Agentic AI-intervjufrågor: vad du kan förvänta dig och hur du förbereder dig

Nästan varje agentic AI-intervju öppnar här, eftersom svaret skiljer dem som har byggt agenter från dem som bara har läst om dem. Den kanoniska frågan är något i stil med: vad är skillnaden mellan en AI-agent och ett enstaka anrop till en språkmodell.

Ett starkt svar namnger loopen. Ett vanligt modellanrop mappar ett indata till ett utdata; en agent kör en cykel av reason, act, observe, repeat och bestämmer nästa steg från vad föregående steg returnerade. Från det kärnan förgrenar sig intervjuare till det ordförråd de förväntar sig att du behärskar:

• ReAct och planering. Att varva resoneringsuppspår med åtgärder, jämfört med att planera en hel sekvens i förväg och sedan utföra den.
• Verktyg och funktionsanrop. Hur modellen ges åtgärder den kan utföra i världen, och hur deras resultat återinträder i dess kontext.
• Minne. Kortsiktigt arbetskontext jämfört med långsiktigt återkallande stött av ett vektorlager eller en databas.
• Autonomi och avslut. Vad som avgör att agenten är klar, och vad som hindrar den från att loopa för evigt.

Felläget här är buzzwordsanhopning: att räkna upp ramverk utan att förklara mekanismen under dem. Ange loopen tydligt och resten av intervjun öppnar sig.

När koncepten är etablerade förvandlas intervjun till ett designsamtal, och det är där det mesta av signalen finns. Förvänta dig ett öppet uppmaningsord: designa en agent som bokar resor, eller triagerar supportärenden, eller svarar på frågor om interna dokument. Det de bedömer är hur du resonerar om de rörliga delarna, inte om du når ett specifikt svar.

Frågorna som pålitligt följer:

• Verktygsanvändning vid fel. Ett verktygsanrop tar timeout eller returnerar skräpdata; vad gör agenten. Återförsök, backoff och en reservstig spelar större roll än det lyckliga fallet.
• Minnesdesign. Vad som ingår i prompten varje tur, vad som sammanfattas, vad som hämtas på begäran och hur du förhindrar att kontexten svämmar över.
• Grounding. När uppgiften kräver fakta som modellen inte har, hur retrieval matar loopen utan att låta inaktuella eller felaktiga passager styra den.
• Multi-agent kontra en agent. När att dela upp arbetet över en orkestratör och arbetare förtjänar sin koordinationskostnad, och när det är komplexitet för sin egen skull.

Svara med avvägningar, inte absoluter. Att säga att „en enskild agent med bra verktyg slår ett multi-agentsystem tills uppgiften genuint har parallella delmål" låter som erfarenhet; att kalla en arkitektur universellt bäst låter som motsatsen. Syskonguider för kodning och systemdesign finns i klustret för intervjutyper.

Du förväntar dig den svåra frågan om modellens internals, och istället frågar intervjuaren hur du ens skulle veta om agenten fungerar. Den pivotet är avsiktlig, och det här avsnittet är vad den undersöker. Den korta versionen: system med flera steg är svåra att mäta, och att erkänna det med en plan slår att låtsas att de är lätta.

Utvärderingsfrågor kretsar kring trajektoriproblemet: ett enstaka anrop är rätt eller fel, men en agent tar en väg, och ett rätt svar nått via en trasig väg är ett latent fel. Starka svar separerar uppgiftsframgång från stegkvalitet, nämner att hålla undan en fast testuppgiftsuppsättning och behandlar en modell som betygsätter en annan modells utdata som användbar men partisk snarare än som sanningsvittne.

Produktionsfrågor trycker sedan på gränserna som inget ramverk tar bort. Kostnad och latens sammansätts med varje extra steg i loopen. En agent utan ett hårt stopp kan snurra, så avslutningsvillkor och stegbudgetar är riktig design, inte en eftertanke. Och högriskåtgärder behöver en människa i loopen, eftersom en agent som kan agera autonomt också kan agera fel med snabbhet.

Priya, en backendingenjör som intervjuade för ett AI-plattformsteam, ombads att kritisera sin egen resebokningsagent. Hon flaggade för att den glatt skulle försöka igen ett misslyckat betalning till en dubbel debitering, och föreslog en idempotency key plus ett bekräftelsesteg. Det enda ärliga felläget drev intervjun längre än något ramverksnamn hade gjort.

Agentic AI-frågor motstår flashkort, eftersom intervjuaren följer upp på vad du än säger. Förberedelse handlar därför om repetitioner under uppföljningstryck, inte en memorerad lista. En fungerande plan:

Bygg en liten agent från ände till ände före intervjun, även ett leksak: en loop, två riktiga verktyg, en återförsöksväg och ett stoppvillkor. Den person som har debuggat en agent som loopade för evigt svarar på avslutningsfrågan från minnet, inte teorin. Öva sedan på att förklara det högt, eftersom intervjun testar berättande lika mycket som kunskap.

För den höga delen, öva mot något som skjuter tillbaka. En övningsintervju som ställer en designfråga och sedan förhör ditt svar är närmare det verkliga än att läsa modellösningar; SubcueAI:s mockläge genererar rollspecifika tekniska frågor och en granskning efter session, så att du hör var ett svar löpte ut. I den live intervjun är assistentens ärliga roll att hjälpa dig hålla struktur och minnas en term under press, inte att tillhandahålla expertis du inte har; anti-fabricering är hela poängen, och klustret om hur det fungerar är öppet om den gränsen.