大家好，我是浩哥，这是我输出AI agent面试专题第九章，后面还有一期。建议加入粉丝，后面粉丝可见。
AI 编程与工程素养（Claude Code / Vibe·Spec Coding / 项目软素质）· 面试题型整理与标准答案
导语：2026 年 Agent 面试新趋势------不再只考"会不会用框架"，而是考"能否用 AI 编程做出现实项目、能否讲清 Agent 工程素养与软素质"。本批 11 篇小林面试笔记，表面是段子式对话，内核覆盖了 Agent 工程素养、Claude Code 使用深度、Vibe/ Spec Coding 范式、大代码库上下文工程、全栈软素质五大主题。以下按主题强力合并为 8 道完整题，可直接用于复习与复述。
- 2026年最新AI agent面试（01）_Agent基础与推理范式
- 2026年最新AI agent面试（02）_MultiAgent与记忆
- 2026年最新AI agent面试（03）_工具协议MCP_A2A_FC
- 2026年最新AI agent面试（04）__工具工程网关外部
- 2026年最新AI agent面试（05）_RAG基础应用
- 2026年最新AI agent面试（06）_RAG文档与检索
- 2026年最新AI agent面试（07）_大模型架构基础
- 2026年最新AI agent面试（08）_大模型训练评测
- 2026年最新AI agent面试（09）_AI编程ClaudeCode
- 2026年最新AI agent面试（10）_通信与行业动态
总目录可见 2026年最新AI agent面试（0）概述篇
Q1. 面试官质疑"连 Agent 项目都没有还敢投 AI 开发 / 字节"，如何证明自己的 Agent 工程素养与项目落地能力？ ［来源：AI 开发 / 字节 / 大厂面试］
-
核心答案 ：
面对"没项目凭什么投 AI 开发"的质疑，最有力的回应不是辩驳，而是拿出一个能写进简历、经得起深挖的真实 Agent 项目 ，并讲清它串起了哪些 Agent 岗高频考点。2026 年大模型应用开发 / Agent 开发本质是工程岗而非算法岗，招聘方看重的就是用调用式 AI 接口把上层应用做出来、并沉淀工程经验的经历，所以"有没有项目"本身就构成筛选门槛。
可落地两条主线：其一是业务型 Agent 项目 （如智能 OnCall Agent，由知识库 Agent、对话 Agent、运维 Agent 三大核心组成，串联 RAG、Function Call、ReAct、Plan-Execute-Replan、Multi-Agent、SSE 流式输出等面试常考技术点）；其二是工具型 Coding Agent 项目（如 MewCode，从 0 造一个类 Claude Code 的终端编程 Agent，覆盖 6 大编程工具、Agent Loop、MCP、Skill、Hook、SubAgent、Git Worktree、Agent Teams 等）。两者一个讲"用 Agent 解决业务问题"，一个讲"造 Agent 本身"，配合多语言版本（Java / Go / Python / TS）能同时覆盖不同技术栈面试官。
真正拉开差距的，是能讲清楚"这个项目为什么是工程而非玩具 demo"------它是否逼着你处理过上下文压缩、权限防御、跨会话记忆、多 Agent 协作等真实工程问题，而不是调一个 API 就完事。能把这一层讲透，质疑自然消解。
-
关键点 / 展开：
- 项目即门槛：Agent 应用开发岗考的是工程经验，缺项目就先补一个能写进简历、覆盖 RAG/ReAct/Multi-Agent 等考点的项目，再谈面试，比空口争辩有效得多。
- 业务型 vs 工具型双线：业务型（OnCall Agent）证明"会用 Agent 解决真实问题"；工具型（MewCode Coding Agent）证明"懂 Agent 底层工程原理"，两者互补，简历打击面一下打开。
- 技术栈全量覆盖：一个成熟 Agent 项目应覆盖 ReAct / Agent Loop、Function Calling、MCP 协议、Skills、Slash Command、Hook、上下文压缩 + Token 管理、跨会话记忆、SubAgent、Git Worktree 并行隔离、Agent Teams，确保岗位 JD 上的关键词都能对得上。
- 多语言版本策略：同一项目实现 Java / Go / Python（甚至 TS）多版本并做源码剖析，既覆盖不同方向同学，也体现"一套架构、多栈落地"的工程能力。
- 能讲清"为什么是工程"：面试官深挖的是边界处理------权限防御（危险命令确认、敏感目录拦截）、长对话上下文压缩、记忆提取与复用、失败重试，而非"能不能跑起来"。
-
常见追问：
- 你的 Agent 项目里 Multi-Agent 是怎么分工的？为什么不直接用一个大模型单体解决？
- Plan-Execute-Replan 和 ReAct 在你的项目里分别用在什么场景，断点如何恢复？
-
2026 延伸：Anthropic 将 Claude Code 视为"业界 Agent 工程的教科书"，其官方实践强调从 0 造 Coding Agent 是理解 Agent 工程原理的最短路径（来源：Anthropic Claude Code 实践 / 上下文工程）。
Q2. 面试官说"Agent 不就是 Prompt 拼一拼？"------成熟 Agent 的工程设计边界到底是什么？ ［来源：Agent 设计面试］
-
核心答案 ：
"Agent 就是 Prompt 拼一拼"是典型的认知误区。Demo 阶段确实可以用几段 Prompt 做出看起来聪明的东西，但一旦进入复杂系统，问题才刚开始：上下文窗口被污染、记忆断裂、路由逻辑出错、协作层协议有漏洞。成熟 Agent 的核心不在模型多强，而在围绕模型设计了一套可控的外围系统（Harness）。业界有一句点睛之语："The model spends; the harness budgets."------模型负责消费（上下文窗口、Token、工具调用机会、用户信任），Harness 负责控制预算，用工程手段约束概率性输出，确保其安全与有效。
理解 Agent 设计需要一套结构化语言，而非凭感觉调参。黄佳在《Agent 设计模式之美》中提出双轴正交框架：Y 轴是"认知功能"（感知、记忆、推理、行动、反思、协作、治理，回答 WHAT------花什么资源），X 轴是"执行拓扑"（链式、并行、路由、循环、编排、层级，回答 HOW------怎么花资源）。两轴交叉沉淀出 28 个具体工程模式，构成一套"Agent 系统资源分配学"。面对不稳定的 Agent，你能据此快速定位问题出在感知、记忆、推理、协作还是治理哪一环，而不是归咎"模型不够强"。
-
关键点 / 展开：
- Harness 才是天花板：模型输出是概率性的，真正决定生产效果的是模型之外那套外壳（配置、钩子、技能、插件、检索、子 Agent）。成熟的 Agent 从来不是 Prompt 拼出来的，而是 Harness 工程拼出来的。
- 双轴正交设计地图：用 Y 轴（认知功能 / WHAT）+ X 轴（执行拓扑 / HOW）给任意 Agent 问题定位，把"旧地图画不出的 Agent 新世界决策边界"结构化。
- 28 个工程模式 + 模式选型法：面对具体业务问题能针对性选型与组合（Pattern Selection Card + 六步选型法），而非堆砌 Prompt。
- 三类能力提升：看穿系统（定位不稳定根因）、组合模式（架构设计）、设计成长机制（让 Agent 会积累经验、可治理、值得托付）。
- 区分"科普"与"工程"：不是记住几个 API 或技巧，而是理解 Agent 系统在由模型参与决策时，如何设计结构与边界。
-
常见追问：
- 你的 Agent 系统里"治理（Governance）"是怎么落地的？权限、审计、回滚机制如何设计？
- 当多 Agent 协作出现"消息协议漏洞"时，你用什么方式定位是路由问题还是协调层问题？
-
2026 延伸："The model spends; the harness budgets."（模型消费，Harness 预算）是 2026 年 Agent 工程设计的核心理念，强调用 Harness Engineering 思维驾驭不确定性（来源：黄佳《Agent 设计模式之美》专栏 / Anthropic 上下文工程实践）。
Q3. Claude Code 你用到什么程度？------从"聊天工具"到"工程化"，如何用它 Vibe Coding 出一个 Agent 项目？ ［来源：Claude Code 深度使用面试］
-
核心答案 ：
会用 Claude Code 和"用透"是两回事。多数候选人把它当"聪明的聊天伙伴"------代码审查手动、CI/CD 插不上手、团队标准不一，问题不在工具而在使用范式：Claude 不是用来"聊"的，而是用来"工程化"的。真正的使用深度，是能像设计系统一样去设计、编排、管理 AI 的行为，把"写代码的人"升级为"组织管理智能体的人"。
高阶用法之一，是用 Claude Code 本身去 Vibe Coding 出一个完整的 Coding Agent 项目（如 MewCode，类 Claude Code 的终端编程 Agent）。这看似"套娃"，实则一举两得：既能实战掌握 AI 编程，又能从 0 理解 Agent 工程原理。一个成熟 Coding Agent 应覆盖：类 Claude Code 终端交互（LLM 流式 + 多轮）、6 大编程工具（ReadFile / WriteFile / EditFile / Bash / Glob / Grep）、基于 ReAct 的 Agent Loop、MCP 协议、Skill 技能包、Slash Command、Hook 生命周期钩子、5 层纵深权限防御、上下文压缩 + Token 管理、跨会话记忆、SubAgent、Git Worktree、Agent Teams。能把这些都跑通，说明你已具备"用 AI 编程交付真实项目"的能力，而不只是调 API。
-
关键点 / 展开：
- 范式跃迁：从聊天式问答 → 工程化编排；从执行者 → 技术指挥者（管理 Sub-Agents / Skills / CI-CD 集成）。
- Vibe Coding 造 Agent：用 Claude Code 一步步 Vibe Coding 出类 Claude Code 项目，同时吃透 AI 编程与 Agent 原理，是 2026 年最高效的学习路径之一。
- 能力清单全覆盖：终端交互、6 大工具、Agent Loop（ReAct）、MCP、Skill、Slash Command、Hook、权限防御、上下文压缩、跨会话记忆、SubAgent、Git Worktree、Agent Teams------这决定项目是"玩具"还是"成熟 Coding Agent"。
- 三件套学习法：理论学习 + Vibe Coding 实战 + 源码分析，确保不仅会用，还能讲清底层（Spec 开发模式 spec.md / tasks.md / checklist.md 三件套 + CLAUDE.md 项目指令）。
- 进入 CI/CD：让 Agent 真正进入持续集成而非停留在 IDE，是工程化成熟的标志。
-
常见追问：
- 你说用 Claude Code Vibe Coding 出了 Agent 项目，那项目里的 SubAgent 和主 Agent 是怎么分工协作的？
- 5 层纵深权限防御具体是哪五层？危险命令的拦截策略怎么设计？
-
2026 延伸：Claude Code 官方定位是当前最强、最通用的 AI Agent；其工程化实战强调 Sub-Agents、Skills 可复用化、CI/CD 集成，把个人经验沉淀为团队资产（来源：Anthropic Claude Code 实践；黄佳《Claude Code 工程化实战》）。
Q4. Claude Code 用了半年，CLAUDE.md 平时怎么维护？------"写得越多越废"的真相与正确姿势 ［来源：Claude Code 深度使用面试］
-
核心答案 ：
CLAUDE.md 不是文档，是配置 ------它是给 Claude 的"团队约定"，每次启动都会被自动读一遍、作为整段会话的 ground truth（默认前提）。很多人误以为"多写点总没坏处"，实测恰恰相反：SFEIR Institute 的测试显示，单文件 200 行以内规则遵守率约 92%，超过 400 行后肉眼可见下滑；而把 200 行拆成 5 个 30 行的模块化文件放进
.claude/rules/，遵守率反升到 96%。根源是 token 经济 + 注意力稀释------CLAUDE.md 每次请求都整文件进上下文，写太长就在和模型抢空间，次要规则反而淹没关键规则。正确维护法是分层 + ruthless 删减 。根目录 CLAUDE.md 只放跨包通用约定与"关键坑"（如"生产库别动""提 PR 前跑 lint"），各子目录再放自己的 CLAUDE.md 写模块细节；Claude Code 会从当前目录一路向上爬到文件系统根，合并沿途每层 CLAUDE.md 后与
.claude/CLAUDE.md一并喂给模型。维护口令来自创始人 Boris Cherny："Ruthlessly edit your CLAUDE.md over time"------对每一行问自己"删掉这行，Claude 还会照做吗？"会（常识或代码已体现）就删，不会才留。日常用/init初始化、/memory维护记忆，并区分 README（写给人、Claude 默认不读）与 CLAUDE.md（写给 agent、每次吃 token）。 -
关键点 / 展开：
- 本质定位：CLAUDE.md 是"每次自动加载的默认前提 / 配置"，不是给人看的 README；它决定 Claude 整个会话的基准事实。
- 200 行红线 ：单文件 200 行内遵守率 ~92%，拆成多个 30 行模块化文件（
.claude/rules/）可升至 ~96%；过长反而稀释注意力。 - 分层组织：root 只放指针 + 关键坑，子目录各自维护模块级约定；Claude 自动从当前目录向上合并每一层。
- 加载机制 ：从 cwd 向上爬到根目录，反向遍历读取每层
CLAUDE.md与.claude/CLAUDE.md合并（源码见src/utils/claudemd.ts）。 - ** ruthless 维护法**：Boris 口号"毫不留情地删"；检查法------删掉某行 Claude 仍会照做就该删；犯错先查是否文件太长淹没了规则，而非急着加新规则。
- 工具与边界 ：
/init生成、/memory维护跨会话记忆；README 给人、CLAUDE.md 给 agent，两者读者与密度不同。
-
常见追问：
-
2026 延伸：Anthropic 官方建议根目录 CLAUDE.md 只放指针与关键坑，其余细节会是噪音；"Ruthlessly edit your CLAUDE.md"是 Claude Code 创始人的维护 slogan（来源：Anthropic 大代码库实践博客 / Boris Cherny 分享；SFEIR Institute 实测数据）。
Q5. 你会 Vibe Coding 吗？为什么资深选手反而主张 Spec Coding（规约驱动开发）？ ［来源：AI 编程范式面试］
-
核心答案 ：
Vibe Coding（凭感觉写、聊天式喂需求）在小玩具、一次性脚本、周末 demo 上确实是神器------不用文档、不用流程图，模糊想法嘴一张 AI 就端上来。但一旦项目有规模或要长期维护，它就露馅：AI 每次只看得到当前这句话加眼前上下文，并不真的知道项目全貌，做第五步时可能已推翻第一步的设计，把前面写好的接口改崩。"越改越乱"的根子不在模型笨，在你和 AI 之间缺一份两边都认的"对齐物"。
Spec-Driven Development（规约驱动开发）正是治这个病：先把"做成什么样"讲清楚，再让 AI 动手。它把需求到代码拆成四个台阶------①只谈需求不谈技术的需求规约；②定技术栈与架构的方案；③拆成具体可干的任务；④AI 照任务写代码。每一步产物都可见、可改、可拦，方向错了在第一步就纠，而不是代码写完才返工。GitHub 官方 spec-kit（100k+ star）用斜杠命令跑这套流程：
/speckit-constitution定项目铁律（宪法）、/speckit-specify生成需求规约（只说需求）、/speckit-plan产出技术方案、/speckit-tasks拆任务、/speckit-checklist验收。关键在于：规约不是一次定死的合同，而是活的、随步更新的共识------任何一步发现前面想岔了都能回去改。资深选手并非不会 Vibe，而是知道Vibe 用于探索、Spec 用于交付。 -
关键点 / 展开：
- Vibe Coding 的甜区与边界：爽在零文档零流程图，适用一次性脚本 / demo；但在有规模、需长期维护的项目里必然"越改越乱"，因为 AI 缺全局图。
- 根因是"缺对齐"：问题不在模型，在你从没给过 AI 一张完整的、双方点头认可的图；spec 就是这张图。
- 四台阶流程：需求（不谈技术）→ 技术方案 / 架构 → 具体任务 → 写代码；把 vibe 里糊在一起的四步掰开逐一确认。
- spec-kit 实战 ：
/speckit-constitution（铁律）、/speckit-specify（需求规约）、/speckit-plan（方案）、/speckit-tasks（任务）、/speckit-checklist（验收）。 - 规约是活的：非刻在石头上的合同，可在任意步回改，是 AI 与人间不断更新的共识。
- 取舍心法：Vibe 用于探索原型，Spec 用于真实交付；能按项目阶段切换范式，才是 AI 编程成熟度。
-
常见追问：
- 你的团队用 spec-kit 时，constitution（宪法）一般定哪些铁律？谁来维护？
- 当 spec 写到一半发现需求理解错了，你怎么处理已生成的 tasks 和代码？
-
2026 延伸：Spec-Driven Development 由 GitHub 官方 spec-kit（100k+ star）工具化，核心是"先对齐再动手"，把对齐从模糊默契变成白纸黑字的逐步确认（来源：GitHub spec-kit 官方项目）。
Q6. 公司项目几百万行代码，Claude Code 怎么扛得住？------模型是地板，harness 才是天花板 ［来源：大代码库 / 上下文工程面试］
-
核心答案 ：
大代码库下第一反应"context 爆了，换更大模型（如 Opus 4.7 的 1M token）"是错的。再大的窗口也塞不下几百万行代码加依赖库，这是物理限制；更关键的是问题不在模型，在Claude Code 怎么找代码。Anthropic 的定论是："The harness matters as much as the model"------围绕模型搭的那套外壳对最终效果的影响，比模型本身还大。打个比方：米其林大厨是模型能力，灶台、菜刀、调料架是 harness，灶台不行再牛的厨师也炒不出锅气。
找代码的路线，Claude Code 刻意不走主流 RAG（切片 + embedding + 向量库），而是 agentic search ------让 Claude 像真人工程师一样：先
ls看根目录、进auth/看内容、grep "login"、再读middleware.ts/session.ts，读一个文件决定下一步读什么，循环往复。三条反 RAG 理由：①索引会过期（千人团队每天几百 commit，embedding pipeline 跟不上，召回的是两周前已重命名的函数）；②冷启动近零（RAG 建索引十几分钟，Claude Code 打开即用）；③精确匹配向量干不了（"getUserById"会召回一堆"相关"函数，而代码要的是精确）。agentic search 的代价是严重依赖一个好的起点 context------不给清晰起点，它就乱翻、烧光 context。所以 harness 七层（CLAUDE.md → Hooks → Skills → Plugins → MCP，外加 LSP 和子 Agent）要一层层搭好，context 爆不是模型小，是你的 harness 没搭好。 -
关键点 / 展开：
- 换模型无用论：窗口物理上塞不下全代码库；上下文爆的根因是 harness 没搭好，而非模型太小。
- agentic search 原理：像人一样逐步探索（ls → 进目录 → grep → 读文件 → 决定下一步），每次基于当下真实代码，无索引过期问题。
- 三条反 RAG 理由：索引过期、冷启动近零、向量做不到精确匹配（代码要精确非相似）。
- 代价与前提：agentic search 严重依赖"好的起点 context"；起点不清就乱翻烧 context------这正要靠下层 harness 解决。
- harness 七层架构：CLAUDE.md（约定/指针）→ Hooks（生命周期钩子）→ Skills（技能包）→ Plugins → MCP（外部工具），再加 LSP（语言服务，辅助精确定位）和子 Agent（委派探索）。
- 分层职责映射：Q2 拆 CLAUDE.md（含 Hooks）、Q3 拆 LSP 与子目录启动、Q4 拆子 Agent 与主 Agent 协作、Q5 拆 Skill/Plugin/MCP 团队分发；逐层消除大库痛点。
-
常见追问：
- 大代码库下你用 LSP 配合 Claude Code 做精确跳转，和纯 grep 比优势在哪？
- 子 Agent 在大库探索里如何避免和主 Agent 抢 context？结果怎么回流？
-
2026 延伸：Anthropic 大代码库实践证明，治好 context 爆靠的是 harness 七层而非模型升级；agentic search 是其对抗 RAG 索引过期的核心策略（来源：Anthropic 官方大代码库实践博客 / Claude Code 创始人 Boris Cherny 分享）。
Q7. 简历写"会 AI 编程"，那你能做全栈吗？------AI 时代为什么"全干工程师"更吃香 ［来源：全栈 / 软素质面试］
-
核心答案 ：
AI 正在把传统互联网那套精细分工打散：单一领域钻得再深也难构成壁垒，重复性活 AI 干得又快又好。于是吃香的是全栈型人才------做后端的能写前端，做 Agent 开发的也要懂后端架构，甚至开发者要有产品思维、产品也在学写代码。对候选人而言，"AI 全栈 / 全干工程师"的求职打击范围巨大：一份能力可同时匹配 AI 应用开发、全栈开发、后端开发、甚至产品经理等多个岗位，别人只能投一个方向，你能同时狙击多个，胜率直接翻倍。
落地层面，AI 全栈能力应是一条完整链路：产品 → 前端 → 后端 → Agent → 架构，能独立做完需求拆解、方案设计、架构搭建到交付上线。典型可沉淀项目包括：Harness 工程化的 AuditHarness（Docker 沙箱 + API 自动化验收 + Mock LLM + 自愈重试 + 质量评分 + 三层记忆，把 AI 代码交付从主观判断变客观验证）、RAG 中台 RAGNexus（Hybrid 双路召回 + RRF 融合 + LLM Rerank + Langfuse/RAGAS 评测）、AI 原生 PRD 平台 HarnessPRD、面试智能体、刷题猫等。把这些"全栈 + Agent + 产品思维"项目写进简历，既证明技术广度，也证明能用 AI 从 0 到 1 完成交付。
-
关键点 / 展开：
- 分工被 AI 打散：精细分工壁垒消失，单一深钻难成护城河；全栈 / 全干工程师成为新稀缺。
- 求职打击面：AI 全栈能力可同时匹配 AI 应用、全栈、后端、产品多个岗位，降维打击传统单点岗位。
- 全链路能力：产品 → 前端 → 后端 → Agent → 架构，能独立完成需求拆解到上线交付，而非只写某一层。
- Harness 工程化交付：AuditHarness 用 Docker 沙箱 + 自动化验收 + 自愈重试 + 质量评分，把"AI 写得对不对"变成可验证流程，体现工程素养。
- RAG 中台实战：Hybrid 召回 + RRF + Rerank + 在线/离线评测（Langfuse、RAGAS），证明既懂 Agent 又懂后端架构。
- 产品思维：HarnessPRD 这类 AI 原生需求平台，说明候选人能从一句话需求反推结构化文档，产品感在线。
-
常见追问：
- 你说能独立从需求到上线，举一个你既做产品拆解、又做后端架构、还接了 Agent 的具体项目？
- AuditHarness 的"质量评分"和"自愈重试"是怎么定义的？靠什么信号判断该重试？
-
2026 延伸：2026 年 AI 工程化强调"从写代码的人转变为组织管理智能体的人"，全栈 + Harness 工程是人才升级主线（来源：Anthropic Claude Code 工程化实践 / 黄佳《Claude Code 工程化实战》）。
Q8. 没用过 / 缺 Agent 项目怎么办？------执行力（S 级评价）与简历快速迭代的软素质表达 ［来源：执行力 / 简历软素质面试］
-
核心答案 ：
当面试官当面指出"连 Agent 项目都没有还敢来"，情绪化对抗是最差解。高段位回应是承认缺口 + 给出明确补齐计划 + 用行动闭环 ------"我去补，下周再约？"这种"发现短板立刻补、还能约复面"的反应，被面试官直接评为执行力 S 级。本质上，Agent 岗面试官在筛的不只是技术，更是面对缺口的自驱与交付节奏：你能不能把"没有"变成"有"，且速度够快。
落到简历表达，关键是迭代速度本身也是卖点 。被质疑"投字节连项目都没有"时，一句"您看的是上周的简历"胜过千言------它暗示你的简历在持续高速迭代，新项目已经补上、下半页就是刚手搓的类 Claude Code。这种"简历迭代速度比对方 OKR 还猛"的叙事，传递的是：你不是在被动等面试，而是在主动经营自己的技术资产。配套动作包括：缺 Agent 项目就真去手搓一个写进简历下半页；多语言版本快速补齐；根据真实面试反馈持续把项目面试题从 40 道扩到 50 道。软素质的硬证据，永远是你已经做完的事，而不是你承诺要做的事。
-
关键点 / 展开：
- 缺口不遮掩，计划即闭环："我去补，下周再约"把劣势转成执行力证明------承认 + 行动 + 复面闭环，比辩解有力。
- S 级执行力标签：面试官评的是自驱与交付节奏，能快速把"没有"变"有"就是 S 级软素质。
- 简历即资产，持续迭代："您看的是上周的简历"暗示高速迭代；把新项目、新语言版本、新增面试题持续灌进简历。
- 用行动补证据：缺 Agent 项目就手搓类 Claude Code 写进简历下半页；多语言版本补齐；面试题库随反馈扩容（40→50+）。
- 软素质靠硬事背书：执行力、迭代速度、全干觉悟，全部用"已经做完的具体产出"证明，而非口头承诺。
- 节奏感叙事：把"每周一迭代"做成可感知的节奏，让面试官相信你入职后也是高频交付的选手。
-
常见追问：
- 你"下周再约"时具体补了什么？一周内怎么保证补的项目经得起深挖？
- 你怎么管理简历的迭代节奏？多久更新一次，依据是什么？
-
2026 延伸：2026 年 Agent 岗面试普遍把"执行力 / 自驱 / 资产经营节奏"作为软素质硬指标，真实项目产出比话术更有说服力（来源：小林面试笔记 · 春招/社招喜报复盘）。
📌 本题型速记 Checklist
- Agent 岗是工程岗不是算法岗：看工程经验，先用真实项目（业务型 OnCall / 工具型 Coding Agent）建立门槛。
- 成熟 Agent 不是 Prompt 拼出来的：核心是 Harness 工程，"The model spends; the harness budgets."
- 双轴正交框架：Y 轴认知功能（WHAT）+ X 轴执行拓扑（HOW），28 个工程模式定位不稳定根因。
- Claude Code 使用范式：从"聊"到"工程化"，能 Vibe Coding 出 Agent 项目才算用透。
- Coding Agent 能力清单：6 大工具 / Agent Loop(ReAct) / MCP / Skill / Slash / Hook / 权限 / 上下文压缩 / 记忆 / SubAgent / Worktree / Teams。
- CLAUDE.md 是配置不是文档：每次自动加载为 ground truth；单文件 ≤200 行，拆模块可升至 ~96% 遵守率。
- CLAUDE.md 维护法 ：分层（root 只放指针）+ ruthless 删（Boris 口号）+
/init/memory；README 给人、CLAUDE.md 给 agent。 - Vibe vs Spec：Vibe 用于探索、Spec 用于交付；spec-kit 四台阶（需求→方案→任务→代码），规约是活的共识。
- 大代码库扛得住：换模型无用，靠 harness 七层（CLAUDE.md→Hooks→Skills→Plugins→MCP + LSP + 子 Agent）。
- agentic search 反 RAG：索引过期 / 冷启动零 / 精确匹配；代价是依赖好的起点 context。
- 全栈更吃香：AI 打散分工，全干工程师打击面覆盖 AI 应用 / 全栈 / 后端 / 产品；链路产品→前端→后端→Agent→架构。
- Harness 工程化交付：Docker 沙箱 + 自动化验收 + 质量评分，把 AI 代码交付变客观验证（AuditHarness）。
- 执行力即软素质：缺口不遮掩、"下周再约"闭环得 S 级；简历高频迭代（"上周的简历"）是资产经营节奏的证明。
- 所有软素质靠硬事背书：项目产出、语言版本、面试题库扩容，比话术更有说服力。
整理说明：本批 11 篇笔记存在大量重复变体（如"手搓 Claude Code / Vibe Coding 出 Agent 项目"在多篇重复，"智能 OnCall Agent"与"MewCode Agent"为两个核心项目案例），已按五大主题强力合并为 8 道完整题；对话体内容已改写为架构师级表述，技术要点均源自笔记中引用的 Anthropic 官方实践、Claude Code 创始人 Boris Cherny 分享、黄佳《Agent 设计模式之美 / Claude Code 工程化实战》、GitHub spec-kit、SFEIR Institute 实测等一手信源。
