初创公司 AI Agent 工程师 - 面试题 & 面经
Q: 如何用最小成本快速搭建一个可上线的 Agent 产品？技术选型的核心原则是什么？
💡 思考逻辑： 初创公司资源有限，面试官考察你的务实工程能力和成本意识。
参考答案： 初创 Agent 快速落地原则：1）能用 API 就不自己训模型——用 OpenAI/Claude API 作为推理引擎，省去训练和部署成本；2）能用规则就不用 LLM——简单意图识别用正则/关键词匹配，只有复杂推理才调用 LLM，成本可降 80%；3）框架选型——LangChain 快速原型 → 验证 PMF 后再考虑去掉框架自研（减少依赖和抽象开销）；4）MVP 功能集——先做 3-5 个核心工具（覆盖 80% 场景），不要一上来就支持 50 个工具；5）评估先行——上线前准备 100+ 测试用例，每次改动跑回归；6）基础设施——用 Serverless（AWS Lambda/Cloudflare Workers）部署，按调用量付费，不养服务器；7）存储——对话状态用 Redis，知识库用 Supabase pgvector。整体原则：验证商业价值 > 技术完美。
Q: Agent 产品的 PMF（Product-Market Fit）怎么验证？哪些指标说明 Agent 真正有价值？
💡 思考逻辑： 初创公司最关心的是产品有没有人用，面试官考察你的产品思维。
参考答案： Agent PMF 验证指标：1）留存率——7日留存 > 40% 说明有价值（纯新鲜感的产品留存通常 <20%）；2）任务完成率——Agent 自主完成任务的比例 > 70% 才有商业价值，否则和手动操作没有区别；3）人工接管率——Agent 需要转人工的比例 < 15%，否则 Agent 反而增加了系统复杂度；4）NPS（净推荐值）——>30 说明用户愿意推荐；5）Time to Value——用户从注册到第一次成功使用 Agent 完成任务的时间 < 5 分钟；6）成本效益——Agent 处理一个任务的成本 < 人工成本的 1/3 才有替代价值。反面信号：用户总在问'这个 AI 能干嘛'（价值不清晰）、频繁手动纠正 Agent 输出（可靠性不够）、用了一次就不回来（没有持续价值）。
Q: 如何在资源受限的情况下构建 Agent 的评测和质量保障体系？
💡 思考逻辑： 初创公司没有大厂的评测资源，面试官考察你用最少资源保证质量的能力。
参考答案： 轻量评测体系：1）Golden Test Set——手动构建 100-200 条测试用例，覆盖核心场景 + 边界情况 + 对抗测试，每次改动前必跑（CI 集成）；2）LLM-as-Judge——用 GPT-4 自动打分（5 分制），设定阈值（均分 > 3.5 才允许上线），成本约 $5/次全量评估；3）Shadow Mode——新版本与线上并行运行 24 小时，只对比结果不真正执行，人工抽检 20 条差异较大的 case；4）用户反馈闭环——在 Agent 回复后加一个 👍👎 按钮，每周 review 所有 👎 case，补充到测试集；5）自动告警——监控任务完成率、平均延迟、错误率，异常时 Slack 通知。不需要的：大规模标注团队、复杂的 A/B 测试平台、自建评测框架。核心理念：100 条精心设计的 test case 胜过 10000 条随机生成的。
Q: Agent 创业的技术护城河在哪？怎么避免被大厂碾压？
💡 思考逻辑： 这是创业面试的终极问题，面试官考察你的商业判断力和战略思维。
参考答案： Agent 创业的护城河策略：1）垂直领域深度——大厂做通用 Agent，创业公司做某个领域做到极致（如法律 Agent、医疗 Agent），积累领域特化的 prompt 模板、工具集、评测数据集，这些是大厂短期内无法复制的；2）数据飞轮——用户使用产生数据 → 数据优化 Agent → Agent 更好 → 更多用户使用，关键是构建独有数据集（如某个行业的 SOP 知识库、专业术语映射）；3）工作流集成——深度对接目标客户的业务系统（ERP、CRM、工单系统），切换成本高；4）用户体验——在特定场景的交互设计上做到极致（大厂做通用界面，你做专业界面）；5）速度——比大厂快 3-6 个月上线新功能，利用小团队的决策速度。不是护城河的：模型能力（你用的 API 大厂也有）、框架选择（人人都能用 LangChain）、Demo 效果（人人都能做 Demo）。
Q: 如何设计 Agent 产品的定价模型？按调用量收费 vs 按效果收费？
💡 思考逻辑： 初创面试经常问商业化问题，面试官考察你对 Agent 商业模式的思考。
参考答案： Agent 定价模型分析：1）按调用量/Token 收费——优势：简单透明，与成本直接挂钩；劣势：用户有心理负担（'每次提问都在花钱'），抑制使用频率；2）按任务/效果收费——优势：价值导向，用户为结果付费（'成功预订一张机票收 ¥5'）；劣势：定义'成功'有争议，部分完成怎么算；3）订阅制（SaaS）——优势：收入可预测，用户使用无心理负担；劣势：轻度用户觉得不值，重度用户成本不可控；4）推荐方案——混合模式：基础订阅（包含 N 次任务/月）+ 超出部分按任务收费 + 高级功能（优先响应、大模型切换）加价。关键经验：早期不要过度关注定价，先让用户用起来（Free Tier 慷慨一点），有了使用数据后再优化定价。初创最忌讳还没 PMF 就花大量时间在计费系统上。