今日 TL;DR

一句话总览：今天练三件事：把敏感权限 Agent 设计得可控、把 FDE 项目从咨询讲成可交付结果，以及解释形式化验证为何不能替代同行评审。

• AI 产品经理：个人 Agent 接邮箱、支付与健康服务时，先设计权限和撤销，再谈“懂你”。
• FDE 前向部署工程师：企业 AI 落地题要从业务瓶颈走到可上线 MVP、责任矩阵和成功指标。
• AI 安全评测：Lean 能验证“证明步骤是否自洽”，却不能独自回答“题目是否建模正确、结论是否有学术优先权”。

🎯 今日面试经验 Top 3

#1 — 「个人 Agent 要接入邮箱、日历和支付，你如何设计授权？」

岗位：AI 产品经理 / AI 安全评测（应用/产品线 × 技术线）

题目 / 场景：Meta 9 月 8 日推出 Muse，计划连接邮箱、日历、支付和健康服务。面试官问：怎样既让 Agent 能办事，又避免一次授权变成长期越权？

怎么答 / 怎么做：

1. 按动作分级：读取日历、起草邮件、发送邮件、支付分别是不同风险，不能用一个“全部允许”按钮打包授权。
2. 默认最小权限：只申请当前任务需要的账户、字段和时长；高风险写操作使用一次性授权或每次确认。
3. 把可见性做进流程：执行前展示计划与影响，执行后给出清晰日志、数据来源和撤销入口。
4. 为异常设硬护栏：金额、收件人、地理位置、频率和敏感数据设策略阈值，越界时转人工；同时测试提示注入与跨工具数据泄漏。

过来人提醒：只答 OAuth、RBAC 会显得偏后端；好答案还要讲清用户在什么时刻看见、理解并撤销 Agent 的动作。

今日锚点 · TechCrunch

#2 — 「客户说要上 AI，FDE 如何在四周内交出第一版？」

岗位：FDE 前向部署工程师 / AI 解决方案（应用/产品线 × 客户侧）

题目 / 场景：Google Cloud 9 月 8 日扩大与 Accenture 的企业 AI 合作，并把前向部署工程师放到落地一线。面试官给你一个模糊客户需求：“我们也要上 Agent”，你怎么推进？

怎么答 / 怎么做：

1. 第一周做发现：跟业务负责人和一线用户各走一遍现有流程，量出时长、错误率、等待点和例外情况，只选一个高频、可回滚任务。
2. 第二周做可演示切片：用真实但脱敏的数据跑通最短闭环，明确 AI 做什么、人在哪里确认、失败时退回哪条旧流程。
3. 第三周压风险：补权限、评测集、观测、成本预算和故障演练；把第三方依赖写进责任矩阵与升级路径。
4. 第四周小流量上线：选少量用户灰度，用节省时间、任务成功率、人工返工率和严重错误率判断去留，而不是只展示漂亮 demo。

过来人提醒：FDE 不是“前端部署工程师”，也不是只做方案 PPT；面试官要看你能否亲手把模糊问题变成可运行、可验收、可负责的系统。

今日锚点 · TechCrunch

#3 — 「Lean 已验证一份 AI 数学证明，为什么还不能直接宣布问题解决？」

岗位：AI 安全评测 / 大模型算法工程师（技术线）

题目 / 场景：OpenAI 9 月 8 日公布 Navier–Stokes 难题的 AI 生成证明与 Lean 形式化版本，同时出现学术优先权争议。面试官追问：形式化验证到底验证了什么，没验证什么？

怎么答 / 怎么做：

1. 先限定结论：Lean 检查的是在给定公理、定义和编码下，每一步推导是否符合规则；它强于人工检查长证明里的局部漏洞。
2. 指出输入风险：如果定理被错误形式化、假设比原题更强、关键现实含义在翻译中丢失，证明助手也可能对“另一个题”给出正确证明。
3. 补外部验证链：需要独立数学家复核问题等价性、关键构造和新颖性，并让其他团队复现形式化代码与依赖环境。
4. 分开技术与治理：证明是否成立、谁先发现、贡献如何署名、何时公开，分别属于正确性、优先权和披露治理，不能用一个绿色勾号概括。

过来人提醒：加分点是说出“verified relative to a formalization”——形式化验证很强，但它永远依赖被形式化的命题与假设。

一手源 · OpenAI · 争议报道 · TechCrunch

🧠 今日硬核拆解

知识域：AI 安全与评测

考点：Tool-using Agent 的最小权限与能力安全

面试官怎么问：一个 Agent 能读邮件、查日历、调用支付和修改云资源，你如何设计权限系统，避免提示注入让它越权？

大白话版答案：把 Agent 当成一位很能干但可能被骗的新同事。不要给它公司所有钥匙；每次只发当前任务需要的那一把，高风险房间必须由人开门，做完还要把钥匙收回并留下记录。

进阶版答案：

1. Capability-based access：给具体资源、动作、范围与有效期绑定的短期能力令牌，而不是长期全局凭证；读与写、草拟与发送分开。
2. 策略执行点独立于模型：金额上限、允许域名、收件人白名单、数据分类与速率限制由确定性代码执行，模型无权自行覆盖。
3. 不信任工具返回内容：邮件、网页和文档都可能包含提示注入；工具结果先做来源标记与内容隔离，不能把外部文字自动升级成系统指令。
4. 可观测与可恢复：记录“谁授权—模型计划—实际调用—结果”，对高风险动作支持 dry-run、人工审批、幂等键和补偿/撤销操作。

一句话记忆钩子：Agent 安全不是让模型更听话，而是让它拿不到不该用的钥匙。

考点提炼

⚡ 八股快问快答

Q：OAuth 的 scope 和 RBAC 有什么区别？ A：scope 描述一次授权令牌被允许做哪些 API 动作；RBAC 按用户角色授予权限。Agent 场景通常需要两者叠加，再加资源范围和有效期。

Q：为什么高风险 Agent 动作要支持 dry-run？ A：dry-run 先展示计划和影响但不真正写入，让人或策略引擎在不可逆动作前发现目标、参数和权限错误。

Q：形式化验证和单元测试谁更强？ A：它们回答不同问题。形式化验证可证明模型内的性质，单元测试用具体样例检查实现行为；现实系统通常两者都需要，并还要验证规格本身是否正确。

Q：什么是 confused deputy（困惑代理）问题？ A：一个拥有高权限的系统被低权限输入诱导，替对方完成其本来无权执行的动作；工具型 Agent 很容易成为这种“被借权”的代理。

Q：FDE 的 MVP 和普通 demo 最大区别是什么？ A：MVP 必须在真实流程里有用户、数据、责任人和验收指标，并能失败回退；demo 只需证明一个效果可以演示。

🧭 转行者锦囊

今天就给作品集补一张“Agent 权限与责任图”：画出用户授权、模型规划、策略检查、工具执行、审计日志和人工接管六个节点，再标出一个可撤销的高风险动作。它同时证明你理解产品信任、系统安全与真实交付，比只放聊天界面更有说服力。

数据源状态

成功：OpenAI News RSS、Google DeepMind RSS、TechCrunch AI RSS、The Verge AI RSS、Ars Technica AI RSS、Hugging Face Blog RSS、本地最近 7 天面试日报去重。

失败或受限：HN Algolia 本轮请求超时；牛客、小红书、即刻和招聘站未取得可稳定核验的当日新面经，因此本期三张题卡均明确基于当周公开事件做考点提炼，没有冒充具体公司面经或面试官原话。

📌 今日与近 7 天的差异点：Top 3 首次组合“敏感权限 Agent 产品设计 + FDE 四周交付 + 形式化验证边界”；硬核拆解使用近 7 天未采用的“AI 安全与评测”域，并避开 9 月 8 日的 Agent 长期记忆、9 月 7 日的多模态、9 月 6 日的深度学习基础、9 月 5 日的 Evals、9 月 4 日的 RAG、9 月 3 日的 Transformer 架构和 9 月 2 日的 LLM 系统设计。今日锚点均发布于 9 月 8 日。

💬 今日寄语：真正的入场券，不是知道得最多，而是敢把边界想清楚。