AI Agent工程师一面面经

真题清单 & 参考回答

1. 开场意向：你偏后端工程师，还是偏 Agent 工程师？

参考回答：直接答"偏 Agent"**并补一句理由（"想做端到端 AI 产品、辞职也是为深耕这个方向"）

2. 运维 agent 面向多少人？怎么部署的？

参考回答：ToB 私有化叙事——不是内部工具，是卖给运营商的产品（移动/联通/电信）；客户采买后由我们同事部署到客户内网，模型也部署在内网（数据不出客户环境）。

3. 两套 agent（AI 代码助手平台 vs 运维 agent）底层 runtime 是同一套吗？

参考回答：不是，两套架构——代码助手平台集成开源和内源的agent的SDK（OpenCode/OpenClaw），不单独维护 agent loop，自己做的部分是前端会话交互 + MCP 服务器开发 + skill体系；运维 agent 是自研 ReAct loop + 工具注册/调用（内部 API/脚本/命令）+ 记忆系统 + RAG。

4. 运维 agent 的 memory 模块怎么设计的？

参考回答：记忆系统分为长期/短期/外部记忆

长期 = 从对话提取的产品的事实global、用户偏好user、处理过的故障情景Episodic三类，做语义的向量化存储；记忆的存储是通过规则+llm提取，检索是通过关键词+相似度混合检索。

短期 = 用户消息/AI 消息/工具调用过程。短期记忆设置有 token 预算，达到预算的 90% 触发 map-reduce 压缩、保留最近 3 轮对话历史。

外部=根据产品文档，操作指导书创建的知识库，已经筛选沉淀的运维经验库。

5. 代码助手集成了 SDK，里面记忆有二次开发吗？

参考回答：内核的记忆能力用 SDK 自带的，opencode sdk的自动上下文压缩和记忆持久化存储，二次开发内核的收益比较低，所以除了定制插件做遥测采集，没有二次开发。

我们主要做的是会话记忆的平台化——三层会话存储：zustand 内存态（SSE 高频流式先刷内存保证 UI 连续渲染）→ 浏览器 IndexedDB（存多会话历史）+ sessionStorage（当前会话快照、防刷新秒开）→ SQLite 落盘（会话空闲/结束时，供重登/跨端拉历史）。

6.（开放性）runtime 里如果有 500~800 个 skill，怎么管理、保证上下文健康、一次调用命中该命中的？

参考回答：任何一轮决策时，skill的个数都不要超过10个，候选越多，选错的概率就越多。主要从一下两方面提高skill的使用质量：

提高命中方面： 做分层路由，将每个skill的元数据存储起来，包含名字、描述、触发词、标签等，在拼接上下文时，1）首先做规则映射，按使用场景分类分级，通过关键词、触发词命中，做粗筛；2）可以通过混合检索双路召回再做RRF融合，得到最小集后，将name、desc进入上下文给LLM做选择

治理与保证质量： 1）skill的描述是命中的基础，可以通过描述中预埋检索关键词来保证skill的路由正确，规范的命名与描述（做什么，使用场景，什么场景不用）来保证命中正确；2）相关skill可以做合并，命中后再在子集中展开；3）低频、废弃的skill不进路由池，新增skill要保证不影响原有命中率；4）通过数据飞轮持续迭代优化 description

7. 底层 opencode 的 memory 模块是怎么设计的？

参考回答：采用的是 opencode 原生的记忆能力

1）指令层，用的AGENTS.md，分为全局的和项目级，且兼容CC的CLAUDE.md做兜底。这部分是跨会话的记忆，每次都要拼到system prompt中。

2）会话层，采用SQLite持久化存储，按照session隔离，包含session、message、part、event等

3）压缩层，默认会话上下文达到阈值触发压缩，根据配置的保留token或者turn，进行head和tail的切分，对head进行增量压缩；支持配置裁剪，会扫描旧的工具输出，发给大模型时占位符标记，从而减少token占用

8. Skill 的自我优化/自我演进，一般怎么设计？（全场最大空白）

参考回答：

1）复核与淘汰：skill 注册中心加两个计数字段——每次 skill 被调用，从执行结果反推 helpful / harmful（处置成功且流程吻合 → helpful+1；miss 分析里被选错或误导 → harmful+1）。长期 harmful 占比高的 skill 自动降权、移出候选池，并进入人工复审队列。

2）给 skill 调用埋点——命中哪个、任务是否完成、结果被采纳还是被纠错/回退；对话结束后，根据轨迹产出skill path：诊断报告 + 定位到具体 skill 的具体章节 + ADD/UPDATE/REMOVE 补丁。（重写的话llm倾向于删细节保简洁，往往效果更差）。补丁要过两道闸门才生效——评测集回归，使用skill命中评测集，保证补丁不能劣化任何已有命中+ HITL 审核。通过后版本化上线，旧版标记后保留，审计记录使用的版本。

3）批量归纳：参考 Trace2Skill 的做法，定时任务扫描案例记忆，把多次相似失败批量归因——“最近 20 次 XX 集群磁盘告警处置，15 次都在同一步走错”，一次改写，而不是逐条打补丁，多条轨迹都踩得坑写成通用规则，偶发情况丢弃。

9.（前沿敏感度）Pi Agent / Hermes / DeepSeek Harness 这些有了解吗？

参考回答：可以讲 Pi Agent 的极简设计、Hermes的自进化闭环、CC的基建（比如三级压缩机制）、DSH的插件模式。总之要有自己对某一块设计的理解。

10. OpenClaw 和 OpenCode 的区别？

参考回答：对"两个相近框架差异"的题，先锁定比较维度再作答

定位： OpenClaw是AI执行网关，目标是在通信软件中发一句话，agent就在电脑上整理文件、跑脚本，开发场景是它的众多场景之一；opencode是纯粹的编码agent，对标cc，所有设计都是围绕读懂代码、改代码、跑测试这条链路。

架构： openclaw是星型网关架构，一个gateway守护进程18789常驻后台，负责消息路由、会话隔离；opencode是C/S架构，agent内核跑在本地server里，tui是其中一个客户端，桌面应用、ide插件都能连同一个server，可以跑在服务器上。

记忆系统： OpenClaw记忆以纯md存在本地，每次对话主动加载；检索用向量语义+BM25混合方式，上下文快满时会在压缩前出发memory flush；OpenCode的记忆是会话级的，使用sqlite进行存储，摘要压缩+可选修剪。