Agentic AI sollicitatievragen: wat te verwachten en hoe je je voorbereidt

Bijna elk agentic AI-sollicitatiegesprek opent hier, omdat het antwoord mensen die agents hebben gebouwd onderscheidt van mensen die er alleen over hebben gelezen. De canonieke vraag is een variant van: wat is het verschil tussen een AI-agent en een enkelvoudige aanroep naar een taalmodel.

Een sterk antwoord noemt de lus. Een gewone modelaanroep zet één invoer om in één uitvoer; een agent voert een cyclus uit van reason, act, observe, repeat, waarbij hij zijn volgende stap bepaalt op basis van wat de vorige stap opleverde. Vanuit die kern vertakt de interviewer zich naar het vocabulaire dat ze verwachten dat je beheerst:

• ReAct en planning. Het afwisselen van redeneersporen met acties, versus vooraf een volledige reeks plannen en die vervolgens uitvoeren.
• Tools en functieaanroepen. Hoe het model acties krijgt die het in de wereld kan uitvoeren, en hoe hun resultaten zijn context binnenkomen.
• Geheugen. Kortetermijnwerkcontext versus langetermijnherinnering ondersteund door een vectoropslag of database.
• Autonomie en beëindiging. Wat bepaalt dat de agent klaar is, en wat hem stopt met eindeloos herhalen.

De faalwijze hier is buzzwordstapeling: frameworks opsommen zonder het mechanisme eronder uit te leggen. Verklaar de lus duidelijk en de rest van het gesprek opent zich.

Zodra de concepten zijn vastgesteld, verandert het gesprek in een ontwerpdialoog, en hier bevindt zich het meeste signaal. Verwacht een open prompt: ontwerp een agent die reizen boekt, of supporttickets prioriteert, of vragen beantwoordt over interne documenten. Wat ze beoordelen is hoe je redeneert over de bewegende onderdelen, niet of je een specifiek antwoord bereikt.

De vragen die betrouwbaar volgen:

• Toolgebruik bij falen. Een toolaanroep loopt af of geeft onzin terug; wat doet de agent. Herhalingen, terugval en een reservepad zijn belangrijker dan het gelukkige geval.
• Geheugenontwerp. Wat gaat elke beurt in de prompt, wat wordt samengevat, wat wordt op aanvraag opgehaald, en hoe voorkom je dat de context overstroomt.
• Grounding. Als de taak feiten vereist die het model niet heeft, hoe voert retrieval de lus zonder dat verouderde of onjuiste passages het aansturen.
• Multi-agent versus één agent. Wanneer werk verdelen over een orchestrator en workers zijn coördinatiekosten rechtvaardigt, en wanneer het complexiteit om de complexiteit is.

Antwoord met afwegingen, niet met absolute stellingen. Zeggen dat „een enkele agent met goede tools een multi-agentsysteem verslaat totdat de taak echt parallelle subdoelen heeft" klinkt als ervaring; een architectuur als universeel beste aanduiden klinkt als het tegendeel. Verwante codeer- en systeemontwerpgidsen staan in het cluster voor sollicitatietypes.

Je verwacht de moeilijke vraag over modelinternals, maar de interviewer vraagt in plaats daarvan hoe je zou weten of de agent überhaupt werkt. Die verschuiving is opzettelijk, en dit gedeelte is wat het onderzoekt. De korte versie: meerstappensystemen zijn moeilijk te meten, en dat toegeven met een plan is beter dan doen alsof het eenvoudig is.

Evaluatievragen draaien om het trajectory-probleem: een enkelvoudige aanroep is juist of onjuist, maar een agent neemt een pad, en een juist antwoord dat via een gebroken pad wordt bereikt is een latente bug. Sterke antwoorden scheiden taagsucces van stapkwaliteit, vermelden het apart houden van een vaste testset van taken, en behandelen een model dat de uitvoer van een ander model beoordeelt als nuttig maar bevooroordeeld in plaats van als grondwaarheid.

Productievragen drukken dan op de grenzen die geen enkel framework wegneemt. Kosten en latentie groeien bij elke extra stap in de lus. Een agent zonder harde stop kan blijven draaien, dus beëindigingsvoorwaarden en stapbudgetten zijn echt ontwerp, geen bijgedachte. En risicovolle acties hebben een mens in de lus nodig, want een agent die autonoom kan handelen kan ook snel verkeerd handelen.

Priya, een backend-engineer die solliciteerde voor een AI-platformteam, werd gevraagd haar eigen reisboekagent te bekritiseren. Ze signaleerde dat die een mislukte betaling vrolijk zou herhalen tot een dubbele afschrijving, en stelde een idempotency key plus een bevestigingsstap voor. Dat ene eerlijke faalpunt bracht het gesprek verder dan welke framework-naam ook.

Agentic AI-vragen weerstaan flashcards, omdat de interviewer doorvraagt op wat je ook zegt. Voorbereiding gaat daarom over herhaling onder follow-updruk, niet over een gememoriseerde lijst. Een werkend plan:

Bouw vóór het gesprek één kleine agent van begin tot eind, ook al is het een speelversie: een lus, twee echte tools, een herhalingpad en een stopconditie. De persoon die heeft gedebugd dat een agent eindeloos herhaalde beantwoordt de beëindigingsvraag uit geheugen, niet uit theorie. Oefen het dan hardop te verklaren, want het gesprek test narratie evenzeer als kennis.

Voor het hardop-gedeelte oefen je tegen iets dat terugduwt. Een nepsollicitatiegesprek dat een ontwerpvraag stelt en dan je antwoord ondervraagt, is dichter bij de echte situatie dan modeloplossingen lezen; SubcueAI's mock-modus genereert rolspecifieke technische vragen en een nabespreking, zodat je hoort waar een antwoord wegviel. In het live gesprek is de eerlijke rol van een assistent je te helpen structuur te behouden en een term op te roepen onder druk, niet expertise te leveren die je niet hebt; anti-fabricatie is het hele punt, en het cluster over hoe het werkt is open over die grens.