怎样用一份作品证明你会设计 Agent？
先把公开岗位要求逐条对应到作品：哪一项已经有任务、方案或运行记录支撑，哪一项还缺证据。
再补最关键的证据缺口，例如一次权限拒绝、失败恢复或重复运行结果，让核心判断都能被核对。
最后围绕同一个十份访谈产品准备 20 分钟答辩，讲清用户问题、系统取舍、运行证据和下一步。
沿用上一课作品包，把公开岗位要求逐条对到已有证据；缺少的补一条运行记录或 Eval。面试重点不是猜公司内部答案，而是展示可验证的产品判断。
先把岗位要求对到现有作品
建立三列表：公开岗位要求、作品里的证据、仍缺的证据。理解 Agent 架构对应六层图与任务 Trace；0–1 产品设计对应任务契约、PRD 和原型；评测能力对应十题 Eval 与发布门槛。
岗位页面没有公开的信息就写“未知”，不要猜内部模型、团队和路线图。你的作品证明能力，不冒充公司方案。
只补真正缺失的运行证据
检查作品里每个承诺是否都有证据：权限规则有拒绝记录，完成标准有 Verifier 结果，失败恢复有 Trace，版本判断有多次 Trial。缺哪一项只补哪一项。
如果现阶段无法运行真实模型，就如实使用教学假数据和浏览器 Mini Harness，并说明它只能证明产品逻辑，不能证明线上模型质量。
用 20 分钟讲清一次产品判断
建议节奏：3 分钟讲用户与任务，5 分钟讲 Agent 怎样工作，4 分钟讲权限和失败，4 分钟讲 Eval 与运行证据，2 分钟讲取舍，2 分钟留给追问。
准备三个追问：为什么不是固定 Workflow，为什么用户愿意托付，哪个证据会让你停止。回答仍回到同一作品，不临场堆新术语。
产品实验 · 从系统研究到实践
把这些机制变成自己的产品实验。
第一轮只改证据读取工具，第二轮再比较上下文策略，第三轮才考虑子任务拆分。每轮使用同一组样本，记录未完成、错误引用、越界动作与成本，保留能解释差异的轨迹。
产品判断：把“我觉得更聪明了”改写为可复核的改进结论。
本站设计的教学实验，不是 DeepSeek 官方基准或实测成绩。
本课术语，放回情境理解
- 岗位对照
- 把公开要求、作品证据和证据缺口逐条对应，不把课程完成等同于获得岗位。
- 运行证据
- 真实或明确标注为教学假数据的事件、文件、测试和 Eval 结果。
- 答辩
- 在有限时间内讲清用户问题、系统取舍、证据边界和会改变结论的信息。
本课依据与证据边界
正文引用对应下面的具体结论。厂商资料、固定版本实现与本站解释分别标识。
- [1]
DeepSeek Agent Harness 招聘信息是本站结业能力标准的一手依据，但不披露其内部路线图。
官方事实DEAI 产品经理（Agent Harness 产品方向）官方招聘 · 核验 2026-07-14 - [2]
OpenAI 的 Harness Engineering 案例说明外围环境、文档、工具与反馈可以显著影响 Agent 在复杂任务中的有效性。
官方事实OPHarness engineering: agent-first world官方工程文章 · 核验 2026-07-14 - [3]
Anthropic 的 Agent Eval 方法支持用真实任务、重复 Trial 和分层评分建立质量证据。
官方事实ANDemystifying evals for AI agents官方工程文章 · 核验 2026-07-14 - [4]
本站的十份访谈作品、岗位对照表和 20 分钟答辩结构均为候选人教学推演，不代表 DeepSeek 计划。
本站推演DEAI 产品经理（Agent Harness 产品方向）官方招聘 · 核验 2026-07-14
按需查阅的原始材料
- Effective harnesses for long-running agents ↗Anthropic · 核验 2026-07-23
- Demystifying evals for AI agents ↗Anthropic · 核验 2026-07-23
- Harness engineering: leveraging Codex in an agent-first world ↗OpenAI · 核验 2026-07-23
- Agentic coding and persistent returns to expertise ↗Anthropic · 核验 2026-07-23
- Harnessing Claude’s intelligence ↗Claude by Anthropic · 核验 2026-07-23
- A harness for every task: dynamic workflows in Claude Code ↗Claude by Anthropic · 核验 2026-07-23
- AI 产品经理（Agent Harness 产品方向） ↗DeepSeek · 核验 2026-07-23
- We are Changing our Developer Productivity Experiment Design ↗METR · 核验 2026-07-14
- AI Agents That Matter ↗Princeton NLP · 核验 2026-07-14