dass der Agent fertig ist, und was verhindert, dass er für immer in der Schleife bleibt.

Das Versagensmuster hier ist das Anhäufen von Buzzwords: Frameworks auflisten, ohne den darunter liegenden Mechanismus zu erklären. Nennen Sie die Schleife klar und der Rest des Gesprächs öffnet sich.

Sobald Konzepte etabliert sind, wird das Gespräch zu einer Designdiskussion, und hier liegt der größte Teil des Signals. Erwarten Sie einen offenen Prompt: Entwerfen Sie einen Agenten, der Reisen bucht, oder Support-Tickets sortiert, oder Fragen über interne Dokumente beantwortet. Was bewertet wird, ist wie Sie über die beweglichen Teile nachdenken, nicht ob Sie zu einer bestimmten Antwort gelangen.

Fragen, die zuverlässig folgen:

• Tool-Nutzung bei Fehler. Ein Tool-Aufruf läuft ab oder gibt ungültige Daten zurück; was macht der Agent. Wiederholungsversuche, Backoff und ein Fallback-Pfad zählen mehr als der Erfolgsfall.
• Gedächtnisdesign. Was kommt jede Runde in den Prompt, was wird zusammengefasst, was wird bei Bedarf abgerufen, und wie verhindern Sie einen Kontext-Überlauf.
• Verankerung. Wenn die Aufgabe Fakten erfordert, die das Modell nicht besitzt, wie die Abrufung die Schleife speist, ohne dass veraltete oder falsche Passagen sie lenken.
• Multi-Agent versus Ein-Agent. Wann die Aufteilung von Arbeit auf einen Orchestrierer und Arbeiter ihre Koordinationskosten rechtfertigt, und wann es Komplexität um der Komplexität willen ist.

Antworten Sie mit Abwägungen, nicht mit Absoluten. Zu sagen „ein einzelner Agent mit guten Tools schlägt ein Multi-Agenten-System, bis die Aufgabe wirklich parallele Teilziele hat“ liest sich als Erfahrung; eine Architektur als universell beste zu nennen liest sich als das Gegenteil. Verwandte Codierungs- und Systemdesign-Leitfäden befinden sich im Cluster der Gesprächstypen.

Sie erwarten, dass die schwierige Frage über Modell-Interna geht, und stattdessen fragt der Interviewer, wie Sie wüssten, dass der Agent überhaupt funktioniert. Dieser Schwenk ist beabsichtigt, und dieser Abschnitt ist das, was er prüft. Kurz gesagt: Mehrstufige Systeme sind schwer zu messen, und das mit einem Plan zuzugeben schlägt zu tun als ob es einfach wäre.

Evaluierungsfragen konzentrieren sich auf das Trajektorieproblem: Ein einzelner Aufruf ist richtig oder falsch, aber ein Agent nimmt einen Pfad, und eine richtige Antwort, die über einen defekten Pfad erreicht wird, ist ein latenter Fehler. Starke Antworten trennen Aufgabenerfolg von Schrittqualität, erwähnen das Einbehalten eines festen Satzes von Testaufgaben und behandeln das Bewerten der Ausgabe eines Modells durch ein anderes als nützlich, aber tendenziös, nicht als Grundwahrheit.

Produktionsfragen drücken dann auf die Grenzen, die kein Framework beseitigt. Kosten und Latenz summieren sich bei jedem zusätzlichen Schritt in der Schleife. Ein Agent ohne hartes Stopp kann endlos rotieren, daher sind Abbruchbedingungen und Schrittbudgets echtes Design, keine Nachgedanken. Und riskante Aktionen benötigen einen Menschen in der Schleife, weil ein Agent, der autonom handeln kann, auch schnell falsch handeln kann.

Priya, eine Backend-Ingenieurin, die sich für ein KI-Plattform-Team bewarb, wurde gebeten, ihren eigenen Reisebuchungsagenten zu kritisieren. Sie wies darauf hin, dass er eine fehlgeschlagene Zahlung bereitwillig wiederholen und so eine Doppelbelastung verursachen würde, und schlug einen Idempotenzschlüssel plus einen Bestätigungsschritt vor. Dieser eine ehrliche Fehlermodus brachte das Gespräch weiter als jeder Framework-Name.

Agentische KI-Fragen widerstehen Karteikarten, weil der Interviewer bei dem nachhakt, was Sie sagen. Vorbereitung ist daher Wiederholungen unter Nachfragedruck, keine auswendig gelernte Liste. Ein Arbeitsplan:

Bauen Sie vor dem Gespräch einen kleinen Agenten von Ende zu Ende, auch einen Spielzeug-Agenten: eine Schleife, zwei echte Tools, einen Wiederholungspfad und eine Stoppbedingung. Die Person, die einen Agenten debuggt hat, der ewig in der Schleife blieb, beantwortet die Abbruchfrage aus dem Gedächtnis, nicht aus der Theorie. Üben Sie dann das laute Erklären, denn das Gespräch prüft Narration genauso wie Wissen.

Für den Laut-Teil üben Sie gegen etwas, das zurückfragt. Ein Mock-Interview, das eine Designfrage stellt und dann Ihre Antwort hinterfragt, ist näher an der Realität als Musterlösungen zu lesen; SubcueAIs Mock-Modus generiert rollenspezifische technische Fragen und eine Sitzungsnachbesprechung, sodass Sie hören, wo eine Antwort abbrach. Im echten Gespräch besteht die ehrliche Rolle eines Assistenten darin, Ihnen zu helfen, Struktur zu bewahren und unter Druck einen Begriff zu erinnern, nicht Fachwissen zu liefern, das Sie nicht haben; Anti-Fabrikation ist der gesamte Punkt, und der Cluster „wie es funktioniert“ ist offen über diese Grenze.