第一层：基础认知（Why / What）【5 题】
Q1. 你怎么理解”AI 应用开发工程师”这个岗位？和算法工程师有什么本质区别？
面试官为什么问这个问题：
这道题不是考你会不会用模型，而是看你有没有”岗位自我认知”。很多候选人会把 AI 应用开发说成”调模型、写 Prompt”，这是明显不够的。面试官想确认你是不是工程导向、交付导向的人。
参考口语化回答：
如果我来回答，我会说 AI 应用开发工程师本质上是做”产品级 AI 能力交付”的。
算法工程师更关注模型本身，比如训练、微调、指标；而 AI 应用开发更关心的是：模型怎么被业务用起来、怎么稳定运行、怎么控制成本和风险。
我更多是在模型之上，做系统设计、Prompt、RAG、Agent、接口、监控这些，把 AI 变成一个真正能用、敢用、可维护的系统。
Q2. 在你看来，”模型””算法””AI 应用””AI 系统”之间是什么关系？
面试官为什么问这个问题：
这是一个典型的”认知分层题”。如果候选人回答混在一起，说明认知还停留在概念阶段。面试官希望你能清楚分层，而不是把所有问题都甩给模型。
参考口语化回答：
我一般会把它们分成四层。
最底层是模型和算法，这是能力来源；
往上一层是 AI 应用，比如一个问答、总结、推荐能力；
再往上是 AI 系统，它会包含权限、流程、日志、监控、兜底规则；
最上面才是业务场景。
真正上线跑的是系统，而不是模型本身，模型只是其中一个可替换的组件。
Q3. 你觉得企业真正需要的是”更强的模型”还是”更好的 AI 应用”？
面试官为什么问这个问题：
这道题在考你的工程价值观。很多初级候选人会下意识说”更强的模型”，但真实企业环境下，这往往不是瓶颈。
参考口语化回答：
在我参与过的项目里，大多数时候瓶颈不在模型，而在应用设计。
模型能力到一定程度后，效果差异更多来自 Prompt、上下文、数据、流程控制。
企业更需要的是一个”可控、稳定、成本可接受”的 AI 应用，而不是实验室里最强的模型。
Q4. 你怎么判断一个 AI 功能是不是”能上线”的状态？
面试官为什么问这个问题：
这是一个很现实的问题，用来区分”Demo 选手”和”工程选手”。面试官想听到的不只是效果好不好，而是上线标准。
参考口语化回答：
我一般会从四个维度判断：
第一是效果稳定性，同样的问题不会忽好忽坏；
第二是可控性，知道什么时候会出错、怎么兜底；
第三是成本，调用次数和 Token 消耗是否可接受；
第四是可观测性，日志、异常、用户行为是不是能看清楚。
只看效果，很容易踩坑。
Q5. 你觉得 AI 应用开发中，最容易被新人忽视的点是什么？
面试官为什么问这个问题：
这题在考你有没有”踩过坑”。如果回答得很抽象，通常经验不足。
参考口语化回答：
我觉得最容易被忽视的是”非正常输入”和”异常场景”。
比如用户乱输、Prompt 被注入、模型超时、接口失败。
很多 Demo 看起来很好，但一到真实用户环境，就开始不可控，这往往不是模型问题，而是工程没兜住。
第二层：核心技术能力（How）【8 题】
Q6. 你在实际项目中是怎么写 Prompt 的？有没有方法论？
面试官为什么问这个问题：
Prompt 是 AI 应用开发的核心能力之一。面试官不关心你背了多少技巧，而关心你是不是有工程化思维。
参考口语化回答：
我不会把 Prompt 当成一句话，而是当成配置。
一般会拆成角色、任务、约束、输出格式四块，尽量结构化。
而且 Prompt 一定要可迭代，能通过日志不断调，而不是一次写死。
Q7. 你是怎么控制大模型”胡说八道”的？
面试官为什么问这个问题：
幻觉是企业最关心的问题之一。这题直接考你有没有真实项目经验。
参考口语化回答：
我一般不会指望模型自己”别胡说”。
工程上会通过 RAG 提供确定性上下文，通过 Prompt 明确”只基于给定内容回答”，
同时在输出后加规则校验，必要时直接拒答。
幻觉不是靠一句 Prompt 解决的，是系统设计问题。
Q8. 你怎么理解 RAG？它解决的核心问题是什么？
面试官为什么问这个问题：
RAG 是基础能力，但很多人理解停留在”向量检索 + LLM”。
参考口语化回答：
我理解 RAG 的核心不是”查资料”，而是给模型一个受控的信息边界。
它解决的是模型不知道、记不住、不能实时更新的问题。
真正难的不是接不接向量库，而是数据切分、召回质量和上下文控制。
Q9. 在 RAG 项目中，你觉得最容易影响效果的环节是哪一步？
面试官为什么问这个问题：
这是一个经验题，能明显区分有没有实操。
参考口语化回答：
我觉得是数据切分和召回策略。
切得太大，模型吃不下；切得太小，又丢上下文。
而且不是所有问题都适合向量召回，很多时候要加关键词、规则甚至人工标签。
Q10. 你是怎么理解 Agent 的？什么时候该用，什么时候不该用？
面试官为什么问这个问题：
Agent 很火，但容易被滥用。面试官想看你的判断力。
参考口语化回答：
我把 Agent 理解成”带状态和决策能力的 AI 流程”。
如果只是单轮问答，其实不需要 Agent；
当任务需要拆解、多步执行、调用工具、反思修正时，Agent 才有价值。
否则只会增加复杂度和不稳定性。
Q11. 在工具调用或函数调用中，你最关注哪些风险？
面试官为什么问这个问题：
这题在考你有没有把 AI 当成”不可信组件”。
参考口语化回答：
我最关注的是误调用和参数不合法。
所以一般不会让模型直接执行真实操作，而是先生成结构化意图，再由程序校验。
模型负责”想”，系统负责”做”，这条边界一定要清楚。
Q12. 你是如何管理上下文长度和 Token 成本的？
面试官为什么问这个问题：
这是非常现实的工程问题，尤其在企业环境。
参考口语化回答：
我会优先做上下文裁剪，只保留当前问题真正需要的信息。
历史对话不会全塞进去，而是做摘要或状态提取。
另外会区分高价值和低价值请求，不同请求用不同模型或参数。
Q13. 你如何评估一个 Prompt 或 RAG 改动”是不是真的变好了”？
面试官为什么问这个问题：
这题考你是否有”评估意识”，而不是凭感觉调参。
参考口语化回答：
我会准备一组固定测试用例，覆盖正常和极端场景。
每次改动只改一个变量，看整体通过率和失败类型。
如果不能量化，就很容易越调越乱。
第三层：工程化与系统能力【8 题】
Q14. 一个典型的 AI 应用后端架构，你会怎么设计？
面试官为什么问这个问题：
这是在考系统观，而不是代码细节。
参考口语化回答：
我一般会拆成 API 层、AI 编排层、模型/工具层、基础设施层。
AI 编排层负责 Prompt、RAG、Agent 流程；
模型层可替换；
基础设施包括缓存、日志、监控。
这样后续模型升级或策略调整成本比较低。
Q15. AI 应用中，性能瓶颈通常出现在哪？
面试官为什么问这个问题：
考你有没有真实跑过系统，而不是只写过 Demo。
参考口语化回答：
最常见的是模型响应时间和串行流程。
Agent 一多，调用就容易堆起来。
所以我会尽量减少不必要的 LLM 调用，能规则解决的就不用模型。
Q16. 你是如何做 AI 应用的日志和监控的？
面试官为什么问这个问题：
没有可观测性，AI 系统就是黑盒。
参考口语化回答：
我会记录每次请求的 Prompt、上下文摘要、模型版本、耗时和 Token。
异常单独打标，方便回放问题。
这样线上效果下降时，能快速定位是数据、Prompt 还是模型问题。
Q17. AI 应用如何做异常处理和兜底？
面试官为什么问这个问题：
这是企业非常看重的一点。
参考口语化回答：
我不会假设模型一定成功。
常见兜底包括：超时返回、降级模型、规则回复、人工介入。
关键是让用户”有反馈”，而不是一直转圈。
Q18. 在 Docker 或服务化部署 AI 应用时，你会注意什么？
面试官为什么问这个问题：
这题考你是否具备平台化意识。
参考口语化回答：
我会注意配置解耦、密钥管理和资源限制。
模型配置、Prompt 都不写死在代码里。
同时会限制并发，避免被一次流量打挂。
Q19. 你是怎么做并发控制和限流的？
面试官为什么问这个问题：
AI 接口很贵，也很慢。
参考口语化回答：
我会在入口层做限流，区分用户等级。
同时对内部 LLM 调用做队列或信号量控制。
宁可慢一点，也不能失控。
Q20. 你如何看待缓存和 AI 的关系？
面试官为什么问这个问题：
很多人觉得 AI 不适合缓存，这是误区。
参考口语化回答：
我认为 AI 非常适合缓存。
很多问题高度重复，比如知识问答、总结。
合理缓存可以直接省掉大量模型调用，成本差异非常明显。
Q21. AI 应用如何做到”可维护”？
面试官为什么问这个问题：
这是区分短期项目和长期系统的关键。
参考口语化回答：
核心是模块化和可配置。
Prompt、模型、策略都能独立调整。
否则每次改一点，都要重发版本，很快就不可维护。
第四层：真实项目与场景能力【6 题】
Q22. 你是如何把 AI 能力嵌入到业务流程中的？
面试官为什么问这个问题：
这题考你是不是”业务型工程师”。
参考口语化回答：
我不会把 AI 当成一个独立功能，而是嵌进原有流程。
比如在审批、客服、诊断中做辅助，而不是替代。
这样业务接受度更高，风险也更可控。
Q23. 在医疗或金融场景中，你如何控制 AI 风险？
面试官为什么问这个问题：
这是高风险行业的核心问题。
参考口语化回答：
我会坚持”建议而非决策”的定位。
重要结论必须可追溯来源，并允许人工确认。
高风险场景下，AI 永远不是最终裁决者。
Q24. 你如何评估一个 AI 项目”值不值得继续做”？
面试官为什么问这个问题：
考你有没有产品和成本意识。
参考口语化回答：
我会看三个指标：
业务指标有没有改善、人工成本有没有下降、系统稳定性是否可接受。
如果只是技术好看，但业务没变化，我会建议及时止损。
Q25. 如果业务方说”效果不稳定”，你会怎么排查？
面试官为什么问这个问题：
这是非常真实的场景题。
参考口语化回答：
我会先拉日志，看失败集中在哪些问题类型。
再看是数据问题、Prompt 漂移，还是模型变更。
而不是第一时间去”再调一版 Prompt”。
Q26. 你如何和产品经理或业务方协作 AI 项目？
面试官为什么问这个问题：
AI 项目失败，往往不是技术原因。
参考口语化回答：
我会提前把 AI 的能力边界说清楚。
哪些能做，哪些不稳定，哪些必须人工兜底。
避免业务方对 AI 有不切实际的期待。
Q27. 你遇到过 AI 项目失败的情况吗？原因是什么？
面试官为什么问这个问题：
这题在考你的反思能力。
参考口语化回答：
有过。
最典型的是一开始目标定得太大，流程太复杂。
后来发现应该先从一个小闭环场景跑通，再逐步扩展。
第五层：进阶与加分项（架构 / 视野）【3 题】
Q28. 你如何看待多 Agent 架构的价值和风险？
面试官为什么问这个问题：
这是高级候选人的分水岭。
参考口语化回答：
多 Agent 在复杂任务拆解上很有价值。
但 Agent 一多，稳定性和调试成本急剧上升。
我会谨慎使用，只在收益明显时才引入。
Q29. 你如何看待 LangChain / LangGraph 这类框架？
面试官为什么问这个问题：
面试官想看你是不是”工具理性”。
参考口语化回答：
我把它们当成加速器，而不是必选项。
理解底层流程比会用框架更重要。
框架能提高效率，但不应该替代思考。
Q30. 在你看来，AI 应用开发工程师未来最重要的能力是什么？
面试官为什么问这个问题：
这是潜力判断题。
参考口语化回答：
我觉得是系统思维和风险意识。
模型会越来越强，但真正有价值的是把 AI 安全、稳定、持续地用在业务里。
能把复杂问题落到工程层面解决的人，长期都很稀缺。
第一层：基础认知（Why / What）【5 题】
Q1. 你认为 AI 应用开发中，”工程复杂度”主要来自哪里？
面试官为什么问这个问题：
这道题在考察你是否真正理解”难点不在模型”。很多候选人会把复杂度归因到算法，面试官想确认你是否具备系统视角。
参考口语化回答：
我觉得工程复杂度主要来自不确定性。
模型输出不稳定、用户输入不可控、业务规则又很复杂。
真正难的是把这些不确定因素包在一个稳定、可预测的系统里，而不是模型本身有多复杂。
Q2. 如果让你向非技术同事解释 AI 应用的价值，你会怎么说？
面试官为什么问这个问题：
这是在考沟通能力和业务理解能力。企业里 AI 工程师不是只和工程师打交道。
参考口语化回答：
我一般不会讲模型和参数。
我会直接说：AI 可以帮你减少重复劳动、缩短决策时间、降低人为遗漏。
比如以前需要 10 分钟查资料，现在 10 秒给你一个可用答案。
Q3. 你觉得”AI 应用失败”的典型信号有哪些？
面试官为什么问这个问题：
这题在考你是否见过失败项目，而不是只参与过成功 Demo。
参考口语化回答：
比较典型的信号是：
业务方越来越少用、反馈变少、问题被默默绕开。
技术上可能没报错，但说明 AI 已经没有被信任了。
Q4. 在 AI 应用中，你如何看待”确定性输出”这件事？
面试官为什么问这个问题：
这是一个价值观问题，直接关系到工程取舍。
参考口语化回答：
我不会追求完全确定，但会尽量缩小不确定范围。
对关键业务节点，输出一定要可预测、可解释。
创意场景可以放开，但业务核心场景一定要收紧。
Q5. 你怎么看”AI 能不能完全替代人”这个问题？
面试官为什么问这个问题：
考察你的理性程度，而不是态度激进与否。
参考口语化回答：
我更倾向于”增强而不是替代”。
在真实业务里，人负责判断和兜底，AI 负责提高效率。
至少在可预见的阶段，这是最安全、也最现实的模式。
第二层：核心技术能力（How）【8 题】
Q6. 你在 Prompt 中是如何表达”边界条件”的？
面试官为什么问这个问题：
这题在考你是否意识到 Prompt 不只是”告诉模型做什么”。
参考口语化回答：
我会明确告诉模型”不能做什么”和”不知道就说不知道”。
比如禁止编造结论、禁止超出给定数据。
Prompt 的约束比指令本身更重要。
Q7. 你是否遇到过 Prompt 调得越多，效果反而越差的情况？
面试官为什么问这个问题：
这是一个典型经验题。
参考口语化回答：
遇到过，尤其是 Prompt 叠得太复杂的时候。
后来发现问题不在 Prompt，而在上下文噪音太多。
有时候删掉一半内容，效果反而更稳定。
Q8. 你如何判断一个问题是否适合用 LLM 解决？
面试官为什么问这个问题：
考察你是否会”滥用 AI”。
参考口语化回答：
如果问题有明确规则、输入输出固定，我一般不会用 LLM。
只有在规则难以穷举、需要理解语义或综合判断时，才考虑模型。
能不用模型的地方，尽量不用。
Q9. 在 RAG 中，你如何处理”召回结果冲突”的情况？
面试官为什么问这个问题：
这是实际项目中很常见的问题。
参考口语化回答：
我会优先保证来源可信度，而不是数量。
必要时按权重排序，或者直接让模型指出冲突并给出不确定提示。
强行合并只会放大幻觉风险。
Q10. 你如何限制模型”过度推理”或”过度发挥”？
面试官为什么问这个问题：
这是在考你对模型行为的理解。
参考口语化回答：
我会通过输出格式、回答长度和明确目标来限制。
比如只让它输出结论，不要过程；
或者要求逐条引用来源，否则拒绝回答。
Q11. 你怎么看待”模型温度”等参数在工程中的作用？
面试官为什么问这个问题：
面试官想知道你是不是只会调参数。
参考口语化回答：
我觉得参数只是微调手段。
如果靠调温度才能勉强稳定，那说明 Prompt 或流程设计有问题。
工程上优先解决结构问题，而不是参数问题。
Q12. 在 Agent 设计中，你如何避免”无限循环”？
面试官为什么问这个问题：
这是 Agent 项目里非常真实的坑。
参考口语化回答：
我会限制最大步数、强制中断条件。
同时在每一步记录状态，如果重复出现相同行为，就直接终止。
Agent 一定要”可刹车”。
Q13. 你如何评估 Agent 带来的”收益是否大于复杂度”？
面试官为什么问这个问题：
这是高级工程师才会考虑的问题。
参考口语化回答：
我会看是否真的减少人工操作或流程步骤。
如果只是把一个简单流程拆成多个 Agent，那基本不值得。
Agent 的价值一定要体现在整体效率上。
第三层：工程化与系统能力【8 题】
Q14. AI 应用如何做到”版本可回滚”？
面试官为什么问这个问题：
这是稳定性意识的体现。
参考口语化回答：
我会对 Prompt、模型版本、检索策略都做版本管理。
出现问题可以快速切回上一个稳定版本。
不能回滚的 AI 系统，线上风险非常大。
Q15. 你是如何做 A/B 测试验证 AI 效果的？
面试官为什么问这个问题：
这题在考你是否具备工程验证思维。
参考口语化回答：
我会让不同用户或请求走不同策略。
对比命中率、人工介入率、用户反馈。
不用感觉判断，用数据说话。
Q16. AI 服务超时，你通常怎么处理？
面试官为什么问这个问题：
这是非常常见的线上问题。
参考口语化回答：
我会设置合理超时时间，超时直接返回降级结果。
同时记录日志，避免请求堆积。
用户体验永远比”等一个完美答案”重要。
Q17. 你如何防止 Prompt 或接口被滥用？
面试官为什么问这个问题：
这是安全意识问题。
参考口语化回答：
我会限制调用频率、校验输入内容、过滤明显异常请求。
敏感 Prompt 不暴露给前端。
AI 接口本质上也是高风险接口。
Q18. 在多模型共存的系统中，你如何做路由选择？
面试官为什么问这个问题：
考察你是否有成本与性能意识。
参考口语化回答：
我会根据问题复杂度分流。
简单问题走小模型，复杂问题才走大模型。
这样整体成本和响应时间都能控制住。
Q19. 你如何监控 AI 输出”质量下降”这种软问题？
面试官为什么问这个问题：
这是高级工程问题。
参考口语化回答：
我会关注人工介入率、重试率、用户否定反馈。
这些指标比单纯成功率更真实。
质量下降往往是渐进的，不是一次性崩掉。
Q20. AI 应用如何支持灰度发布？
面试官为什么问这个问题：
考察你是否具备平台化思维。
参考口语化回答：
我会按用户、部门或比例放量。
先验证稳定性，再逐步扩大。
一次性全量上线风险太高。
Q21. 你如何让 AI 系统”更容易被接手”？
面试官为什么问这个问题：
这题在考团队意识。
参考口语化回答：
我会把关键逻辑写清楚，Prompt 有注释，流程有文档。
AI 项目如果只有一个人能维护，长期一定出问题。
第四层：真实项目与场景能力【6 题】
Q22. 如果业务方要求”必须 100% 准确”，你会怎么回应？
面试官为什么问这个问题：
这是一个典型的现实冲突题。
参考口语化回答：
我会先说明 AI 的不确定性，再讨论哪些环节可以做到接近 100%。
通常通过规则、人工审核配合，而不是单靠模型。
承诺 100% 往往是风险信号。
Q23. 你如何决定 AI 项目”先做什么，后做什么”？
面试官为什么问这个问题：
考察你的落地能力。
参考口语化回答：
我会优先做高频、低风险、价值明确的场景。
先跑通闭环，再逐步扩展。
一开始就想覆盖所有需求，基本都会失败。
Q24. 在真实业务中，AI 输出被否定时你怎么处理？
面试官为什么问这个问题：
考察你对反馈的态度。
参考口语化回答：
我会把否定当成数据，而不是失败。
分析被否定的原因，是信息不足、理解错误，还是流程问题。
这些反馈对优化系统非常有价值。
Q25. 你如何判断 AI 给业务”带来的真实价值”？
面试官为什么问这个问题：
这是一个结果导向问题。
参考口语化回答：
我会看效率是否提升、人力是否减少、错误是否下降。
如果只是”看起来很智能”，但业务没变化，那价值是有限的。
Q26. 你如何在 AI 项目中引入”人工确认环节”？
面试官为什么问这个问题：
这是安全与效率平衡的考察。
参考口语化回答：
我会只在关键节点引入人工，而不是每一步都确认。
比如最终结论、对外输出前。
这样既安全，也不会拖慢流程。
Q27. 你如何应对业务方频繁变更需求？
面试官为什么问这个问题：
这是非常现实的问题。
参考口语化回答：
我会提前把系统设计成可配置的。
需求变更尽量通过配置和策略调整解决，而不是重写代码。
否则 AI 项目会被拖死。
第五层：进阶与加分项（架构 / 视野）【3 题】
Q28. 你如何看待”AI 应用平台化”这件事？
面试官为什么问这个问题：
这是高级工程师视角。
参考口语化回答：
平台化能避免重复造轮子。
把模型接入、Prompt 管理、监控统一起来，
业务团队只关注场景本身，整体效率会高很多。
Q29. 你认为未来 AI 应用工程师会越来越偏”工程”还是”产品”？
面试官为什么问这个问题：
这是对职业理解的考察。
参考口语化回答：
我觉得两者会越来越融合。
懂工程但不懂业务，很难做出好应用；
只懂产品，不懂工程，又很难落地。
Q30. 面试官眼中，什么样的 AI 应用工程师”值得培养”？
面试官为什么问这个问题：
这是典型的潜力判断题。
参考口语化回答：
我觉得是能主动考虑风险、成本和长期维护的人。
不只是把功能做出来，而是思考”上线后怎么办”。
这种人通常成长得很快。