Harness面试真的有难度，一手面试经验分享

• 作者总结了阶跃、Kimi、初创公司及千问等AI原生岗位的Harness岗面试经验。 — ✓ “我面试了家AI native岗位”
• Memory机制被视为Agent的可持续状态系统，需掌握分层思想及检索/注入/更新策略。 — ✓ “memory不是简单的向量库”
• Memory评估重点关注召回合理性、冲突解决、局部更新与溯源问题。 — ✓ “重点是召回合理性、冲突解决”
• Self-improvement涉及memory-rule机制、夜间潮汐、Dreaming巩固及经验提取。 — ✓ “夜间潮汐、dreaming巩固”
• Skill系统需讲清生命周期（管理到卸载），重点在于卸载细节而非强绑定Sandbox。 — ✓ “更重要的是卸载的细节”
• Sandbox架构设计需关注cold start、resume、snapshot、idle及分布式调度与MicroVM技术。 — ✓ “cold start、resume、snapshot”
• Claude Code强在agentic控制面与迭代速度；Codex强在Agent Loop与代码架构。 — ✓ “Claude Code:强在 agentic 的控制面”
• OpenClaw强在personal特性、extension和gateway，但代码可维护性较差。 — ✗ “OpenClaw...代码可维护性差”
• Harness定义为模型之外让Agent稳定完成任务的工程外壳，涵盖任务调度与环境安全。 — ✓ “模型之外,让 agent 能稳定完成”
• Agent Loop控制性体现在上下文装配稳定性、Tool错误控制、Hooks/Middleware及KV cache管理。 — ✗ “context装备稳定性控制”
• 推理优化包括理解Prefill/Decode两阶段，以及KV cache命中、厂商侧cache管理和Continuous batching。 — ✓ “KV cache 命中推理实例优化”
• 后训练本质是让base model适配agentic environment，提升instruction following和tool use能力。 — ✓ “适配 agentic environment”
• 长程任务难点包括目标漂移、上下文爆炸、验证不足及错误累积，需处理模型切换handoff。 — ✓ “目标漂移、上下文爆炸”
• 压缩机制分时机（pre/mid/post-turn）与等级（L1/L2/L3），可参考Codex和Claude Code实现。 — ✓ “L1、L2、L3 压缩”
• Coding Agent评测需了解SWE-bench等benchmark及Eval Pipeline架构设计。 — ✓ “SWE-bench、Tool-use bench”
• Kimi-Swarm核心价值在于后训练带来的横向扩展能力，适合扇出型任务的并行与交叉验证。 — ✓ “后训练带来的横向扩展能力”

• 读了 4 张图，每张都有描述
• 图上文字 83 行
• 没读到：comments not read

样例，第 1 张图 — A concept note poster titled 'Harness is a philosophy of control' (Harness 是一种控制哲学). It features a diagram labeled 'THE CONTROL LOOP' with three interconnected circles: '01 context control', '02 loop control', and '03 environment control'. The bottom text mentions sharing first-hand interview experiences from Kimi, Jueye, startups, and Qianwen. 图上文字开头： “HARNESS IS A PHILOSOPHY OF CONTROL / CONCEPT NOTE Harness 是一种控制哲学 01 context con…”