智能體AI面試問題：考什麼以及如何準備
作者 Aaron Cao · 更新於
智能體AI面試考察四個維度：概念（什麼使一個系統具有智能體特性，而非單次模型呼叫）、架構（ReAct、規劃、工具呼叫、記憶）、評估（如何衡量一個執行多步驟任務的智能體）以及生產（成本、延遲、迴圈終止、人工監督）。每個維度考察的是判斷力，而非死記硬背。
概念維度：什麼使系統具有智能體特性
幾乎每次智能體AI面試都從這裡開始，因為答案能區分真正建構過智能體的人和只是讀過相關資料的人。標準問題通常是：AI智能體與單次語言模型呼叫有何不同。
強答案點出迴圈機制。普通模型呼叫將一個輸入映射到一個輸出；智能體運行「推理、行動、觀察、重複」的迴圈，根據上一步的結果決定下一步。從這個核心出發，面試官會延伸考察他們期望你掌握的詞彙：
- ReAct與規劃。將推理軌跡與行動交織進行，與先規劃完整序列再執行的方式對比。
- 工具與函數呼叫。模型如何獲得可在現實中執行的動作，以及結果如何重新進入其上下文。
- 記憶。短期工作上下文與由向量儲存或資料庫支援的長期回憶。
- 自主性與終止。什麼決定智能體任務完成，什麼阻止其永久迴圈。
這裡的失敗模式是堆砌術語：列舉框架名稱卻不解釋底層機制。清晰陳述迴圈機制，面試其餘部分就會順暢展開。
架構維度：大聲設計一個智能體
概念確立後，面試轉向設計對話，這裡包含大量考察訊號。預期會有開放性提示：設計一個預訂旅行的智能體，或分類支援工單，或在內部文件上回答問題。評分標準是你如何推理各個組成部分，而非是否得出特定答案。
接下來可靠地會問到的問題：
- 故障下的工具呼叫。工具呼叫逾時或傳回錯誤資料時，智能體應怎麼做。重試、退避和降級路徑比順利情況更重要。
- 記憶設計。每輪放入提示詞的內容，什麼被摘要，什麼按需檢索，以及如何防止上下文溢位。
- 基礎事實錨定。當任務需要模型不具備的事實時，如何讓檢索結果進入迴圈而不讓過時或錯誤的段落誤導它。
- 多智能體與單智能體。何時將工作拆分給協調器和工作者值得其協調成本，何時只是為複雜而複雜。
用權衡而非絕對答案來回答。說「具備良好工具的單智能體在任務真正具有平行子目標之前勝過多智能體系統」體現經驗；將某架構奉為普遍最優則相反。相關程式碼與系統設計指南在面試類型專題中。
評估與生產維度：高階篩選器
你以為難題會關於模型內部機制，結果面試官問你怎麼知道智能體到底能不能正常運作。這種轉向是刻意的，本節正是它考察的內容。簡而言之：多步驟系統難以衡量，承認這點並提出方案勝過假裝它們簡單。
評估問題聚焦於軌跡問題：單次呼叫要麼對要麼錯，但智能體走一條路徑，透過錯誤路徑得到正確答案是潛在缺陷。強答案將任務成功與步驟品質分開，提到保留固定測試任務集，並將模型評分另一個模型的輸出視為有用但有偏的訊號，而非基準事實。
生產問題則觸及任何框架都無法消除的邊界。成本和延遲隨迴圈中每個額外步驟累積。沒有硬停止的智能體可能空轉，因此終止條件和步驟預算是真正的設計工作，而非事後補丁。高風險操作需要人工介入，因為能自主行動的智能體同樣能以高速錯誤行動。
Priya是一位後端工程師，在面試AI平台團隊時被要求評審她自己的旅行預訂智能體。她指出智能體會愉快地重試失敗的付款從而導致雙重扣款，並提出了冪等性金鑰加確認步驟的方案。這一誠實指出的單個失敗模式讓面試比任何框架名稱都推進得更遠。
如何準備而不依賴死記硬背
智能體AI問題抗拒記憶卡片，因為面試官會追問你說的任何內容。準備因此在於在追問壓力下反覆練習，而非記住一張清單。可行方案：
在面試前端到端建構一個小型智能體，哪怕是玩具等級的：一個迴圈、兩個真實工具、一條重試路徑和一個停止條件。曾經除錯過無限迴圈智能體的人能從記憶而非理論中回答終止問題。然後練習大聲解釋它，因為面試同樣考察敘述能力。
對於大聲解釋部分，對著會反駁的對象練習。模擬面試提出設計問題並追問你的答案，比閱讀示範答案更接近真實情況；SubcueAI的模擬模式生成特定崗位的技術問題並提供面試後回顧，讓你了解答案在哪裡偏離了主題。在真實面試中，助手的誠實作用是幫你保持結構並在壓力下回憶術語，而非提供你沒有的專業知識；防止捏造是其核心要義，運作原理專題對這一邊界直言不諱。