Perguntas de entrevista sobre IA agêntica: o que esperar e como se preparar

Quase toda entrevista de IA agêntica começa aqui, porque a resposta separa quem construiu agentes de quem apenas leu sobre eles. A pergunta canônica tem alguma forma de: qual é a diferença entre um agente de IA e uma única chamada a um modelo de linguagem.

Uma resposta sólida nomeia o loop. Uma chamada de modelo comum mapeia uma entrada para uma saída; um agente executa um ciclo de raciocinar, agir, observar e repetir, decidindo seu próximo passo a partir do que o último retornou. A partir desse núcleo, os entrevistadores ramificam no vocabulário que esperam que você domine:

• ReAct e planejamento. Entrelaçar traços de raciocínio com ações, versus planejar uma sequência completa antecipadamente e depois executá-la.
• Ferramentas e invocação de funções. Como o modelo recebe ações que pode executar no mundo, e como seus resultados reingressam no seu contexto.
• Memória. Contexto de trabalho de curto prazo versus lembrança de longo prazo sustentada por um armazenamento de vetores ou banco de dados.
• Autonomia e encerramento. O que decide que o agente terminou, e o que o impede de fazer loop para sempre.

O modo de falha aqui é o empilhamento de buzzwords: listar frameworks sem explicar o mecanismo por baixo. Enuncie o loop claramente e o restante da entrevista se abre.

Uma vez estabelecidos os conceitos, a entrevista se torna uma conversa de design, e aqui é onde reside a maior parte do sinal. Espere um prompt aberto: projete um agente que reserve viagens, ou triagem tickets de suporte, ou responda perguntas sobre documentos internos. O que estão pontuando é como você raciocina sobre as partes móveis, não se chega a uma resposta específica.

As perguntas que confiavelmente seguem:

• Uso de ferramentas sob falha. Uma chamada de ferramenta atinge o tempo limite ou retorna dados inválidos; o que o agente faz. Novas tentativas, recuo exponencial e um caminho alternativo importam mais do que o caso de sucesso.
• Design de memória. O que entra no prompt a cada turno, o que é resumido, o que é recuperado sob demanda e como você evita o transbordamento de contexto.
• Ancoragem. Quando a tarefa precisa de fatos que o modelo não possui, como a recuperação alimenta o loop sem deixar que trechos obsoletos ou errados o direcionem.
• Multi-agente versus agente único. Quando dividir o trabalho entre um orquestrador e trabalhadores justifica seu custo de coordenação, e quando é complexidade por si mesma.

Responda com compensações, não absolutos. Dizer «um agente único com boas ferramentas supera um sistema multi-agente até que a tarefa genuinamente tenha subobjetivos paralelos» se lê como experiência; nomear uma arquitetura como universalmente melhor se lê como o oposto. Guias relacionados de codificação e design de sistemas estão no cluster de tipos de entrevista.

Você espera que a pergunta difícil seja sobre os internos do modelo, e em vez disso o entrevistador pergunta como você saberia que o agente funciona sequer. Esse pivô é deliberado, e esta seção é o que ele sonda. A versão curta: sistemas de múltiplos passos são difíceis de medir, e admitir isso com um plano supera fingir que são fáceis.

As perguntas de avaliação se concentram no problema da trajetória: uma única chamada está certa ou errada, mas um agente percorre um caminho, e uma resposta correta alcançada por um caminho quebrado é um bug latente. Respostas sólidas separam o sucesso da tarefa da qualidade dos passos, mencionam manter um conjunto fixo de tarefas de teste e tratam um modelo avaliando a saída de outro modelo como útil mas tendencioso, não como verdade fundamental.

As perguntas de produção então pressionam os limites que nenhum framework elimina. Custo e latência se acumulam com cada passo extra no loop. Um agente sem parada forçada pode girar em espiral, portanto condições de encerramento e orçamentos de passos são design real, não uma reflexão tardia. E ações de alto risco precisam de um humano no loop, porque um agente que pode agir autonomamente também pode agir erroneamente com rapidez.

Priya, engenheira de backend entrevistando para uma equipe de plataforma de IA, foi convidada a criticar seu próprio agente de reservas de viagens. Ela sinalizou que ele alegremente tentaria novamente um pagamento falho levando a uma cobrança dupla, e propôs uma chave de idempotência mais um passo de confirmação. Esse único modo de falha honesto levou a entrevista mais longe do que qualquer nome de framework teria feito.

As perguntas de IA agêntica resistem a fichas de memória, porque o entrevistador aprofunda qualquer coisa que você diga. A preparação é portanto sobre repetições sob pressão de acompanhamento, não uma lista memorizada. Um plano de trabalho:

Construa um agente pequeno de ponta a ponta antes da entrevista, mesmo um de brinquedo: um loop, duas ferramentas reais, um caminho de nova tentativa e uma condição de parada. A pessoa que depurou um agente que ficou em loop para sempre responde à pergunta de encerramento da memória, não da teoria. Depois ensaie explicando em voz alta, porque a entrevista testa narração tanto quanto conhecimento.

Para a parte em voz alta, pratique contra algo que rebata. Uma entrevista simulada que faz uma pergunta de design e depois interroga sua resposta está mais perto do real do que ler soluções modelo; o modo simulação do SubcueAI gera perguntas técnicas específicas do cargo e uma revisão pós-sessão, para que você ouça onde uma resposta se perdeu. Na entrevista real, o papel honesto de um assistente é ajudá-lo a manter estrutura e lembrar um termo sob pressão, não fornecer expertise que você não tem; anti-fabricação é todo o ponto, e o cluster «como funciona» é franco sobre esse limite.