คำถามสัมภาษณ์ agentic AI: สิ่งที่ต้องคาดหวังและวิธีเตรียมตัว

การสัมภาษณ์ agentic AI แทบทุกครั้งเริ่มต้นที่นี่ เพราะคำตอบแยกแยะคนที่สร้าง agent มาแล้วออกจากคนที่เพิ่งอ่านเกี่ยวกับมัน คำถามหลักมักเป็นรูปแบบ: อะไรคือความแตกต่างระหว่าง AI agent กับการเรียก language model ครั้งเดียว

คำตอบที่ดีต้องระบุถึงลูป การเรียก model ธรรมดาแปลงอินพุตหนึ่งเป็นเอาต์พุตหนึ่ง แต่ agent วนรอบของ reason, act, observe, repeat โดยตัดสินใจขั้นตอนถัดไปจากผลลัพธ์ของขั้นตอนก่อนหน้า จากแกนนี้ ผู้สัมภาษณ์แยกออกไปสู่คำศัพท์ที่คาดหวัง:

• ReAct และการวางแผน การผสมผสาน reasoning traces กับ actions เทียบกับการวางแผนลำดับเต็มล่วงหน้าแล้วจึงดำเนินการ
• Tools และ function calling วิธีที่ model ได้รับ actions ที่สามารถทำในโลก และวิธีที่ผลลัพธ์กลับเข้าสู่ context ของมัน
• Memory Context การทำงานระยะสั้นเทียบกับการจดจำระยะยาวที่รองรับโดย vector store หรือฐานข้อมูล
• Autonomy และการสิ้นสุด สิ่งที่ตัดสินว่า agent เสร็จสิ้น และสิ่งที่หยุดไม่ให้มันวนซ้ำตลอดไป

โหมดความล้มเหลวที่นี่คือการซ้อนคำศัพท์: การแสดงรายการ framework โดยไม่อธิบายกลไกที่อยู่เบื้องหลัง บอกลูปอย่างตรงไปตรงมาและการสัมภาษณ์ที่เหลือจะเปิดกว้าง

เมื่อแนวคิดถูกสร้างขึ้นแล้ว การสัมภาษณ์จะกลายเป็นการสนทนาเรื่องการออกแบบ และนี่คือที่ที่สัญญาณส่วนใหญ่อยู่ คาดหวัง prompt แบบเปิด: ออกแบบ agent ที่จองการเดินทาง หรือคัดกรอง support tickets หรือตอบคำถามจากเอกสารภายใน สิ่งที่พวกเขาให้คะแนนคือวิธีที่คุณ reason เกี่ยวกับส่วนที่เคลื่อนไหว ไม่ใช่ว่าคุณถึงคำตอบที่เฉพาะเจาะจง

คำถามที่มักตามมา:

• การใช้เครื่องมือภายใต้ความล้มเหลว การเรียก tool หมดเวลาหรือส่งคืนข้อมูลผิดพลาด agent ทำอะไร การลองใหม่ backoff และเส้นทาง fallback สำคัญกว่า happy case
• การออกแบบ Memory อะไรที่เข้า prompt ทุกรอบ อะไรถูกสรุป อะไรถูกดึงตามต้องการ และวิธีที่คุณป้องกัน context ล้น
• Grounding เมื่องานต้องการข้อเท็จจริงที่ model ไม่มี วิธีที่ retrieval ป้อน loop โดยไม่ให้ passages ที่เก่าหรือผิดนำทาง
• Multi-agent เทียบกับ agent เดียว เมื่อการแยกงานข้าม orchestrator และ workers คุ้มกับต้นทุนการประสาน และเมื่อมันเป็นแค่ความซับซ้อนเพื่อตัวเอง

ตอบด้วยการแลกเปลี่ยน ไม่ใช่ความแน่นอน การพูดว่า "agent เดียวที่มีเครื่องมือที่ดีเอาชนะระบบ multi-agent จนกว่างานจะมี parallel sub-goals จริงๆ" ฟังดูเหมือนประสบการณ์ การตั้งชื่อสถาปัตยกรรมว่าดีที่สุดเสมอฟังดูตรงกันข้าม คู่มือ coding และ system-design อยู่ใน กลุ่มประเภทการสัมภาษณ์

คุณคาดหวังคำถามยากเกี่ยวกับ model internals แต่แทนที่ ผู้สัมภาษณ์ถามว่าคุณจะรู้ได้อย่างไรว่า agent ทำงานได้เลย การเปลี่ยนทิศทางนั้นจงใจ และส่วนนี้คือสิ่งที่มันทดสอบ สรุปสั้น: ระบบหลายขั้นตอนวัดยาก และการยอมรับนั้นพร้อมแผนดีกว่าการแกล้งทำว่าง่าย

คำถามการประเมินมุ่งเน้นปัญหา trajectory: การเรียกครั้งเดียวถูกหรือผิด แต่ agent ใช้เส้นทาง และคำตอบที่ถูกต้องที่ถึงผ่านเส้นทางที่เสียหายคือบั๊กที่ซ่อนอยู่ คำตอบที่ดีแยก task success ออกจาก step quality กล่าวถึงการสำรอง fixed test set ของงาน และถือว่า model ที่ประเมิน output ของ model อื่นเป็นประโยชน์แต่มีอคติ ไม่ใช่ ground truth

คำถามโปรดักชันกดดันขอบเขตที่ framework ไม่มีลบออก ต้นทุนและความหน่วงรวมกันกับทุกขั้นตอนเพิ่มในลูป agent ที่ไม่มีการหยุดที่แน่นอนสามารถวนได้ ดังนั้น termination conditions และ step budgets คือการออกแบบจริง ไม่ใช่ความคิดเพิ่มเติม และ actions ที่มีความเสี่ยงสูงต้องการมนุษย์ใน loop เพราะ agent ที่ทำงานได้โดยอิสระสามารถทำผิดได้ด้วยความเร็ว

Priya วิศวกร backend ที่สัมภาษณ์สำหรับทีม AI platform ถูกถามให้วิจารณ์ travel-booking agent ของตัวเอง เธอระบุว่ามันจะลองใหม่การชำระเงินที่ล้มเหลวจนเป็นการชำระซ้ำ และเสนอ idempotency key พร้อมขั้นตอนการยืนยัน โหมดความล้มเหลวที่ซื่อสัตย์ครั้งเดียวนั้นผลักการสัมภาษณ์ไปไกลกว่าชื่อ framework ใดๆ

คำถาม Agentic AI ต้านทาน flashcards เพราะผู้สัมภาษณ์ถามต่อจากสิ่งที่คุณพูด การเตรียมตัวจึงเป็นเรื่องของการฝึกภายใต้แรงกดดันการถามต่อ ไม่ใช่รายการที่ท่องจำ แผนที่ใช้งานได้:

สร้าง agent ขนาดเล็กหนึ่งตัวตั้งแต่ต้นจนจบก่อนการสัมภาษณ์ แม้แต่ตัวทดลอง: ลูป เครื่องมือจริงสองชิ้น เส้นทาง retry และเงื่อนไขหยุด คนที่แก้บั๊ก agent ที่วนตลอดไปตอบคำถาม termination จากความทรงจำ ไม่ใช่ทฤษฎี จากนั้นฝึกอธิบายออกมาดังๆ เพราะการสัมภาษณ์ทดสอบการเล่าเรื่องมากพอๆ กับความรู้

สำหรับส่วนออกมาดังๆ ฝึกกับสิ่งที่ผลักกลับ mock interview ที่ถามคำถามการออกแบบแล้วสอบสวนคำตอบของคุณใกล้เคียงกับของจริงมากกว่าการอ่านตัวอย่างคำตอบ โหมด mock ของ SubcueAI สร้างคำถามเทคนิคเฉพาะบทบาทและรีวิวหลังเซสชัน เพื่อให้คุณได้ยินว่าคำตอบหายไปตรงไหน ในการสัมภาษณ์จริง บทบาทที่ซื่อสัตย์ของ assistant คือช่วยให้คุณรักษาโครงสร้างและจำคำศัพท์ภายใต้แรงกดดัน ไม่ใช่ให้ความเชี่ยวชาญที่คุณไม่มี การต่อต้านการแต่งขึ้นมาคือทั้งหมด และ กลุ่มวิธีการทำงาน ก็ตรงไปตรงมาเกี่ยวกับขอบเขตนั้น