程序员面试 AI Agent 开发岗位：题目与要求报告
岗位门槛正在从“会调模型 API”升级为“能设计、评估、调试、治理生产级 agent 系统”。这份报告整理了当前面试流程、能力分类、102 道具体题和准备优先级。
查看小红书 AI Agent 面经补充报告 →核心结论
AI Agent 开发岗位的面试重点已经从“会用 LLM”转向“能把 agent 系统稳定、安全、可评估、可观测地跑到生产”。候选人需要同时证明软件工程、LLM 应用工程和 agent 工程三类能力。
传统 DSA 没有完全消失，但不再是主战场。近期讨论显示，面试仍可能问基础字符串、数组、hash map 和简单逻辑题，但真正拉开差距的是系统设计、agentic system design、eval、调试和生产复盘。
按基础、系统设计、RAG、工具调用、状态、eval、安全、成本和 take-home 分类。
架构、工具、状态、评估、多 agent、guardrails，和岗位要求高度一致。
技术 screen、AI assessment、take-home、system design / walkthrough。
补充数据：已新增 小红书 AI Agent 面经题库，包含 48 篇详情笔记和 224 个去重具体追问。
面试流程画像
确认是否真正上线过 LLM 或 agent 功能，是否有真实用户、真实失败和真实指标。
通常 45-60 分钟，偏 reasoning。比起硬背框架，更看重 tradeoff 表达。
2-4 小时的小型 RAG-plus-agent 或 API tool agent，明确要求 eval 和 walkthrough。
客服 agent、SOC agent、多租户 QA、多 agent workflow、observability。
解释架构、失败模式、成本、监控、安全边界和下一步改进。
问生产经验、业务约束、安全合规、团队协作和长期维护能力。
能力要求分类
- Python、TypeScript / Node、后端 API、async、数据库
- Docker、CI/CD、测试、Git、cloud deployment
- 日志、tracing、metrics、canary、rollback
- Tokens、sampling、context window、structured output
- Embedding、chunking、hybrid search、reranking
- RAG hallucination control、citation grounding、retrieval eval
- ReAct、planner-executor、graph workflow、state machine
- LangGraph、CrewAI、AutoGen、OpenAI Agents SDK
- 状态、记忆、执行恢复、trajectory replay
- Function calling / tool schema 设计
- MCP server、tool discovery、environment interaction
- Tool permission、sandbox、retry、fallback、audit
- Final answer、trajectory、tool choice、cost、latency eval
- LangSmith、Langfuse、OpenTelemetry、custom traces
- Golden dataset、regression eval、online monitoring
- Prompt injection、越权工具调用、data exfiltration
- Policy layer、pre-tool guard、post-generation validation
- Human-in-the-loop、audit logging、compliance
102 道具体题目与参考答案
参考答案已压缩为直接可背诵的版本。默认折叠，适合先自测；展开后只保留关键判断、边界和落地要点。
回答框架
面试官通常不是在找“框架名”，而是在看你是否知道系统为什么失败、如何观测、如何约束、如何恢复。回答时用这个顺序最稳：
这个系统是否真的需要 agent？如果不用 agent，替代方案是什么？
workflow、single agent、graph、multi-agent，各自 tradeoff 是什么？
loop、tool error、hallucination、context drift、cost spike 如何出现？
final output、trajectory、tool choice、safety、cost 都怎么测？
tracing、guardrails、human escalation、rollback、canary 如何落地？
上线后坏了什么，你怎么发现、怎么修、怎么防止再发生？
准备路径
- 准备两个真实项目故事：一个 RAG，另一个 tool-using agent。
- 每个项目都写清楚：目标、架构、工具、状态、eval、失败、成本、监控、上线指标。
- 手写一个最小 agent：不靠框架，实现 tool registry、planner loop、structured output、retry、trace。
- 再用 LangGraph 或类似框架重做一遍，说明框架解决了什么问题，也带来了什么复杂度。
- 做一份 eval harness：至少包括 golden cases、LLM judge rubric、trajectory inspection、regression test。
来源
调研由 last30days 引擎和 WebSearch 补充组合完成。原始数据文件保存在本地 raw artifact 中，Markdown 版报告保存在本项目的 report.md。