一万个活跃 Agent 需要多少 Worker？从模型请求速率和在途数算起，拆解资源池、租户公平、重试和队列背压。

外部动作已成功，本地还没记下来就崩溃，恢复时能不能重试？用审查任务说明 checkpoint、幂等、对账和用户改需求。

本文以 API 兼容性报告 Agent 为例，解析 Agent Runtime 工程中的核心挑战：如何有效管理上下文。强调区分持久历史与模型输入，通过结构化投影、证据索引与外置大对象实现精准信息传递；提出调用前预估 token 预算，动态分配并避免超限；压缩时保留出处与不确定性，确保任务完整性。面试中可从分层输入、证据可追溯、跨轮验证三方面证明压缩未降低 Agent 能力。

用一段可离线执行的 Python 示例解释工具调用如何配对、循环什么时候停，以及 Harness 如何处理错误参数、权限和重试。

Agent 与固定工作流的区别究竟在哪里？通过一个检索选型任务，拆解模型、工具、状态与控制器的职责，说明行动选择、权限和预算如何协作，并给出面试中可落到真实执行链路的回答方式。

复盘已合并的 DeerFlow PR #7605：输出长度截断为何仍触发 Todo 重试，如何补齐终止信号，并用真实执行图的同步与异步回归测试验证修复。区分测试调用次数与生产收益，讨论 Agent Runtime 的状态协议和中间件顺序。