Agent 面试的基础题可以看作一套系统设计词汇：数据如何被找回，状态如何被控制，工具如何被执行，失败如何被恢复，结果如何被度量。AI AgentRAG向量数据库ReActLangChain面试。

原材料记录了分享者在不同业务场景下遇到的追问，本文不按面试公司逐场复述，而是把这些问题整理成一条工程链：业务问题、架构选择、上下文与状态、工具执行、可靠性保障、效果评估。这一环完全可以由程序完成。对于没有在生产环境真正做过的方案，可以明确说明：“这个场景我没有上线经验，如果由我设计，我会从权限、状态、失败恢复、成本和评估几个方面展开。Skill 上线后还会出现新的工程问题：怎样根据任务选择 Ski

模型支持最高 1,050,000 Token 的上下文窗口、128,000 Token 的最大输出，并可在 Responses API 中使用函数调用、网页搜索、文件搜索、Computer Use、MCP、Skills 和 Hosted Shell 等工具能力。第一，它提升的不只是单次代码生成质量，而是复杂多步任务的整体完成能力。官方模型指南也给出了相近的解释方向：Astra 面向跨代码、浏览器和

模型支持最高 1,050,000 Token 的上下文窗口、128,000 Token 的最大输出，并可在 Responses API 中使用函数调用、网页搜索、文件搜索、Computer Use、MCP、Skills 和 Hosted Shell 等工具能力。第一，它提升的不只是单次代码生成质量，而是复杂多步任务的整体完成能力。官方模型指南也给出了相近的解释方向：Astra 面向跨代码、浏览器和

它们都在模型之上构建了不同的 Harness，决定了 Agent 能调用什么工具、如何管理上下文、怎样处理失败，以及是否支持子 Agent 和工作流。本文不把 DeepSeek Harness 当成一个单纯的产品教程，而是沿着一条主线理解它：为什么需要 Harness，它如何组织 Agent 的能力，以及我们该如何选择不同的运行模式。它可能要求 Agent 先扫描项目，再搜索相关代码，修改多个文件

合理的产品设计应当允许用户开启严格沙箱、沙箱加常规确认，或者在明确知情的情况下关闭沙箱，同时提供“沙箱不可用时直接失败”而不是静默降级的严格模式。沙箱策略在这一层生效后，普通的脚本、变量展开和管道技巧无法让进程凭空获得策略之外的权限，而且 Shell 创建的子进程也会继承同一边界。命令一旦通过应用层检查，Shell 以及它启动的 Python、Node、Git 等子进程，通常会继承当前宿主用户拥有

对于格式转换、代码迁移和审查报告这类任务，最有效的补充通常不是再写一段抽象说明，而是给出一组短小的输入与输出，或者 Before/After 对比。本文以 Codex 当前的 Skill 机制为基准，结合实际编写经验，讲清楚 Skill 的结构、加载链路、正文应该写什么，以及怎样判断它是不是真的可用。写 Skill 的目标不是让 Agent “读过更多内容”，而是让它在正确的任务里，沿着正确的路径

对于格式转换、代码迁移和审查报告这类任务，最有效的补充通常不是再写一段抽象说明，而是给出一组短小的输入与输出，或者 Before/After 对比。本文以 Codex 当前的 Skill 机制为基准，结合实际编写经验，讲清楚 Skill 的结构、加载链路、正文应该写什么，以及怎样判断它是不是真的可用。写 Skill 的目标不是让 Agent “读过更多内容”，而是让它在正确的任务里，沿着正确的路径

按照本文写作时 OpenAI 官方模型页列出的价格，GPT-5.6 Sol 每百万输入/输出 Token 分别为 4 美元和 20 美元，Terra 为 2 美元和 12 美元，Luna 为 0.2 美元和 1.2 美元。官方文档明确说明，每个子 Agent 都会执行自己的模型和工具工作，所以会增加 Token 消耗。时，还可以使用单独的 Review 模型。如果你经常处理格式整理、定向搜索、简单

按照本文写作时 OpenAI 官方模型页列出的价格，GPT-5.6 Sol 每百万输入/输出 Token 分别为 4 美元和 20 美元，Terra 为 2 美元和 12 美元，Luna 为 0.2 美元和 1.2 美元。官方文档明确说明，每个子 Agent 都会执行自己的模型和工具工作，所以会增加 Token 消耗。时，还可以使用单独的 Review 模型。如果你经常处理格式整理、定向搜索、简单