快手 AI 全栈一面：Skill 成本、Agent 链路与开发验收
本场面试题
- Skill 与 MCP 的 Token 消耗怎样比较，基本配置一样长时呢？
- 一个 Query 从进入 Agent 到输出结果，经历哪些步骤？
- AI 辅助开发怎样从需求走到验收？
- 怎样判断一个 Skill 足够好？
面经与参考答法
快手 AI 全栈一面：Skill 成本、Agent 链路与开发验收
公司：快手；岗位：AI 全栈开发；轮次：一面。原文没有面试日期与最终结果。
根据候选人公开自述选录技术问题，经历未获外部认证。原帖未提供完整现场答案；下方短答与例子均为编辑补充，不代表作者实际作答、项目实现或企业标准答案。本文选录4组问题。
（1）Skill 与 MCP 的 Token 消耗怎样比较，基本配置一样长时呢？
先明确“长度”是字符数还是目标模型的Token数，再在同模型、同任务和相近成功质量下比较完整执行。Skill可按需加载目录、正文和资源；MCP工具描述也取决于宿主怎样发现及注入。即使初始配置的Token数相同，后续说明、参数、工具返回、模型输出与重试仍可能不同，需分别记录，不能只按协议名称判断。 参见Agent Skills 加载机制。
教学例子：两边初始目录开销相同，一次任务后来加载长Skill正文，另一路只取到短工具结果，最终消耗就可能不同；换一个任务又可能相反。应同时报告完成质量与总Token，避免用少做步骤换取“省”。
知识阅读：Agent Skill：渐进式披露、热插拔与版本治理。
（2）一个 Query 从进入 Agent 到输出结果，经历哪些步骤？
入口先检查用户、任务范围与必要输入，建立运行状态，再组织上下文调用模型。模型若提出工具调用，运行时校验参数、权限和预算后执行，把带调用标识的结果写回状态，必要时进入下一轮。最终按业务成功条件返回结果；预算耗尽、缺信息、取消或失败都应有明确状态，不能一律写成功。
教学例子：查询任务状态时，工具HTTP请求成功却返回“仍在处理”，Agent应把它作为观察并按任务要求等待或如实回答，不能因为接口返回成功就宣布业务任务完成。
知识阅读：Agent Run Loop、轮次与终止条件。
（3）AI 辅助开发怎样从需求走到验收？
把需求写成可检查的输入、行为和验收条件，阅读现有代码及约束后拆解任务，实施最小连贯变更，再运行相关测试并审查diff。另开窗口可以帮助重新对照需求，但它只是复核视角，不能替代实际运行与验收证据。保留未验证项和失败原因，不能只以生成了代码判断完成。
教学例子：编辑假设需求是给列表增加筛选，验收至少包括筛选结果、清空条件及原有行为；新窗口发现缺少清空条件时要补实现并重测。原帖没有公布具体coding需求，这个功能仅用于说明方法。
知识阅读：Coding Agent 的架构与执行循环。
（4）怎样判断一个 Skill 足够好？
分别检查是否在该用时触发、是否完成目标、工具与参数是否正确，以及权限和安全边界是否遵守。用固定版本和可复现环境覆盖正常、相近任务误触发、异常恢复与越权输入，查看重复运行的波动、延迟和成本。开发用例与独立留出任务分开；一次成功或一段清晰说明，不能证明稳定可用。
教学例子：一个只负责读取报表的Skill，既要在报表任务上选对工具、给出可核验结果，也要在不相关输入时避免误触发，并拒绝超出授权的写操作；把正常用例的高分与这些失败分开报告。
知识阅读：Agent Skill：渐进式披露、热插拔与版本治理。