这周帮其他团队电话面试了几个应聘垂直业务 agent 研发的候选人，基本上我开头一个问题就能初筛掉 90% 的面试者： /goal 命令是如何实现的？ 真正做过 harness 的人才知道 goal 有多难搞：完成判断、验收标准、状态持久化、异常兜底、预算控制、上下文压缩不丢任务、缓存命中不被打乱。。。

事件核心：发生了什么

据 @LinearUncle 2026 年 9 月 26 日发布的推文，他这周帮其他团队电话面试了几位应聘垂直业务 agent 研发的候选人，开场第一个问题就是“/goal 命令是如何实现的”，结果基本能初筛掉 90% 的面试者。他强调，只有真正做过 harness 的人才知道 goal 有多难搞，难点包括完成判断、验收标准、状态持久化、异常兜底、预算控制、上下文压缩不丢任务、缓存命中不被打乱等。

评论区也印证了这一点。用户 @Poyang_rex 表示，认真讲清楚这个问题起步就要半小时，他们内部曾用三个小时做分享，事后发现当初的不少分析“错误的离谱”。@KakaluoteW45042 则给出实践细节：goal 状态最难，完成判断如果交给模型自评必然乐观，最后只能把验收标准做成 checklist 逐条验证；上下文压缩前必须显式持久化当前任务，否则模型会自己“发明”一个新目标。

为什么重要

这道题之所以有区分度，是因为它不考 API 调用或 prompt 技巧，而是考 agent 从“能跑起来”到“能交付”的工程能力。垂直业务 agent 要面对真实任务：什么时候算完成、失败怎么回滚、token 预算怎么控、长上下文压缩后任务目标会不会漂移。这些正是 harness 层要解决的问题。

目前公开信息显示，行业里大量 agent 项目仍停留在 demo 阶段，完成判断依赖模型自评、状态散落在对话历史里，一旦上下文被压缩或缓存命中发生变化，任务就可能断掉。能把 /goal 讲清楚的人，通常意味着他处理过生产环境里的异常和验收，而不是只调过几个大模型接口。

对用户/开发者/创作者的影响

对开发者来说，这类面试题释放了一个信号：agent 研发岗位的考察重心正在从“会不会用模型”转向“会不会做 harness”。如果你在简历上写做过 agent，面试前最好能把完成判断、状态持久化、预算控制这几个环节讲出具体实现，而不是只谈模型选型。

AI 工具推荐

想把多个 AI 模型放在一个入口？

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。

对使用 agent 工具的用户和创作者，这意味着产品体验的差异会越来越体现在“任务能不能稳定做完”上。一个 agent 是否会在长任务中跑偏、是否在压缩上下文后忘掉原目标，比它单轮回答多聪明更重要。选工具时，验收机制和状态管理值得优先关注。

值得关注的后续

一是这类面试题是否会成为垂直 agent 岗位的常见考察点，反映招聘市场对 harness 能力的需求变化；二是主流 agent 框架和闭源产品是否会把 goal 状态管理、任务验收、上下文压缩做成标准能力；三是开发者社区是否会围绕“任务不漂移”沉淀出可复用的开源方案，而不仅停留在 prompt 层面的讨论。

来源：@LinearUncle