从 Adept AI 并入 Amazon 说起：AI Agent 初创的 New Grad 求职逻辑与风险评估

2024 年年中，Adept AI 的联合创始人 David Luan 与多名核心成员加入 Amazon 的 AGI 团队，公司同时将核心技术授权给 Amazon——这家曾经的 AI Agent 明星初创，实质上经历了一次「人才收购」式的转型。本文原本的定位是 Adept 的 SWE New Grad 面试指南，但在这个前提下，一份题库的参考价值已经很有限。我们把它重写成更有用的东西：以 Adept 为案例，讲清楚 AI Agent 方向初创的求职逻辑、尽调方法，以及同类公司的面试到底怎么准备。

Adept 案例复盘：信号其实早就出现过

Adept 创立于 2022 年，创始阵容在当时堪称豪华：David Luan 曾在 OpenAI 负责工程团队，Ashish Vaswani 和 Niki Parmar 是 Transformer 论文的作者。公司主打「用自然语言操作软件」的 AI Agent 方向，演示产品 ACT-1 一度刷屏，累计融资超过 4 亿美元（据公开报道）。

但回头看，风险信号出现得很早：

创始团队变动：Vaswani 和 Parmar 在 2022 年底就离开 Adept 另行创业（后创办 Essential AI）。核心创始人早期出走，是初创公司最值得警惕的信号之一。
产品长期停留在演示阶段：ACT-1 的演示与可公开使用、可付费的产品之间，始终存在距离。
方向被巨头正面覆盖：Agent 是基础模型厂商的必争之地。当 OpenAI、Anthropic、Google 都把 agent 能力做进自家产品时，独立 agent 初创的空间被持续挤压。

2024 年 6 月的 Amazon 协议之后，留守的 Adept 转向企业 agent 方案，团队规模与行业影响力已不可同日而语。实际可投的岗位以其官方 careers 页面为准，但对多数读者来说，更重要的是从这个案例里提取方法。

这对 New Grad 意味着什么

这类「人才收购」中，最被动的往往是普通工程师，尤其是入职不久的 New Grad：核心研究员被打包进大厂，其余员工面对的可能是遣散或前途不明的留守；期权大概率尚未 vest，即便 vest 了，行权与流动性也是问题；对持 OPT 或等待 H-1B 抽签的国际学生，雇主动荡会直接牵动身份时间线（失业宽限期等规则请以 USCIS 官方为准）。

这不是劝退初创——初创给 New Grad 的成长速度和职责范围，大厂很难比。关键是把「选公司」当成一次投资决策来做尽调。

如何尽调一家 AI 初创：可以直接照用的清单

融资时间比融资额更重要。在 Crunchbase 或公开报道里查最近一轮融资的时间。距上一轮超过两年、没有新进展也没有清晰收入故事的公司，风险显著上升。Adept 恰好说明：4 亿美元也挡不住方向性问题。
盯创始团队的稳定性。联合创始人、首席科学家是否离开？LinkedIn 加新闻检索，十分钟就能查清。
区分演示与产品。有没有公开可用、可付费的产品？有没有可查证的企业客户？只有 demo 视频和 waitlist 的公司，商业化风险高。
判断与巨头的位置关系。这家公司做的事，是基础模型厂商「顺手就能做」的功能，还是有独立的数据、渠道或行业壁垒？Agent 方向要格外问这个问题。
查身份支持的实际记录。用 H-1B 数据库（如 h1bdata.info）查该公司历史上的 H-1B 申请记录，比 recruiter 的口头承诺可靠。

AI Agent 方向的面试在考什么

如果你仍然看好 agent 方向（方向本身依然重要，只是格局在变），同类公司的 SWE New Grad 面试有几个稳定的考察方向。以下是根据公开面经与该方向技术共性整理的代表性题型。

题型一：任务依赖与执行顺序（高频算法方向）。给定一组带依赖关系的任务，求合法执行顺序——agent 的任务规划天然是图问题。标准解法是拓扑排序：用 Kahn 算法，先统计每个节点的入度，把入度为 0 的任务入队；每次出队一个任务加入结果，并把它指向的任务入度减一，减到 0 就入队；最后若结果数量少于任务总数，说明存在环，要报告无解。时间复杂度 O(V+E)。加分点在扩展上：如果任务可以并行，如何输出「执行层级」（按层剥离入度为 0 的节点）？如果某个任务失败，如何计算受影响的下游集合（反向图可达性）？能主动谈到这两层，就从「会做题」变成了「懂调度」。

题型二：设计一个用自然语言操作网页的 agent 系统（代表性系统设计题）。建议按链路拆解：输入层接收指令；理解层用 LLM 把模糊指令解析为结构化意图；状态层维护当前页面的表示——这里是难点，原始 DOM 太大，需要压缩成模型可消费的形式（可访问性树、元素筛选与编号）；执行层把意图映射为具体动作（点击、输入、滚动），并在每步之后重新观察页面验证结果；护栏层处理不可逆操作（提交、支付前必须确认）。面试官通常会追问失败处理：动作执行失败是重试、回退还是求助用户？能讲清「观察—行动—验证」循环和安全边界，是这道题的核心得分点。

其余常见方向：DOM／树结构的遍历与序列化；带重试与超时的任务状态机实现；LLM 输出的 JSON 结构化校验与修复策略；如何为 agent 设计成功率评估与回归测试；以及文本 diff（LCS 动态规划）这类基本功保底题。

两周准备计划

第 1–3 天：跑通一个开源 agent 框架的 demo，理解 observation-action loop 的真实实现。
第 4–7 天：刷透图论（拓扑排序、BFS/DFS、可达性）与字符串 DP，每天 3–4 题。
第 8–10 天：系统设计专项，把上文 agent 设计题完整推演一遍并写成文档，另外练消息队列与限流两个基础组件。
第 11–12 天：对目标公司过一遍尽调清单，准备「为什么是这个方向、为什么是这家」的回答。
第 13–14 天：coding 与 design 各一场 mock，录音复盘。

常见失误

只看融资总额就判断公司「安全」，忽略融资时间与团队变动。
面试里大谈 AGI 愿景，却答不出 agent 的失败重试怎么设计。
没查 H-1B 申请记录就接 offer，身份规划全靠运气。
把 demo 里的产品想象当事实陈述，被面试官追问细节时露怯。

2025–2026 环境备注

Agent 方向的竞争在加剧：基础模型厂商持续把 agent 能力产品化，独立初创需要更清晰的差异化。NG 招聘整体「少而精」，初创普遍偏好能直接上手的候选人。另外，AI 辅助编程工具普及后，多数公司的现场面试反而更强调裸写代码与口头推理——面试前务必问清对 AI 工具的使用政策。身份相关政策变化频繁，一切以 USCIS 与公司官方信息为准。

FAQ

Q：Adept 现在还招 SWE New Grad 吗？ 以其官方 careers 页面为准。转型后岗位数量有限，建议把它放进同方向公司池子里一起看，而不是单独押注。

Q：AI 初创的薪资怎么查？ levels.fyi 和 Glassdoor 是基本盘；初创样本少时，参考同轮次、同规模公司的数据，H-1B 数据库里的申报工资也是可靠的下限参照。

Q：Agent 方向除了初创还能投哪里？ 大厂的 agent／自动化团队是同技能栈的稳妥选项，面试准备高度重合，可以同池准备。

Q：如果入职后公司出事，OPT/H-1B 怎么办？ 提前了解失业宽限期规则（以 USCIS 为准），保持简历与面试状态，给自己留一条随时可以启动的 Plan B。