本文是 Agent 高频面试题详解系列第 4 题，系统讲解 Agent 效果评测体系。文章基于 64 场面试面经分析，归纳出评测追问的八个方向，并结合 Anthropic、OpenAI 等实践经验展开：先明确评什么（Agent 评测难在结果在环境状态中、路径不唯一、结果不确定）；评测集怎么建（题目来自真实失败、业务方、合成数据，注意分层、防泄露与防过拟合）；谁来打分（代码判分、模型判分、人工判分三种方式的取舍，LLM-as-a-Judge 的位置偏差、冗长偏差等已知问题及校准方法）；以及如何通过基线对比、多次运行排除随机性，证明改进真实有效。文章强调评的是 Harness 和模型的整体，判结果而非规定路径。
本文是 Agent 面试高频题详解第 3 题，围绕多 Agent 架构展开。作者结合 50 位作者、63 场面试的面经，系统梳理了六个追问方向：要不要拆、怎么拆、怎么通信、结果谁汇总等。文章指出单 Agent 在上下文膨胀、工具过多、提示词分支复杂、无法并行四方面会卡住；同时多 Agent 有 token 成本（约为普通对话 15 倍）、协调开销、信息丢失和错误传播等代价。文中总结了主从、流水线、并行分片、执行加审查、按意图转交五种结构，以及上下文、工具权限、可验收三类拆分边界，并对比 Skill、MCP、Workflow、SubAgent 等概念的适用场景，最后给出通信方式与面试应答要点。
本文是 Agent 高频面试题详解系列第一篇，聚焦 RAG（检索增强生成）链路。文章基于近两个月牛客网 82 场面试的统计，指出 RAG 是最常被追问的题目。内容先给出 RAG 整体架构图，解释为什么需要 RAG 及其与长上下文、grep、微调、工具调用、记忆等方案的边界；再沿离线、在线两条线逐环讲解：离线部分涵盖文档解析、切分策略、embedding 向量化、HNSW/IVF 索引原理；在线部分讲解问题改写、BM25 与向量多路召回、RRF 融合、交叉编码器重排等环节。每个环节均附上面试常见追问，并提供复习优先级参考。
本文基于牛客网 8 月 18 日至 10 月 18 日的一手面经，统计了 180 位作者、343 场面试、近 80 家公司的 Agent 岗高频面试题。统计显示，问得最多的是 RAG 链路和 AI Coding 工具使用（各占三成多），其次是多 Agent 拆分、Agent 评测、上下文压缩、Skill/MCP/Function Calling 边界、记忆设计、Harness 与 Agent Loop、LangGraph/LangChain 等。文章逐题列出问法、公司分布和轮次分布，并指出 Skill、MCP、Agent 评测和 Harness 在 9、10 月明显增多，手撕题仍以 LeetCode 为主。
作者花了 7999 元加入一个 X（推特）中推流量社群，账号从几百粉涨到五六千粉后退群。文章复盘了这段经历：社群确实帮助快速起号，提供了人脉、可复制的路径和互推氛围，但代价是每天投入 3-5 小时的高频互动、违心的夸赞，以及选题逐渐被流量逻辑绑架。在创作者收益暂停、工作变忙后，作者主动降频并退群。他认为这段经历让他对流量的运作祛魅，明白了爆款背后的拆解逻辑，最终选择按自己愿意长期投入的方式做账号。
文章讨论了 Anthropic 提出的程序员五种价值创造角色，并结合大厂团队的实际情况，提出了第六种角色“搬运工”。通过 15 场绩效沟通，作者分析了程序员在 AI 时代的焦虑与转型，指出解决之道在于补齐基建欠账和重新定义价值坐标。
本文介绍了如何使用 ENC 美国实卡解决 Codex 登录时的手机号验证问题。作者对比了 ENC 与 giffgaff 的优劣，并详细记录了从下单、激活到成功接收验证码的全过程。ENC 实卡方案适合需要长期稳定海外手机号的重度 AI 用户。
Anthropic 团队将 Claude Code 的系统提示词删减了 80%，但编码评测没有损失。文章指出，许多规则是为老模型打的补丁，已过时。最佳实践转向：用锚点代替禁令，用接口设计代替举例，以及渐进披露。建议开发者清理“拐杖”型规则，保留护栏与品味，用评测集支撑删除决策。
作者开源了一个基于 Claude Code 的 X 自动发文 Skill，实现了从文章排版、海报生成到排期发布的全自动化。该工具通过重写摘要、AI 生成海报、预处理 Markdown 长文等优化流程，将重复性工作时间压缩至几分钟。文章强调了将经验沉淀为 Skill 的重要性，并分享了踩坑经验。
文章介绍了如何基于 WorkBuddy 搭建一条自动发布 X（Twitter）长文的流水线。该流程解耦了特定客户端依赖，使用 Node.js 脚本直连 Buffer 和 Typefully API，实现了从素材抓取、摘要生成、配图制作到自动排期发布的全自动化，并重点解决了非交互 shell 环境变量配置及超时等问题。
本文介绍了如何利用 CLIProxyAPI 构建混合编程 Agent 方案。通过将 Claude Code 作为主控，将 Plan 和架构任务交给 GPT-5.6 Sol，将执行任务交给 Grok 4.5，实现了多模型的优势互补。文章详细阐述了从环境配置、路由设置到三层验证的完整步骤，并强调了配置备份的重要性。
文章以「好记性不如烂笔头」为喻，深入剖析了 AI 助手 WorkBuddy 的三层记忆架构（云端画像、本地长期记忆、工作区日志）。通过对比传统 AI 的「金鱼式」失忆，阐述了长程任务中「读写外部文件」优于单纯依赖上下文窗口的原理。同时，文章探讨了记忆与身份层如何赋予 AI 连续性，并与 OpenClaw 进行了横向对比。
文章通过对比失败率高企的独立开发者（OPC）与巨头争抢的前线部署工程师（FDE），指出OPC死因在于“先做产品再找客户”，而FDE通过“先锁定需求再交付”实现了商业闭环。在AI降低交付成本与中小企需求断层的窗口期，拥有行业经验的个人应以FDE模式切入，积累现金流与客户，而非盲目开发产品。
文章解读了 Andrej Karpathy 团队泄露的 CLAUDE.md 文件，包含 10 条核心原则。对比社区早期提炼的 4 条，新增的 6 条（先读代码、自我验证、调试、依赖管理、沟通、失败模式）针对的是无人值守的“交责任”场景，是实现 Loop 工程化和放手 Agent 的关键。
作者分享了大厂 Leader 将面试准备工程化的经验：利用 AI SKILL 自动解析简历并生成项目深挖、基础、算法及 AI Coding 四类题目，从而将个人精力从重复执行转移至核心判断与补课上。文章指出该方法虽然将准备时间优化至 20 分钟，但对面试官的追问能力和知识广度提出了更高要求。最后，作者针对暑期实习招聘给出了三条建议：把握窗口期赶早不赶晚、切忌盲目试水以免留下负面记录、以及技术为本需适当展示亮点。
