长上下文 Agent、多轮 Coding Agent 很容易遇到一个隐形问题：上下文越跑越乱，无关日志、历史报错、冗余对话、无效工具返回混在一起，最后模型跑偏、幻觉变多、丢失目标，这个现象就是上下文窗口污染。面试经常问：污染是怎么产生的，有哪些净化手段，各自优缺点。

大仓库下 Coding Agent 不能直接把全量代码丢进上下文，这篇拆解它从看懂仓库、粗筛、精定位、迭代验证的完整链路，讲清楚向量检索、AST 符号索引、代码图各自的分工，也是 SWE-Agent、Aider、Cline 这类编码智能体的核心考点。

这个问题是 Agent 面试的经典坑题。很多初学者以为：输入一样，输出就应该固定。但实际跑 Agent 的时候，一模一样的用户提问，两次跑出来调用工具顺序不一样、返回答案不一样，甚至中途直接终止。面试官想看你能不能区分「LLM 本身随机性」和「Agent 链路带来的不确定性」。

在开发 AI Agent 时，很多人认为只要给大模型接入几个工具，就能构建一个完整的智能体。但实际上，模型能够发起工具调用，并不意味着任务就能自动执行、持续推进或可靠完成。Agent Harness 正是围绕模型提供运行支撑的重要机制。本文从一次模型调用开始，结合 Excel 自动处理案例，详细讲解 Agent Harness 的核心职责、Agent Loop 执行循环、上下文管理、任务状态保存、

普通 Agent 写好 Prompt、配置好工具之后，能力就固定死了。而自进化 Agent，可以在和用户交互的过程中持续学习，不断优化任务处理逻辑。很多面试同学会误以为自进化等于微调、SFT 重训模型。实际上工业界大量落地的自进化方案，都不需要改动模型权重。本文拆解自进化完整闭环、四类实现路线、工程安全围栏，面试直接参考。

面试高频场景：面试官问 Agent 如何加载大量 Skill，如果你回答 “全部 SKILL.md 文档拼接到 Prompt”，大概率直接扣分。当 Skill 数量达到几十上百个，全量加载会造成上下文浪费、无关信息干扰、成本飙升。工业界主流方案是Skill 渐进式加载（渐进式披露）：只常驻技能元数据目录，真正需要该技能的时候，才读取完整 SKILL.md 说明书。本文结合工程目录样例，通俗讲透原理

很多新手写 Agent 上下文压缩，直接写死一个固定阈值：比如 token 占满 80% 就压缩。上线之后会遇到各种奇怪问题：频繁压缩导致信息丢失、压缩开销大拖慢速度、或者阈值设太高直接 OOM。真正生产级的方案，阈值不是固定数字，是一套动态计算策略。这篇文章把阈值怎么算、为什么要滞回、工程踩坑点一次性讲清楚，面试非常容易问到。

最近 AI 圈刷屏的 Jev 模型，是目前 Agent 工程最火的面试新考点！以前我们做用户意图识别，全都依赖大模型 LLM，不仅慢、贵、还容易幻觉、乱分类。而 Jev 是专门为「判断、选择、打分、真假识别」而生的决策 AI，不聊天、不写文案、不瞎生成，只做精准结构化判断。现在大厂 Agent 架构已经开始更新：大模型负责慢思考规划，Jev 负责快判断意图。本文通俗、有趣、接地气讲透：Jev 是什

“请严格返回 JSON，不要输出其他内容。”这句话很多开发者都写过，但程序照样可能遇到多余说明、字段缺失、类型错误，甚至结构完全正确、内容却不符合业务要求的结果。本文以订单查询助手为例，讲清合法 JSON、符合 Schema 和业务正确三个层次，以及提示词约束、原生结构化输出、工具调用和应用端校验分别承担什么职责。