- 面试开场与规则（建议 25–35 分钟）
隐性评分的 5 个目标
1 做过真项目还是停在概念/Demo
2 是否能从业务问题出发理解 AI
3 是否理解 AI 是系统工程，而不是单点模型
4 是否具备工程型岗位的成长潜力
5 是否值得占用一次昂贵的技术面名额
建议评分方式每个维度 0–4 分，总分 24 分。
• 0：空泛，无法落到真实场景与细节
• 1：做过一点，但参与浅、讲不清边界与取舍
• 2：做过项目，能讲过程，但缺系统性与复盘
• 3：能讲清业务目标、工程方案、权衡与结果，有证据感
• 4：有负责人视角，讲得出机制化方法（评估、治理、迭代），可带团队演进
维度一：岗位动机与角色认知
1维度目标
判断候选人是否清楚 AI 应用开发岗的真实工作形态（需求、数据、工程、上线、运营），动机是否稳定且与岗位匹配，是否有”从交付到负责”的成长意愿。
2主问题
你为什么想做 AI 应用开发？你希望在这个岗位上解决什么问题、承担什么角色？
3深挖追问
• 你最理想的工作产出是什么？是模型效果、功能上线、还是业务指标？为什么？
• 你过去最享受的一次交付是什么？如果让我问你”你在里面到底负责啥”，你会怎么说？
• 如果入职 3 个月发现大量时间在做数据清洗、评估、打磨产品细节，而不是”调模型”，你能接受吗？你会怎么安排优先级？
4风险信号
• 动机停留在”风口/好找工作/喜欢大模型很酷”，没有岗位现实感
• 把工作理解为”接个 API 写个聊天框”，对落地成本与工程链路无感
• 说不清”自己想成为什么样的人”（工程交付者、Owner、架构方向等）
• 对脏活累活（数据、评估、上线后维护）明显排斥
5高质量口语化回答示例
我想做 AI 应用开发是因为我更擅长把能力变成可交付的产品，而不是停留在”模型好不好看”。我做项目时最看重的是：能不能真的上线、能不能稳定跑、能不能让业务愿意持续用。我对这个岗位的理解是，它更像”AI 产品工程负责人”的路径：从业务目标出发，把数据、检索、工具调用、权限、成本、监控这些串起来，最后对效果和体验负责。如果入职后大量工作在数据清理、评估、提示词迭代、灰度和运维，我是接受的，因为这些决定了系统能不能长期稳定。我的目标不是把 Demo 做出来，而是把可运营的系统交付出去，并且能持续迭代。维度二：AI 项目真实性与参与深度
1维度目标
验证”真做过”而非”看过/抄过/拼过”。重点看：是否讲得出项目背景、约束、关键决策、上线链路、问题与复盘；是否能明确自己的贡献边界。
2主问题
挑一个你最能代表你能力的 AI 应用项目，按”背景-目标-你做了什么-结果”讲清楚。不要讲技术名词堆砌，我想听你怎么把它做成的。
3深挖追问
• 这个项目如果没有你，会卡在哪里？你解决的”最关键的一个卡点”是什么？
• 你们怎么验收的？谁说了算？上线后怎么判断”真的有效”？
• 项目里最难的一次事故/翻车是什么？你怎么定位、怎么止损、怎么复盘避免再发生？
• 你做了哪些”文档/机制”让项目能交接、可维护？（比如评估报告、上线 checklist、监控告警规则、回滚预案）
4风险信号
• 只讲”用了什么框架/模型”，讲不出业务目标、约束、验收方式
• 说不清自己负责的边界，一追问就”我们团队做的”
• 没有失败案例或复盘，或者把失败全甩给”模型不行/数据不行”
• 上线链路含糊：没有灰度、没有监控、没有回滚、没有成本意识
5高质量口语化回答示例（60–90 秒）
我讲一个内部知识问答项目。背景是客服和售后同事每天被重复问题打断，知识散在文档、群消息和工单里，回答质量不一致。目标不是”做个聊天机器人”，而是把高频问题的处理时间降下来，并且回答要可追溯。我负责的是从 0 到 1 的落地链路：先把业务问题拆成”检索命中率、回答准确性、可追溯”三个验收点；再把数据源统一到一个可维护的知识库，定义更新流程；最后把线上流程做成可观测的：每次回答都能看到引用来源、命中情况和用户反馈。上线后我们用两周做灰度，核心结果是高频问题的平均处理时间明显下降，同时我也把失败案例沉淀成”不可回答就转人工”的规则，避免模型瞎编带来风险。维度三：业务理解与问题抽象能力
1维度目标
看候选人是否能把”业务痛点”转成”可实现、可验收、可迭代”的问题定义；是否懂指标、懂角色、懂流程；是否能区分”要不要用 AI”以及”用 AI 解决哪一段”。
2主问题
你做项目时，业务方往往会说”我们想要一个 AI 助手”。你通常怎么把这个需求拆清楚？你会先问哪些问题？
3深挖追问
• 你怎么定义成功？是节省时间、提升转化、降低错误率，还是提升满意度？哪个最关键，为什么？
• 你如何判断”这事不该用大模型”，或者”先不用 Agent”？你给过业务方否定意见吗？
• 你怎么处理业务方”既要又要还要”的需求？你怎么做 MVP 和迭代路线？
4风险信号
• 把业务理解等同于”写提示词让模型回答更像人”
• 讲不出业务角色、流程节点、边界条件、验收指标
• 不敢说”不”，一味迎合业务，缺少产品与工程判断
• 只讲功能，不讲成本、风险与组织协作
5高质量口语化回答示例（60–90 秒）
业务说”要一个 AI 助手”时，我通常先把它拉回到三个问题：第一，你最想减少哪类成本，是时间、错误还是人力？第二，谁在什么场景用，它接在流程的哪一步？第三，失败了怎么办，能不能接受不确定性。 我会把需求拆成可验收的东西，比如”Top50 高频问题命中率””回答可追溯比例””需要人工兜底的触发条件”。如果发现数据不稳定、风险高，或者流程本身没理清，我会建议先做”检索+标准答案推荐”而不是一步到位做全自动。 我的习惯是用 MVP 先验证一段闭环：让业务先用起来，收反馈，再逐步增加自动化程度和覆盖面，而不是一上来追求”全能助手”。维度四：工程意识与系统思维（核心维度）
1维度目标
确认候选人是否真正理解 AI 应用落地的工程复杂度：数据链路、评估、稳定性、成本、权限、安全、可观测、灰度与回滚；是否具备系统化思维而非”拼模型”。
2主问题
你认为一个 AI 应用从”能跑”到”能上线长期用”，中间最大的差别是什么？你会优先补哪三件事？
3深挖追问
• 你怎么做”效果评估”与”线上反馈闭环”？如果业务说”感觉还行”，你怎么把它变成可量化？
• 你如何控制成本与延迟？当并发上来后你会怎么处理？
• 你们怎么做可观测？至少要能回答哪些线上问题？（例如：为什么这次回答错了、引用了什么、耗时在哪里、失败率多少）
• 如果模型输出出现”胡编”或越权信息，你设计过什么兜底机制？
4风险信号
• 把”上线”理解为”部署一下服务”，对监控、灰度、回滚、权限、成本没有概念
• 一谈不确定性就回避：只会说”多调参/换大模型”
• 缺少工程妥协意识：想要完美，不会做边界与兜底
• 对安全合规无感：不考虑数据权限、日志留痕、敏感信息
5高质量口语化回答示例（60–90 秒）
我觉得”能跑”和”能长期上线”差别不在模型，而在系统是否可控。AI 有不确定性，所以必须把它关进可治理的流程里。我通常会优先补三件事：第一是评估与反馈闭环，至少要有可量化的指标和样本集，不然迭代没方向；第二是可观测和兜底机制，线上要能追溯每次回答用了什么依据，失败了能降级到规则或人工；第三是成本与稳定性控制，比如并发上来后的限流、缓存、队列化，以及对高成本请求做分层处理。我不追求”永远正确”，我追求”错得可控、可解释、可快速修复”，这样系统才敢放到真实业务里用。
主问题很多 LLM 的部署和应用流程网上都能查到，听起来大家都差不多。那你到底有什么优势和价值？你有什么创新？
深挖追问
• 你说的”优势”能举一个你亲手做过的例子吗？没有例子我不太敢信。
• 你所谓”创新”是技术炫技，还是让业务更稳定、更省钱、更可控？你怎么证明？
• 如果我们给你同样的模型和同样的流程，你怎么做到比别人交付质量更高？
高质量口语化回答示例（60–90 秒）我同意基础流程大家都能查到，但真正拉开差距的是把流程做成”可复制的交付能力”。我的优势不在于知道步骤，而在于知道哪些地方会翻车、怎么提前把风险压下去。举个例子，在一个知识问答项目里，大家一开始都能把检索和生成跑起来，但上线后最大的问题是”错误不可控、业务不敢用”。我做的关键改进不是换模型，而是把回答变成”可追溯、可拒答、可回滚”：每次输出必须带来源依据；命中不足就触发拒答或转人工；同时把失败样本沉淀成评估集，形成周更的迭代节奏。所谓创新，对我来说不是花哨功能，而是把 AI 变成可治理的系统能力，让它在真实业务里稳定、省钱、可控地跑起来。
维度五：学习方式与成长路径
1维度目标
判断候选人是否具备持续学习与工程化成长的能力：能否形成自己的方法论、能否复盘、能否把学习转化为可交付产出；是否具备向 Owner/架构方向成长的迹象。
2主问题
过去 6 个月你学得最有用的一件事是什么？你是怎么学的，最后怎么用到项目里？
3深挖追问
• 你遇到不确定问题时，怎么验证假设？你会怎么做小实验或对比？
• 你有没有做过复盘沉淀？沉淀成了什么（文档、规范、模板、指标、组件）？
• 你如何跟上变化很快的 LLM 生态，但又不被”新工具焦虑”带跑偏？
4风险信号
• 学习方式只剩”刷教程、看博主”，没有产出与验证
• 没有复盘沉淀意识，知识停留在个人脑子里
• 对新东西盲目崇拜，缺少选择标准
• 只谈”学了什么技术”，不谈”解决了什么问题”
5高质量口语化回答示例
我最近半年最有用的学习是把”效果问题”拆成可验证的链路，而不是靠感觉调。我的学习方法一般是：先用真实业务样本定义评估集和指标，然后做最小对比实验，明确提升来自哪里。我不追热点式学习，更多是带着项目问题去学，比如线上延迟高、回答不稳定，我就会去补并发、缓存、降级和可观测相关的实践。学完以后会沉淀成团队能复用的东西，比如上线 checklist、评估模板、失败样本归档流程，这样下一次同类项目能更快更稳。我希望自己的成长路径是从交付工程师到模块负责人，再到能对系统架构和治理负责的人。维度六：表达能力与风险意识
1维度目标
评估候选人的表达是否结构化、可信、有证据感；是否具备风险意识（安全、合规、错误成本、组织协作）；是否能在压力追问下保持一致性与清晰度。
2主问题
你能用 1 分钟解释清楚你做过的一个 AI 项目，让一个非技术的业务负责人也听懂并愿意继续投入吗？
3深挖追问
• 你怎么处理”模型说错了导致业务损失”的责任边界？你提前怎么设计？
• 你有没有遇到过跨部门扯皮？你怎么推动落地？
• 你怎么看待数据合规与权限？在项目里你做过哪些约束？
4风险信号
• 表达散、跳跃、全是名词，听不出逻辑主线
• 遇到追问前后矛盾，可信度下降
• 风险意识弱：对越权、泄露、胡编、审计留痕不敏感
• 把问题归因给外部，不承担、不复盘
5高质量口语化回答示例（60–90 秒）
我会用业务能听懂的方式说：这个项目不是做”会聊天的 AI”，而是把某一类重复工作变成半自动或自动，并且保证出错可控。我们先选了最有价值、最标准化的一段流程做试点，用明确的指标验收，比如处理时长、错误率、需要人工介入比例。风险上我一直强调两点：第一，AI 的输出必须可追溯，不能给出没有依据的结论；第二，必须有兜底机制，遇到低置信或敏感内容就降级到人工或规则。我做项目时会把这些要求写进交付标准和上线流程里，这样业务方用得安心，团队也能持续迭代，而不是靠个人英雄主义撑着。
一、能力维度 1：岗位动机与角色认知
1维度目标（HR 内部视角）
判断候选人是否：
• 对 AI 应用岗位有清晰认知
• 离职原因是否理性、可控、非情绪化
• 职业规划是否现实且可落地
• 是否存在频繁跳槽或方向摇摆风险
2主问题（HR 会怎么问）
你先说说，为什么会考虑离开上一家公司？
3深挖追问
• 你当时有没有尝试在原公司内部调整方向？
• 如果从现在回头看，你觉得前公司最大的优点和局限分别是什么？
• 你希望下一家公司，和上一家最核心的不同点是什么？
4风险信号（HR 红旗）
• 把离职原因全部归结为：领导、同事、环境
• 评价前公司只有情绪，没有结构
• 职业规划停留在「想更深入」「想提升自己」
5高质量口语化回答示例（60–90 秒）
核心还是方向匹配的问题。在上一家公司，我参与了一些 AI 相关的工作，但整体更多偏向局部优化和支持性角色，而不是完整的应用闭环。公司本身很稳，流程也成熟，这是优点，但对我来说，试错空间和成长速度有限。我有和主管沟通过是否能承担更多 AI 应用相关的职责，但现实条件不太支持，所以才开始系统性地看机会。未来 2–3 年，我希望自己能在 AI 应用层面形成可复用的能力，而不是只做某一个点。
二、能力维度 2：AI 项目真实性与参与深度
1维度目标
判断候选人是否：
• 真的参与过 AI 应用项目
• 在项目中承担过有判断力的角色
• 能说清楚自己的不可替代价值
2主问题
你过往做过的 AI 项目里，你最核心的贡献是什么？
3深挖追问
• 如果你不在，这个项目最可能卡在哪里？
• 哪一部分是你自己判断和推动的，而不是被分配的？
• 现在回看，你觉得当时哪一步最容易出问题？
4风险信号
• 描述项目只停留在”我们做了什么”
• 把价值等同于”用过哪些技术”
• 无法说清失败点或妥协点
5高质量回答示例
我的优势不在于某个模型本身，而是在把问题拆清楚。
比如在某个项目里，最开始大家都在纠结模型效果，但我发现真正影响结果的是数据边界和使用方式。
我当时推动把问题拆成两个阶段：先保证稳定可用，再追求效果提升。
这让项目能先跑起来，而不是一直停留在优化阶段。
三、能力维度 3：业务理解与问题抽象能力
1维度目标
判断候选人是否：
• 从业务目标而非技术出发
• 能解释「为什么这样做」
• 理解 AI 应用的商业价值边界
2主问题
你怎么理解 AI 应用开发这个岗位，和纯技术岗位的区别？
3深挖追问
• 如果业务方对 AI 预期过高，你通常怎么处理？
• 你做过哪些主动帮业务降预期或改方案的情况？
4风险信号
• 把 AI 当”魔法”
• 一味强调能力，不谈约束
• 避谈失败和不确定性
5高质量回答示例
我理解 AI 应用开发更像是一个系统工程角色。它不是把模型接上就结束，而是要考虑业务流程、失败兜底、效果评估和长期维护。我能胜任这个岗位，是因为我不太容易被”模型效果”带偏，更关注是否真的解决了问题。这在很多项目里，其实比技术本身更关键。
四、能力维度 4：工程意识与系统思维
1维度目标
判断候选人是否：
• 具备工程负责人潜质
• 理解协作与分工
• 不以”个人英雄主义”为中心
2主问题
如果让你负责一个 AI 应用小团队，你会从哪几件事开始？
3深挖追问
• 你会优先招什么样的人？
• 技术债和进度冲突时，你怎么取舍？
4风险信号
• 一切围绕自己
• 忽略非技术角色
• 不考虑长期维护
5高质量回答示例
我会先明确目标和边界，而不是先堆人。团队里一定要有人能对业务负责，有人能对工程稳定性负责。初期我会尽量让系统简单可控，避免一开始就复杂化。因为 AI 项目最怕的是跑不起来，而不是不够先进。
五、能力维度 5：学习方式与成长路径
1维度目标
判断候选人是否：
• 对自己有清醒认知
• 有可改进的短板
• 不自我包装
2主问题
你觉得自己目前最大的不足是什么？
3深挖追问
• 你是怎么意识到这个问题的？
• 最近一年你做了哪些调整？
4风险信号
• 把缺点包装成优点
• 空泛自省
• 无改进动作
5高质量回答示例
我之前有一个问题是对结果要求过高，容易在细节上投入过多时间。后来我意识到在 AI 项目中，”阶段性可用”比”一次做到最好”更重要。现在我会更刻意控制节奏，把精力放在关键决策点上。
六、能力维度 6：表达能力与风险意识
1维度目标
判断候选人是否：
• 抗压但不极端
• 具备团队适配能力
• 沟通方式成熟
2主问题
你怎么看待工作时间和工作强度？
3深挖追问
• 高强度持续一段时间，你怎么自我调节？
• 新团队中你通常如何建立信任？
4风险信号
• 绝对化立场
• 情绪化表达
• 抵触沟通
5高质量回答示例
我能接受在关键阶段有强度，但更看重是否有明确目标和节奏。融入团队上，我通常会先理解现有做法，而不是急着改变。通过把事情做好、沟通清楚，信任会自然建立。