如果我关掉你的大模型，你的Agent还剩下什么？
最近参加了几场Agent专项面，有个非常刁钻的趋势：面试官开始反思“过度智能化”的问题。比起炫耀模型的能力，他们更想看你作为开发者，如何处理资源边界与业务对齐。
核心考点一：Token 经济学与“长效记忆”的取舍
面试官常会问：“如果任务链路极长，上下文爆了怎么办？”别只回答“滑动窗口”或“向量检索”。现在的深度考点是“记忆的结构化存储”。
- 考点： 你是否设计了类似计算机操作系统的“缓存交换”机制？
- 深度回答： 聊聊如何将非结构化的对话，实时提取并更新到结构化的知识图谱或数据库中。这样Agent下一次读取的是“属性值”，而不是翻看几万字的聊天记录。这考查的是你对信息压缩率的控制能力。
核心考点二：如何定义 Agent 的“成功率”？
这是一个非常工程化的问题：“你怎么量化评估你的Agent好不好用？”如果你的回答是“我看它回复得准不准”，那基本就凉了。面试官想听的是评估框架：
- 你有没有建立一套Benchmark？
- 对于Agent的每一步推理，是否设计了轨迹分析？
- 是否有针对“工具调用成功率”、“任务完成步数”以及“Token消耗比”的多维度看板？
核心考点三：环境感知与“动作一致性”
除了架构，面试官现在很看重 Environment。
- 提问： “当外部环境（如数据库、第三方 API）发生变化时，Agent 如何保持状态一致？”
- 硬核聊法： 谈谈“原子性操作”。在Agent执行复杂指令时，如何确保要么全部成功，要么完全回滚？你是否在架构中引入了“沙盒机制”，让Agent在正式执行动作前先进行虚拟模拟，确认结果无误后再下发指令？