这次一面整体问得比较偏 Agent 底层实现，不是那种一直问 LangChain、LangGraph 框架怎么用。
主要问了这些内容：怎么设计一个简单的 Agent、Agent 每一轮 Prompt 是怎么组装的、Tool Calling 里的参数是怎么定义的、MCP 和 Tool 有什么区别、RAG 的基本链路，以及 Agent Skills。另外也问了我平时怎么使用 Codex、Claude Code 这些 AI Coding 工具。
其中让我印象最深的是 Agent Prompt 怎么组装。这个问题当时确实把我问住了一些。我之前更熟的是 Runner、Workflow、Tool Calling、Checkpoint 这些东西，但对底层的信息流转理解还不够细。后来复盘才发现，实际每一轮调用模型之前，Runtime 都要把 System Prompt、用户目标、当前 State、历史消息、Tool Result、RAG、Memory、Skills、Tool Schema 这些内容重新整理成 Context，再交给模型。模型返回 Tool Call 后，Runner 执行工具，再把结果作为 Observation 回填，继续下一轮。
MCP 和 Tool 的问题也比较典型。我的理解是，Tool 是具体的能力，比如搜索、查数据库、发消息；MCP 更像是把这些能力标准化暴露和连接起来的一套协议。
RAG 这部分问得比较基础，主要就是文档解析、Chunk、Embedding、Retrieval、Rerank、Context、LLM 这一整条链路。
面试官还问了 Agent Skills，我现在更倾向于把它理解成“Agent 做某一类任务时的方法和流程”，也就是 Tool 解决“能做什么”，Skill 解决“应该怎么做”。
另外还聊到了我平时怎么用 AI Coding 工具。我说我会先拆需求和模块，再让 Codex 或 Claude Code 去做具体实现，之后通过实际运行、日志、接口返回和边界情况去验证，而不是直接默认 AI 生成的代码就是对的。
最后我反问了他们现在具体在做什么业务，面试官比较详细地介绍了他们目前的 Agent 业务线。结束的时候他还建议我继续去了解 Agent 底层的信息流转。
这场面试对我来说最大的收获就是，我之前对 Agent 的理解更偏“架构层”，现在开始意识到还需要把 State → Context → LLM → Tool Call → Tool Result → 下一轮 Context 这一层真正吃透。