Tencent intervjuer: „Rekao si da si napravio terminal Agent-a, onda mi reci — koja je razlika izmedu LLM i Agent-a, ReAct, MCP, Tool, Memory, Skills?” Pun sam samopouzdanja poceo da recitujem.

I pored toga sto je 2026. godina, pravilo „ako Tencent postoji, izaberi Tencent” i dalje vazii.

Eto, na Maimai-ju sam video jednu ispovest.

Jedan zaposleni u Tencent-u, diplomirao na 985, radi 7 godina, dosao preko kampus regrutacije u Tencent, trenutno T10, ne-jegrovni biznis, mesecna plata 50k, sa godisnjom bonifikacijom i deonicama godisnje oko 1,2 miliona. Radno vreme 10-9-5, od deset ujutru do devet uvece, vikendom dva slobodna dana bez prekovremenog, lokacija Sendzen.

Jos teze dolazi nakon.

Ovaj covek je prosle godine u Sendzenu kupio stan od 3 miliona bez kredita, poreklom sa sela, porodica mu nije dala ni centa pomoci, sve je sam ustedeo.

Na internetu ovih godina onih koji su zaradili visoke plate ima mnogo, ali onih koji su novac zaista zadrzali ima manje — neko zaradi mnogo i potrosi mnogo, neko je uhvatio bikovsko trziste ali je ukopao u jamu.

Naravno, neko ce reci, pa to je kapitalizovao na dividendu velikih kompanija.

Zapravo, platforma i pojedinac vise se medusobno dopunjuju. Kampus regrutacija u Tencent znaci da osnova vec nije losa; 7 godina do T10 pokazuje da se sposobnost ovih godina stalno uvecavala.

Platforma je uvecala sposobnost, ali ulaznu kartu moras sam da obezbedis.

Slucajno, jedan clan Planete znanya je upravo zavrsio intervju za Tencent Agent poziciju, poslao mi je izvestaj. Sredio sam ga, ovde delim sa svima.

(Ceo tekst je prilicno intenzivan, garantujem da cete nauciti mnogo, vezite sigurnosne pojaseve, idemo.)

content

01. Veza i razlika izmedu LLM i Agent

Stari Wang prvo pitanje je konceptualno. „Objasni vezu i razliku izmedu LLM i Agent.”

„Prvo o vezi. Svaku odluku u Agent-u donosi LLM.”

„Da li da pozove alatku, koju, kako da popuni parametre, da li je zadatak zavrsen, sve odlucuje model, sam Agent okvir ne donosi ocenu.”

„Razlika je u granici odgovornosti. LLM je bezstanovna usluga generisanja teksta, u jednom pozivu udje jedan kontekst, izadje jedan tekst, po zavrssetku poziva nista ne pamti, ne moze ni da promeni spoljasnji svet.”

„Agent je sistem izvrsenja izgradjen oko LLM-a, nadoknadjuje tri stvari koje modelu nedostaju:”

• Alatke: cine da izlaz modela postane stvarna akcija, cita datoteke, izvrsava komande, pretrazuje veb
• Petlja: zadaci koje jedan poziv ne moze da resi, rastavljaju se na visekrupno rezonovanje i delovanje, dok se ne zavrse
• Memorija: cuva stanje izmedu rundi i izmedu sesija, cini da sistem pamtista se ranije desilo

„Jednom recenicom, LLM razmislja, Agent zaista radi nakon razmisljanja.”

Stari Wang dodatno pita. „Da li se verzija veb asistenta za razgovor racuna kao Agent?”

„Gleda se da li ima ReAct petlju. Cisto pitanje i odgovor je jednostruk poziv, udje tekst izadje tekst, ne racuna se; cim sam pocne da pretrazuje mrezu, da pokrece kod, da sa mezurezultatima nastavlja dalje, vec je lagani Agent.”

„Kriterijum nije forma proizvoda, vec da li postoji zatvorena petlja „odluka, akcija, posmatranje rezultata, ponovna odluka”. Sto se tice toga kako ReAct tacno radi, sledece pitanje razradjuje.”

02. Od kojih delova se sastoji ReAct Agent

Stari Wang klimnu glavom. „Poznajes ReAct Agent? Od kojih delova se sastoji?”

„ReAct je petlja rezonovanja plus akcije (Reasoning + Acting). Uzmimo moj PaiCLI-Python koji sam sam napisao, rastavljen je na pet delova, svaki se moze svesti na konkretan modul:”

• Klijent modela: komunicira sa LLM-om, primi tok teksta, proces razmisljanja i zahteve za poziv alatki
• Registar alatki: lista svih dostupnih alatki, svaka alatka nosi jedan JSON Schema opis
• Izvrsilac alatki: modul koji zaista radi nakon sto dobije zahtev za poziv od modela
• Kontrola petlje: odlucuje da li da nastavi ili izadje, moje gornje ogranicenje je 20 rundi
• Upravljanje kontekstom: u svakoj rundi proverava ukupnu kolicinu poruka, kada pridje budzetu kompresuje

Kada mu korisnik preda jedno pitanje, kako se zavrsava

Stari Wang dodatno pita. „Kada mu korisnik postavi pitanje, kako ide ceo proces?”

„Prvo dve pripremne stvari, lista kandidata Skill-a koji su poklopljeni se ubacuje u kontekst, zatim se jos jednom proveri da li ukupna kolicina poruka treba da se kompresuje.”

„Zatim se ulazi u petlju. Istorija poruka i lista alatki se zajedno salju modelu, model vraca tokom, bilo da direktno daje tekstualni odgovor ili da pokrene poziv alatke.”

„Ako je ovo drugo, izvrsilac zavrsi alatku, rezultat se kao tool poruka doda u istoriju, model se poziva ponovo. Model vidi rezultat alatke i nastavlja da odlucuje, ili nastavlja da poziva, ili daje konacan odgovor.”

„Izlazni uslovi su dva. Model vise ne trazi alatku, normalan zavrsetak; ili se dode do gornje granice od 20 rundi, prinudno se zavrsava.”

„U izvrsenju postoje jos dve detalja. Prvo, alatke samo za citanje mogu paralelno najvise 4, operacije pisanja su strogo serijske, da se izbegne medusobno prepisivanje; drugo, u striming scenariju parametri poziva alatke pristicu u fragmentima, po rednom broju se parametri spoje u celinu, zatim parsiraju u JSON i predaju izvrsiocu, ako se spoje pre vremena dobije se polovina JSON-a, parsiranje pada.”

03. Dizajniranje jednog Agent okvira, koji moduli

Stari Wang se naslonio na naslon stolice. „Ako bi iz nule dizajnirao Agent okvir, koje module?”

„Jezgro je sest slojeva:”

• Sloj ulaza: komandna linija i interaktivna sesija, upravlja racunjanjem parametara i renderovanjem rezultata
• Agent sloj: tri rezima izvrsenja, ReAct petlja, plan izvrsenja, kolaboracija vise Agent-a
• Model sloj: objedinjeni OpenAI kompatibilni klijent, upravlja striming racunjanjem, potrosnjom tokena i naplatom
• Alatke sloj: registar i izvrsilac, plus sedamnaest ugradjenih alatki
• Memorija i kontekst sloj: kratkorocna istorija poruka, dugorocna baza memorije, kompresija konteksta
• Sigurnosni sloj: crna lista komandi, cuvar putanje, potvrda coveka za opasne operacije, revizijski log

„Sigurnosni sloj se lako previdi, posebno o tome. Agent zaista izvrsava komande, na crnoj listi leze ozbiljni likovi, sudo, rm -rf ovakve komande se direktno zaustavljaju.”

„Pisanje datoteka i izvrsenje komandi ili su oznaceni nivoom opasnosti, ili zahtevaju obaveznu ljudsku potvrdu, svi zapisi izvrsenja idu u revizijski log. Sto sistem ima vecu moc, pre treba da razmisli kako da ga zaustavi.”

Kako moduli interaguju

„Pri pokretanju se sklada, sloj ulaza objedinjuje ugradjene alatke i MCP alatke u jedan registar alatki, predaje Agent-u.”

„Tokom rada, Agent drzi istoriju poruka, u svakoj rundi istoriju predaje model sloju, zahtev za poziv koji model vrati predaje se alatke sloju na izvrsenje, rezultat se popunjava u istoriju, u krug.”

„Kljucna dizajnerska odluka je da svi moduli prema spola izbacuju samo jednu stvar, striming dogadjaj objedinjenog formata. Tekstualni inkrement, inkrement razmisljanja, poziv alatke, statistika potrosnje, sve su dogadjaji, sloj ulaza samo renderuje, ne mesa se u logiku.”

„Prednost je sto se svaki sloj moze zameniti pojedinacno. Promena modela dira samo model sloj, dodavanje alatke dira samo registar, promena interfejsa dira samo sloj ulaza.”

04. Koja je veza i razlika izmedu MCP i tool-a

Stari Wang zabelezi u svesku. „Reci mi o vezi i razlici izmedu MCP i tool-a.”

„Razlika je u pripadnosti. tool je funkcija unutar aplikacije, sam pisem, sam registrujem, ide sa kodom, druge aplikacije ne mogu da je koriste.”

„MCP izdvaja alatke iz aplikacije, pretvara ih u nezavisan proces usluge, bilo koji klijent koji podrzava MCP moze da se poveze i koristi. Resava problem kombinacione eksplozije M aplikacija koje povezuju N alatki.”

„Veza je sto na kraju idu istim putem. Nakon sto se MCP alatka poveze, pakuje se u isti oblik kao ugradjene alatke, registruje se u isti registar alatki, konacno u formatu poziva funkcija (Function Calling) zajedno predaje modelu.”

„Model ne zna i ne mora da zna, da li je alatka lokalna funkcija ili udaljena usluga.”

„U implementaciji sam uradio tri stvari:”

• Prenos podrzava stdio i Streamable HTTP
• Imena udaljenih alatki dobijaju prefiks sa imenom usluge radi izolacije prostora imena, da se izbegne sudar sa ugradjenim alatkama
• Sto se tice dozvola, referencira se na deklarisanu oznaku samo za citanje sa udaljene strane, MCP alatke koje nisu samo za citanje se izvrsavaju tek nakon ljudske potvrde

„Konfiguracija se takode spaja po slojevima. U korisnickom direktorijumu jedna globalna konfiguracija, u direktorijumu projekta jedna lokalna, service istog imena drugi nadjacava prvi, u putanjama se podrzava ekspanzija promenljivih okruzenja.”

„Kada neki server ne moze da se poveze, izoluje se i zabelezi se greska, ne utice na normalnu registraciju drugih alatki.”

„Jos jedna lako zanemarena stvar. Pored alatki MCP ima resurse i sablone prompt-ova, ja sam ih mapirao u virtuelne alatke, listanje resursa, citanje resursa i poziv obicnih alatki idu istom putanjom, sa strane modela ne mora da uci nove radnje.”

05. Kako se radi kratkorocna i dugorocna memorija

Stari Wang okrene stranicu biografije. „U pametnom pitanju i odgovoru u projektu, kako se radi kratkorocna i dugorocna memorija?”

„Kratkorocna memorija je istorija poruka unutar sesije, jedna lista, gornja granica 100 stavki, radi sa kompresijom konteksta.”

„Okidna linija kompresije je 80% dostupnog ulaznog budzeta, cim se premasi kompresuje se na 55%, poslednjih 6 poruka se cuvaju originalne, starije runde se rade sazetkom po ekstrakciji. Granica podele pada na korisnicku poruku, cime se obezbedjuje da poziv alatke i rezultat budu u paru.”

„Dugorocna memorija se pomonu SQLite cuva u korisnickom direktorijumu, deluje izmedu sesija, opseg je izolovan po putanji projekta. Ima nekoliko detalja dizajna koji se mogu prosiriti:”

• Deduplikacija: nakon normalizacije sadrzaja uzima se hes, u istom opsegu isti hes se cuva samo jedna stavka
• Izbacivanje: gornja granica 1000 stavki, kada se premasi izbacuje se od najnizeg prema vaznosti, poverenju, broju pristupa
• Isticanje: podrzava TTL, privremene cinjenice automatski isticu
• Vracanje: primarno leksicko poklapanje, plus tezinsko uvecavanje po vaznosti, sveini, ucestalosti pristupa, podrazumevano se vraca 6, ispod praga ocene ne ulazi u kontekst

„Jos jedna granica koja se mora cuvati. Sazetak koji generise kompresija sluzi samo trenutnoj sesiji, to je sekundarna informacija koju generise model, ne moze se promovisati u dugorocnu memoriju.”

„Dugorocna memorija prima samo cinjenice koje korisnik izricito zahteva da sacuva. Cim se ova linija popusti, baza memorije ce brzo biti zagadja sopstvenim prepricavanjem modela.”

Glavni trostruki memorijski sistem u industriji

Stari Wang nastavlja. „Kako se deli glavni trostruki memorijski sistem u industriji? Sta cuva svaki sloj?”

„Glavna podela je po opsegu na tri sloja:”

Nivo	Sta cuva	U PaiCLI-Python
Sesija	Poruke trenutnog razgovora	Lista poruka u memoriji, gornja granica 100 stavki
Projekat	Norme repozitorijuma, komande za build	PAI.md u korenu projekta, ide sa Git-om
Globalno	Licne preferencije izmedu projekata	Baza memorije i globalna konfiguracija u korisnickom direktorijumu

„Datotecna memorija ima i jedan lokalni sloj nadjacavanja PAI.local.md, cuva konfiguraciju specificnu za ovu masinu, ne ide u repozitorijum veracija. Ucitavanje takode ima budzet, jedna datoteka se presece na 6000 znakova, ukupna kolicina nakon spajanja 16000 znakova, da memorija ne bi pojela prozor.”

Predlazem da sacuvate ovu tabelu, pri pitanjima o memoriji uglavnom se moze primeniti.

06. Da li poznajete mehanizam progresivnog ucitavanja Skill-a

Stari Wang baci sledece pitanje. „Poznajes mehanizam progresivnog otkrivanja (progressive disclosure) Skill-a?”

„Poznajem, jezgro je u osam reci, indeks stalno, telo po potrebi. Konkretno u dva dela.”

„Prvi deo, pri svakom unosu korisnika, ubacuju se u kontekst samo imena i opisi 5 Skill-ova sa najvecim poklapanjem, opis jedne stavke se presece na 300 znakova, ceo indeks ne prelazi 4000 znakova. Tada model zna koje vestine postoje, ali nijedno slovo tela nije uslo.”

„Drugi deo, model oceni da trenutni zadatak poklapa neki Skill, aktivno pozove alatku za ucitavanje, tada tek cita telo SKILL.md, gornja granica 5000 znakova. I telo se ne gura odmah u trenutnu rundu, ide u bafer, u sledecoj rundi se zajedno sa rezultatom alatke ubacuje, bafer cuva samo poslednje 3 stavke, da spreci sve vece nakupljanje.”

„Skill direktorijum je sam po sebi takode podeljen u tri sloja, ugradjeni, korisnicki nivo, projektni nivo, pri istom imenu projektni nadjacava korisnicki, kao i logika slojevitosti datoteka memorije.”

„Korisnost ovog mehanizma se moze kvantifikovati. 20 Skill-ova po gornjoj granici od 5000 znakova po komadu, to je 100 hiljada znakova; stalni trosak progresivnog otkrivanja je samo indeks od 4000 znakova, razlika 25 puta.”

Stari Wang dodatno pita. „Kako se kandidati poklapaju?”

„Tezinsko bodovanje. Ako korisnik eksplicitno imenuje neki Skill dobija najvisi skor; inace se racuna po poziciji pogotka, poklapanje imena ima najvecu tezinu, zatim oznake, najmanje opis, za kineski se radila i bigram i trigram segmentacija da se poboljsa vracanje.”

„Otkriveno, to je zapravo minijaturni pretrazivac, objekat pretrage je zamenjen sa veb stranica na vestinu.”

07. Prilikom koriscenja AI, kako garantovati kvalitet sadrzaja izlaza

Stari Wang postavi poslednje glavno pitanje. „Prilikom koriscenja AI, kako bi trebalo garantovati kvalitet sadrzaja izlaza?”

„Odgovaram u tri sloja, prvo sta sam implementirao.”

• Samoprovera nakon pisanja: nakon pisanja ili izmene Python datoteke odmah se radi sintaksna provera kompilacije, greske se prilazu u rezultatu alatke i vracaju modelu, da ih popravi u istoj rundi
• Ponovni pokusaj pregleda: u rezimu vise Agent-a postoji posebna uloga pregledaca, ako isporuka nije na nivou vraca se na prepravku, najvise 2 ponovna pokusaja po koraku
• Sigurnosni fallback: crna lista opasnih komandi, cuvar putanje, potvrda coveka za opasne operacije, revizijski log tokom celog procesa, plus snapshot pre i posle zadatka, moze se vratiti u svakom trenutku

Stari Wang dodatno pita. „Sve su ovo inzenjerska sredstva, sta je sa slojem prompt-a?”

„Tri prakse. Kriterijumi prijema se direktno upisuju u prompt, da model zna sta je na nivou; kod kompleksnih zadataka model prvo mora da ponovi svoje razumevanje pa da radi, rano otkriva odstupanje; za vazne isporuke model najpre sam proveri prema standardu pa preda.”

„Iskreno, opsti hook mehanizam i validacija strukturiranog izlaza jos nisam uradio, glavna petlja nema automatsko ponavljanje. U ovom pitanju na intervjuu najveca greska je reci da je uradjeno ono sto nije — prvo pravilo obezbedjenja kvaliteta je da su stvari koje kazete istinite.”

Stari Wang se nasmesio, zatvorio svesku.

Kako upisati PaiCLI u biografiju?

Ime projekta: PaiCLI-Python

Kratak opis projekta: Python Agent komandna linija koja se ravna sa Claude Code-om, podrzava tri rezima — ReAct, izvrsenje plana, vise Agent-a

Tehnoloski stek: Python, asyncio, httpx, MCP, SQLite

Kljucne odgovornosti:

• Na osnovu poziva funkcija implementirana ReAct glavna petlja, striming spajanje fragmenta parametara poziva alatke, alatke samo za citanje izvrsavaju se u 4 paralelne putanje, tvrda gornja granica od 20 rundi spreccava gubitak kontrole
• Dizajniran trostruki memorijski sistem: istorija poruka unutar sesije, hijerarhijska datotecna memorija na korisnickom i projektnom nivou, SQLite dugorocna memorija, podrzava hes deduplikaciju, TTL isticanje i izbacivanje pri kapacitetu od 1000 stavki
• Implementirana kompresija konteksta koja adaptira prozor, okidanje na 80% budzeta kompresuje na 55%, granica podele pada na korisnicku poruku, obezbedjuje da poziv alatke i rezultat budu u paru i kompletmi
• Integrisan MCP zvanični SDK, podrzava stdio i Streamable HTTP dvostruki prenos, konfiguracija na nivou usluge se spaja po slojevima i izoluje greske, udaljene alatke se registruju u objedinjenom prostoru imena
• Implementiran mehanizam progresivnog otkrivanja Skill-a, indeks stalno 4000 znakova, telo se ucitava po potrebi, trosak stalnog konteksta se smanjuje 25 puta

Pitanja za njega

08. U kombinaciji sa prezentacijom na intervjuu, kako uciti back-end i Agent

Na kraju intervjua, dosao je red na mene da pitam. „S obzirom na moj prethodni nastup, mozes li dati preporuke za ucenje u back-end i Agent pravcu?”

Stari Wang razmisli, datoj preporuci ima mnogo informacija, pre se trudio, brate, zelim mu da se poklonim. Originalne reci razdvojene, to je kompletna lista samoprovere:

• Kako model radi: pod glavnim ReAct okvirom, sta model i okvir radije, gde je granica
• Kes mehanizam modela: razlika u ceni izmedu pogotka i promasaja prefiks kesa, kako organizovati kontekst da se iskoristi ta dividenda
• Kako izlaz uciniti stabilnijim: parametar temperature, strukturirani prompt, restriktivan opis
• Logika rada Skill-a: dvodelno ubacivanje indeksa i ucitavanje po potrebi, kako definisati budzet
• MCP i tool use mehanizam: protokol, nacin prenosa, prostor imena, kontrola dozvola
• Upravljanje kontekstom: okidna linija kompresije, strategija zadrzavanja, celovitost granice poruka
• Referentna implementacija: u Claude Code open-source ekosistemu, gore navedeni mehanizmi se mogu naci u poredjenju
• Upravljanje znanjem i vracanje u RAG-u: strategija seccenja u blokove, hibridna pretraga, preuredjivanje, kako uciniti vracanje tacnijim i preciznijim

Svaka stavka ove liste se moze pregledati prema izvornom kodu jednog stvarnog projekta.

ending

Ranije se na intervjuima za back-end konkurrirsalo sa konkurencijom i middleware-om, sada se konkurrise sa poznavanjem modela, pozivanja alatki, memorije, konteksta.

Imamo priliku da stojimo na talasu AI razvoja, pretvorimo Agent iz tabele imenica u projekat u sopstvenoj biografiji koji izdrzi ispitivanje. Iako izazova ima dosta, pun je neogranicenih mogucnosti.

Drzite se, braco i sestre.

Vidimo se sledeci put.