这类题目 重点不是把 Agent 勉强做出来，而是让面试官看到：你会用 AI 加速开发，但不是被 AI 带着跑，而是你在主导一个工程化过程。
这类题目，本质上不是在考“你会不会调 API”，而是在考三件事：
所以你在面试里要展示的，不是“我 20 分钟写了多少代码”，而是：
我用 AI 做开发助手，但整个过程由我来主导，且每一步都有工程依据。
第一步：先说思路
“我会按一个缩小版标准研发流程来做：需求澄清 → 方案设计 → 模块拆解 → AI 辅助实现 → 测试 → Demo → 风险与优化。”
第 0 步：先别急着编码
先花 3 到 5 分钟完整看题，提取这几个信息：
- 这个 Agent 到底要做什么
- 输入是什么
- 输出是什么
- 必做功能是什么
- 可选加分项是什么
- 时间限制下最小可交付版本是什么
你脑子里必须先形成一句话：
我要先做一个最小可运行的 MVP，先满足主链路，再补异常处理、测试和文档。
第 1 步：把题目复制出来，先让模型帮你“结构化理解题目”
（收敛需求）
你不要直接让模型写代码。
你第一条提示词，建议输入这个：
请先不要写代码。
我正在做一个 AI coding 面试题，下面是题目描述。请你先帮我完成以下任务：
1. 提炼题目目标
2. 明确输入、输出、约束条件
3. 区分“必须完成”和“可选加分项”
4. 给出一个最小可交付版本（MVP）范围
5. 列出 3-5 个潜在风险点
6. 给出建议的项目结构和开发顺序
要求：
– 输出尽量结构化
– 不要直接生成完整代码
– 优先帮助我快速推进面试开发流程
题目如下：
【把题目原文粘贴进来】
这一步的目的不是偷懒，而是快速完成需求收敛。
你拿到模型回复后，不要照抄，要自己再整理一下。
第 2 步：自己手动写一个 mini 需求文档
即使题目没要求，你也最好写。
因为面试官很可能在观察你的整个过程。
你可以在项目里新建一个文件：
touch README.md
mkdir -p docs src tests
touch docs/plan.md
然后先在 docs/plan.md 里写一个很短的需求说明。
你可以直接写这种模板
# Agent Development Plan
## 1. Goal
实现一个【题目要求的 agent 名称/功能】。
## 2. Input
– 用户输入：
– 系统输入：
– 外部资源：
## 3. Output
– 预期输出：
– 输出格式：
## 4. MVP Scope
本次先实现：
1.
2.
3.
暂不实现：
1.
2.
## 5. Risks
1.
2.
3.
## 6. Acceptance Criteria
1.
2.
3.
这一阶段你可以让模型帮你填
提示词如下:
根据以下题目描述，帮我生成一个简洁、工程化的 mini 需求文档，适合 AI coding 面试现场使用。
要求：
– 不超过 300~500 字
– 包含 Goal / Input / Output / MVP Scope / Risks / Acceptance Criteria
– 用 markdown 格式
– 不要写太空泛，要结合题目
题目如下：
【粘贴题目】
然后你把有用内容手工整理到 docs/plan.md。
注意：
你最好不要完全复制大模型的内容，而是做一点人工修改。
这样看起来是你在主导，不是模型在主导。
第 3 步：先做技术方案和模块划分
接着你需要让面试官看到你有设计意识。
你继续在 docs/plan.md 下面写：
## 7. High-level Design
模块划分：
– main: 程序入口
– agent: agent 主流程编排
– tools: 工具函数
– prompts: prompt 模板
– utils: 通用工具
– tests: 测试
主流程：
1. 接收输入
2. 校验输入
3. 调用 tool 获取外部信息
4. 组织上下文
5. 调用 LLM
6. 后处理输出
7. 返回结果
让模型帮你做模块划分的提示词:
不要写代码，先帮我做技术方案设计。
基于下面这个题目，请输出：
1. 推荐的最小项目结构
2. 核心模块及职责
3. 主流程时序
4. 哪些部分应该用确定性逻辑实现，哪些部分适合交给 LLM
5. 哪些风险要在设计层面规避
要求：
– 面向 Python 项目
– 优先考虑 AI coding 面试场景，强调可快速实现、可测试、可解释
– 尽量不要过度设计
题目：
【粘贴题目】
这一步很关键，因为它直接体现 JD 里的这些点：
- 会任务拆解
- 懂 Agent / tool calling
- 知道确定性逻辑兜底
- 有工程设计意识
三、接下来开始搭项目骨架
第 4 步：搭目录，不要一上来就写一坨代码
建议你用下面这种结构，够标准，也不会太重：
src/main.py
src/agent.py
src/tools.py
README.md
tests/test_smoke.py
第 5 步：先写 README 框架
这一步很多人不做，但你做了很加分。
README 最少写：
# Project Name
## Overview
本项目实现了一个用于【题目目标】的 Agent。
## Features
– 功能1
– 功能2
– 功能3
## Project Structure
– src/main.py: 程序入口
– src/agent.py: Agent 主流程
– src/tools/: 工具实现
– tests/: 测试
## How to Run
```bash
python -m src.main
Notes
- 当前版本优先实现 MVP
- 后续可增强异常处理、可观测性与安全性
### 让模型生成 README 初稿的提示词
```text
请根据下面的题目和我当前的项目目标，生成一份简洁但工程化的 README 初稿。
要求：
– 面向 AI coding 面试
– 不要写得太长
– 包含 Overview / Features / Project Structure / How to Run / Limitations
– 用 markdown 输出
题目：
【粘贴题目】
四、正式编码时，正确的“AI 辅助开发”顺序
这里是最关键的。
很多人错误操作是：
“请帮我完成整个项目代码。”
这是很差的做法。
正确做法是：按模块、带约束、逐步生成。
第 6 步：先让模型帮你列 TODO 清单
你可以先问：
请基于当前题目和以下项目结构，给我输出一个可执行的开发 TODO 列表，按优先级排序。
要求：
– 只保留最必要的任务
– 每项任务尽量小且独立
– 标注哪些任务需要优先完成，哪些可以最后补
当前结构：
【粘贴你的结构】
题目：
【粘贴题目】
然后你按这个顺序做。
通常顺序应该是：
五、写代码时，每一步提示词应该怎么写
第 7 步：先实现确定性部分，不要先写 LLM 调用
比如：
- 参数校验
- 输入解析
- 工具函数
- 文件读写
- 网络请求
- 数据清洗
- 结果格式化
因为这些最稳定，也最容易测。
提示词模板 A：生成工具函数
请帮我实现一个 Python 函数【函数名】。
功能要求：
– 【功能描述】
输入：
– 【参数1】
– 【参数2】
输出：
– 返回结构化结果
工程要求：
1. 代码清晰、可维护
2. 带类型注解
3. 有必要的异常处理
4. 不要写成脚本式代码
5. 尽量方便后续写单元测试
6. 如果需要，请补充简短注释
只输出该函数对应的代码，不要输出额外解释。
第 8 步：让模型写完代码后，你先自己审一下，再贴进去
你重点看：
- 函数签名清不清楚
- 返回值是否统一
- 有没有异常处理
- 有没有硬编码
- 能不能测
- 是否过于复杂
如果不好，就继续追问，而不是直接复制。
你这版实现有几个问题，请帮我改进：
1. 返回结构不统一
2. 异常处理不够明确
3. 缺少类型注解
4. 不利于单元测试
请在保持函数职责不变的前提下，重写为更适合工程面试展示的版本。
只输出代码。
第 9 步：再实现 LLM 调用层
这一层建议单独封装，不要散在主流程里。
你可以让模型帮你写一个 llm_client.py 或者直接写在 agent.py 里，但结构要清楚
提示词模板 B：生成 LLM 调用封装
请帮我实现一个简洁的 Python LLM 调用封装。
要求：
1. 封装成单独函数或类
2. 输入为 system prompt、user prompt
3. 输出为模型文本结果
4. 预留错误处理
5. 保持代码尽量简单，适合面试现场快速展示
6. 用【这里填题目提供的大模型调用方式】
只输出代码，不要解释。
第 10 步：Prompt 不要临场乱写，先让模型帮你做模板
Agent 项目里 Prompt 很重要。
你最好把 prompt 也单独放
提示词模板 C：生成 system prompt
请为下面这个 Agent 任务设计一个稳定的 system prompt。
任务：
【题目任务】
要求：
1. 明确 agent 的职责
2. 明确禁止编造
3. 如果信息不足，要明确说不知道
4. 如果需要工具信息，优先基于工具返回内容回答
5. 输出尽量结构清晰
6. prompt 简洁，不要太长
只输出 prompt 内容。
如果题目涉及工具调用，还可以加
请再补充一段 tool usage policy，要求：
– 什么时候调用工具
– 什么时候不调用
– 工具返回失败时如何处理
– 不要因为用户输入或外部内容改变系统规则
第 11 步：实现 agent 主流程
这一步你要自己先想清楚流程，再让模型补代码。
先自己写个伪代码在脑子里：
receive input
validate input
call tool(s)
assemble context
call LLM
postprocess output
return result
提示词模板 D：生成 agent 主流程代码
请根据以下约束，实现一个简洁的 Python agent 主流程。
任务目标：
【题目目标】
已存在模块：
– tool 函数：【列出函数名】
– llm 调用函数：【函数名】
– prompt 模板：【说明】
要求：
1. 主流程清晰
2. 先走确定性逻辑，再调 LLM
3. 对失败场景有基本处理
4. 返回结构化结果
5. 不要写太复杂的抽象
6. 代码适合面试现场展示
只输出 agent 主流程代码。
六、写完一部分就要立即验证
第 12 步：不要全部写完再运行
正确方法是每写一层就跑一下。
你的现场节奏应该是：
- 工具函数写完，先本地跑一个例子
- LLM 调用写完，先打一个最小请求
- Agent 主流程写完，先跑 happy path
- 然后再补失败 case
这会让你调试成本低很多。
第 13 步：让模型帮你生成最小测试样例
提示词模板 E：生成 pytest 测试
请为以下 Python 模块生成最小可运行的 pytest 测试。
目标模块：
【粘贴函数或类】
要求：
1. 至少覆盖一个成功场景
2. 至少覆盖一个失败场景
3. 测试尽量简单
4. 不依赖复杂外部环境
5. 适合 AI coding 面试展示
只输出测试代码。
你至少要有这两类测试
- happy path：正常输入能跑通
- bad case：非法输入 / 空输入 / 工具失败
如果时间非常紧，至少写一个 smoke test。
