上海联蔚数科 AI 工程实习生面经（Agent 八股）

《面试题目》

1. 自我介绍。
2. 你现在用哪些 AI 工具比较多？
3. 你用过哪些 Agent 开发框架？
4. 你对 Agent 的理解是什么？
5. 什么是 harness？
6. Skills 和 MCP 的区别是什么？
7. 你自己做过 Skills 吗？
8. 如果 Skills 或 MCP 过多，你是怎么解决这个问题的？
9. 你做过知识库吗？
10. 你的 Coding Agent 是怎么做出来的？
11. 你的 Coding Agent 都有哪些工具？
12. 你的 Coding Agent 没有用框架，那你是怎么实现上下文压缩、记忆处理的？
13. 你的多 Agent 是怎么做的？
14. 你平时是怎么学习这些技术的？
15. 反问：目前团队做什么业务？（答：做知识库或 Agent）
16. 反问：如果我入职后会做些什么？（答：调研，做 Agent 相关）

《参考解析》

什么是 harness：Agent harness（也叫 agent runtime / 脚手架）指模型之外的那一整套运行时设施——它不产出智能，但决定智能能不能稳定落地。核心组成：① 主循环与终止条件（把模型输出解析成动作，执行，再把结果回灌，直到完成或触发上限）；② 工具层（工具注册、参数校验、权限与沙箱、超时与重试）；③ 上下文管理（系统提示、历史裁剪/压缩、文件与检索结果的按需注入）；④ 状态与记忆（会话状态、工作区文件、长期记忆）；⑤ 可观测与治理（轨迹记录、成本与步数上限、失败回放）。一句话概括：同一个模型换不同的 harness，任务成功率可以差很多，所以工程上的大部分收益来自 harness 而不是模型本身。

Skills 与 MCP 的区别：两者解决的不是同一层问题。MCP（Model Context Protocol）是连接协议，规定「模型/客户端怎么发现并调用外部能力」——server 暴露 tools / resources / prompts，客户端按协议握手、列清单、调用，解决的是「接得上」的问题，偏接口与传输层。Skills 更像打包好的作业指导书：一段说明（什么时候用、怎么做、有什么坑）+ 附带的脚本/模板/参考文件，模型按需读取并遵循，解决的是「做得好」的问题，本质是提示与流程的封装，通常不需要额外进程，走文件系统就能用。一个常见组合是：MCP 提供底层原子能力（查库、调接口、读文档），Skill 描述在什么场景下按什么步骤组合这些能力，以及验证和交付标准。

Skills / MCP 过多怎么办：思路是「不全部塞进上下文，按需加载」。① 建索引：只把每个能力的名字 + 一句话描述 + 触发条件放进上下文（渐进式披露），完整内容在执行时再读；② 路由：用一个检索/分类步骤按用户意图召回候选能力，缩小到 3~5 个再注入；③ 分层与去重：按领域归组（代码、数据、文档、发布），合并功能重叠的项，把高频组合固化成一个上层 Skill；④ 命名与描述治理：描述必须写清「什么时候用/不用」，这是路由准确率的关键；⑤ 限制并发与作用域：每个子任务只挂必要的能力，用子 Agent 隔离上下文；⑥ 用量数据驱动，长期没人用的能力下线。

不用框架怎么做 Coding Agent 与上下文压缩：Coding Agent 的最小实现就是「模型 + 工具 + 循环」：把工作区文件读写、grep/glob 检索、执行 shell、跑测试这些做成工具描述给模型，模型每轮输出一次工具调用，程序执行后把结果拼回消息列表，循环到模型给出最终答复或达到步数上限。上下文压缩的常用手段：① 工具结果截断（长输出只留头尾和匹配行，超长落盘给路径）；② 分层摘要（把早期对话滚动总结成简短状态，保留决策与未完成事项，丢弃冗余输出）；③ 结构化记忆（把任务状态、已改文件、待办写成外部文件，每轮按需读回，而不是一直挂在上下文里）；④ 滑动窗口 + 关键信息置顶（系统提示、当前目标、最近若干轮完整保留）；⑤ 按需检索历史（把旧轨迹存起来，需要时再检索）。监控 token 用量并在超阈值时主动触发压缩，比等到报错再截断可靠。

多 Agent 怎么做：先判断是否需要——多 Agent 的收益来自「上下文隔离」和「并行」，代价是通信与协调开销、以及错误放大。常见形态：① 主从（orchestrator + workers），主管拆解任务、分发给子 Agent、汇总结果，子 Agent 只拿自己那部分上下文；② 流水线（每个阶段一个角色，如检索 → 生成 → 校验）；③ 对抗式（生成者 + 评审者，交叉验证）。工程要点是接口要结构化（子任务输入输出用 schema 约束，不要传自然语言长文）、状态放在共享存储而不是消息里、给每个子 Agent 明确边界与终止条件、汇总层必须做一致性校验（重复、冲突、遗漏），并限制重试与递归深度。如果任务本身是线性的、上下文也不大，单 Agent 加好工具通常更划算。

面试复盘：这场面试 25 分钟、几乎全是 Agent 概念题，实习与后端经历完全没问，面试官没开摄像头。原帖作者判断团队应该做 RAG / 知识库较多（反问时问过有没有做过知识库）。两点可直接借鉴：一是「自己动手做过」是这类岗位最有效的差异化——自研过 Coding Agent、自己写过 Skill，就有具体的实现细节可讲；二是被问「做过知识库吗」如果实际做过一定要说做过，反问阶段暴露信息差会很可惜。准备方向建议按「概念（harness/MCP/Skill/ReAct）→ 架构（单 Agent vs 多 Agent、记忆与压缩）→ 落地细节（工具设计、校验、评测）」三层梳理，每个概念都配一个自己做过的例子。