模拟面试问答
《AI应用开发岗模拟面试问答（面试官提问版）》
使用目标
- 训练真实面试节奏，而不是只背单题答案。
- 训练连续表达能力（主答 + 追问 + 收尾）。
- 训练“听题后 5 秒组织答案”的反应能力。
第1轮：自我介绍 + 岗位理解
Q1（面试官）
先做个简短自我介绍，并说说你为什么适合 AI 应用开发岗？
参考高分回答：
我有后端开发基础，熟悉接口、数据库、缓存、异步任务和线上稳定性治理。近阶段重点补齐了大模型应用能力，主要是 RAG、Prompt 设计、结构化输出、工具调用和异常处理。
我理解 AI 应用开发的核心是把模型能力工程化落地，而不是只做 demo。这个岗位需要既懂 AI 链路又懂后端工程，我的能力结构和这个方向比较匹配。
Q2（面试官）
你理解的 AI 应用开发和算法岗的区别是什么？
参考高分回答：
算法岗偏模型本身，比如训练、微调、推理优化；AI 应用开发偏模型上层系统建设，比如知识库问答、Agent 工作流、接口和稳定性治理。
一句话：算法岗侧重“让模型更强”，应用开发岗侧重“让模型在业务里可用、可控、可持续”。
第2轮：RAG 核心链路
Q3（面试官）
请你完整讲一遍 RAG 链路。
参考高分回答：
RAG 链路分离线和在线两部分。
离线：文档上传 -> 解析清洗 -> chunk 切分 -> embedding 向量化 -> 入向量库。
在线：用户提问 -> query 改写 -> 向量检索 topK -> rerank 精排 -> 拼 Prompt -> 大模型生成 -> 输出后处理（引用、格式校验、敏感审查）-> 返回。
核心目标是给模型提供可信外部证据，提升准确性并降低幻觉。
Q4（面试官）
为什么文档要切 chunk？你怎么设计 chunk 策略？
参考高分回答：
切 chunk 是为了让检索粒度更合理。整篇文档向量化语义过于混杂，检索命中不准。
策略上我会结合文档结构和问答类型，一般采用“按段落/标题层级切分 + 适当 overlap”。
chunk 太大噪音多，太小信息不完整，所以会通过 badcase 和检索指标迭代调参。
Q5（面试官）
topK 和 rerank 的区别？为什么两个都要？
参考高分回答：
topK 是召回阶段，目标是“尽量不漏”；rerank 是精排阶段，目标是“尽量更准”。
只用 topK 往往会带来噪音，只用 rerank 在全库上又成本太高。
所以通常是先召回候选，再重排，兼顾效果和性能。
第3轮：Prompt 与输出控制
Q6（面试官）
你怎么设计一个稳定的 Prompt？
参考高分回答：
我会按结构写：角色、任务、约束、输出格式、异常处理。
比如知识库问答里会明确：仅基于给定资料回答；无依据要拒答；输出附引用；禁止补充未提供信息。
此外我会配合低 temperature、few-shot、服务端校验，避免只靠 Prompt 单点控制。
Q7（面试官）
模型 JSON 输出不稳定，你怎么处理？
参考高分回答：
我会做五层治理：
1）Prompt 明确 schema；
2）优先 JSON mode/function calling；
3）服务端 schema 校验；
4）轻量修复（提取 JSON 主体）；
5）失败重试和降级兜底。
核心思想是把格式错误当成常态来设计，而不是当偶发异常。
第4轮：异常与稳定性
Q8（面试官）
模型超时你怎么处理？
参考高分回答：
预防层：压缩上下文、优化 Prompt、合理超时设置、长任务异步化。
兜底层：有限重试（指数退避）、备用模型切换、降级回复、快速失败。
同时要做可观测：监控首 token 时延、总耗时、超时率、模型 API 成功率。
Q9（面试官）
如果第三方模型 API 波动很大怎么办？
参考高分回答：
我会从架构上做“可切换”和“可降级”：
- 统一模型网关封装，避免业务代码强耦合某供应商
- 熔断、限流、退避重试
- 主备模型路由
- 缓存提升命中
- 高峰期降级策略
目标是把外部不稳定性隔离在平台层，不让业务全面雪崩。
Q10（面试官）
多轮对话上下文越来越长，怎么解决？
参考高分回答：
不会全量拼接历史，我会做：
- 最近相关轮次保留
- 历史摘要压缩
- 关键信息结构化存储（用户偏好、任务目标等）
- 低价值闲聊裁剪
核心是保留“当前任务相关信息”，而不是保留“所有信息”。
第5轮：安全与合规
Q11（面试官）
Prompt Injection 怎么防？
参考高分回答：
它本质是安全问题，防护要多层：
- system 与 user 输入隔离
- 恶意输入识别
- 工具和数据最小权限
- 敏感信息不进上下文
- 输出审核与高风险操作二次确认
关键不是让模型识别所有攻击，而是即使被注入也无法越权。
Q12（面试官）
AI 场景的数据权限你怎么保证？
参考高分回答：
权限控制要覆盖全链路：认证鉴权、文档打标签、检索时权限过滤、工具调用二次鉴权、结果脱敏、日志审计。
最关键的是在“检索前”做权限过滤，不能等生成后再补救。
第6轮：评估与优化
Q13（面试官）
你如何评估一个 AI 问答系统是否做得好？
参考高分回答：
我会分五类指标：
1）检索：Recall@K、命中率、NDCG；
2）生成：准确率、幻觉率、引用正确率、拒答准确率；
3）体验：首 token 时间、总响应时间、追问率；
4）稳定性：错误率、超时率、可用性；
5）业务：转人工率、人工答疑减少量。
并配合业务真实问题集和 badcase 集做持续迭代。
Q14（面试官）
badcase 集你怎么建设？
参考高分回答：
来源主要是线上真实失败样本：未命中、答错、幻觉、格式错误、越权风险、投诉样本。
再按问题类型分类标注，形成可回归测试的数据集。
每次迭代后跑一遍，验证优化是否真实有效，避免“改好了一个、坏了十个”。
第7轮：项目深挖（高频）
Q15（面试官）
讲讲你项目里最难的问题，以及你是怎么解决的。
参考高分回答：
最难的是检索相关性不稳定。用户提问口语化，但文档表达书面化，导致召回偏。
我做了三步优化：
1）优化 chunk，减少语义断裂；
2）加 query 改写，统一表达风格；
3）接入 rerank 提升排序质量。
结果是 badcase 明显下降，答案相关性和用户可用性都有提升。这个问题也让我意识到，很多“模型答错”本质上是“检索输入不准”。
Q16（面试官）
为什么你不先换更强模型？
参考高分回答：
因为当时根因在检索，而不是生成能力。
输入证据不准时，换更强模型性价比不高，还会抬升成本。
我倾向先把检索链路做对，再考虑模型升级，这是更工程化的优化顺序。
Q17（面试官）
如果让你重做一遍这个项目，你会改什么？
参考高分回答：
我会优先改三点：
1）评估体系前置，尽早建立测试集和指标体系；
2）链路可观测性增强，完整记录 query 改写、检索结果、rerank 分数、最终上下文；
3）异常治理前置，把超时、格式失败、越权风险的兜底策略设计在第一版里。
这样后续迭代效率更高，也更稳。
第8轮：反问环节（候选人加分）
Q18（面试官）
你有什么想问我的吗？
参考高分回答（可选其一）：
1）贵团队当前 AI 应用主要是问答助手、Agent 工作流，还是更偏自动化生产链路？
2）目前线上最主要的挑战是效果、稳定性还是成本？
3）团队对这个岗位 3 个月内的核心目标和衡量标准是什么？
4）模型平台是统一封装还是业务侧各自接入？
反问要体现你关心“落地与协作”，不要只问福利和加班。