BOSS直聘的Agent面試題流出：先問資料庫索引，再考你會不會用skill做意圖識別

10月26日，一份標題為「BOSS直聘agent開發 10.26」的面試記錄在牛客網貼出。內容不長，但結構清楚：自我介紹之後先過一輪傳統八股，接著整段時間都在追問Agent實習專案的細節。和其他公司流出的面試題對照著看，能看出Agent開發崗的篩選標準正在收斂成幾個共同問題。

八股沒有退場，只是換了搭檔

題單前半段很傳統：Transformer架構、怎麼做微調、LoRA是什麼有什麼好處、資料庫索引是什麼、建了索引查詢一定更好嗎、索引越多越好嗎。

這組題目有意思的地方在於它的指向性。索引那兩問的標準答案早有共識：索引用儲存空間和寫入維護成本，換特定查詢的讀取速度。建了索引未必更快，列上用函式、隱式型別轉換、LIKE ‘%abc’、違反聯合索引最左前綴，都會讓索引失效；小表或低選擇性欄位，全表掃描本來就快。索引建太多，每次增刪改都要同步維護，寫入變慢，優化器候選計畫變多，選錯的機率也上升。

換句話說，考的記憶量很少，考的是「有代價意識」：知道每個技術決策在拿什麼換什麼。這正好是Agent工程的核心素養，因為Agent系統裡幾乎每個環節都是取捨題。

追問都圍繞「效果不好怎麼辦」

進入專案環節後，題目變成連續追打：第一段Agent實習做了什麼；知識庫效果不好會從哪些方面入手；工具呼叫率怎麼提高；分層路由如何確保不跑偏；意圖識別遇到殘缺語義怎麼辦；有沒有想過用skill做意圖識別；呼叫出錯失敗怎麼辦。

這串問題有一條共同主線：不問你做過什麼，問你出問題時的處置路徑。知識庫效果不好，答案要能往下拆，是檢索層、切分層還是生成層的問題；工具呼叫率低，是工具描述不清楚、路由不準，還是模型根本不知道何時該呼叫。這和先前面試官整理的Agent崗考題呈現同一個趨勢：會用框架的人很多，能把系統拆成可歸因環節的人少。

其中「用skill做意圖識別」這一題，本質是在考兩種工程路線的取捨。固定意圖類別、訓練資料充足時，微調小模型通常表現更好：有實測數據顯示RoBERTa在ATIS資料集上準確率95.9%，而Claude Haiku的zero-shot只有84.1%；延遲差距更大，小模型約2.4毫秒，LLM接近981毫秒。代價是要標注資料、維護訓練流程，遇到訓練集外的新表達沒有拒絕能力，新意圖上線就得重新標注訓練。

skill路線則是把意圖分類轉成語意匹配或工具選擇：skill以嵌入向量做檢索，或直接以function calling提供給模型挑選，辨識結果天生可執行，新意圖加一段描述就能上線。但LLM選工具是取樣行為，同樣輸入可能給出不同輸出，在需要可回歸驗證的路由點上不夠穩；skill描述含糊或邊界重疊時，模型會搖擺。

實務上常見的混合做法是：頭部穩定、量大、延遲敏感的意圖交給小模型做一級路由；快速演化、標注稀缺的長尾和新意圖，先靠skill方案跑起來，累積日誌，等分布穩定再下沉成小模型。也有更精細的版本，先用嵌入檢索做skill粗篩，高相似度直接路由，模糊區間才交給LLM或人工。

招聘端的訊號：Agent崗正在長出自己的骨架

把這份題單和近期其他流出的面試記錄並排看，輪廓更明顯。網易雲音樂的一面問Agent底層實作原理，包括harness、hook、MCP、記憶模組，一條訊息發出去Agent如何回應；小紅書國際化開發的一面直接給場景題，要設計一個監測線上服務的運維Agent，說明資料輸入輸出、架構編排與工具呼叫，接著追問Skills的漸進式揭露、Prompt注入防護、長流程任務的上下文管理。

這和TikTok後端一面考題的觀察一致：後端工程師的職能正在被重新定義，資料庫與分散式的基本功仍是門票，但主菜已經換成Agent工程設計。差別在於，BOSS直聘這份題單多了一層業務貼合度：作為招聘平臺，它的Agent場景大概率落在人崗匹配與對話式求職，意圖識別、分層路由、知識庫檢索這幾題，就是這類產品每天要面對的問題。

對求職者的實際判斷是：履歷上寫「做過Agent專案」已經不構成差異化，面試官會立刻往下鑽到出錯處理、路由穩定性、效果歸因這些會讓沒有真正動手的人現形的層級。準備方向與其多背框架名詞，不如把自己專案裡每一個「效果不好後來怎麼修」的故事講清楚，並且對照小模型與skill兩條路線，說得出自己選了哪條、為什麼、什麼情況下會換。這也是會Python還會做Agent卻換不到一面那篇分析指出的同一個處境：工具會用是底線，取捨講得清楚才是分水嶺。