面试官视角聊聊：AI大模型岗从业务面到HR面全流程

最近面试了不少AI大模型方向的候选人，自己也从业务面和HR面两个维度做了复盘

很多同学在准备面试时，总是习惯站在“如何回答”的角度去背题，缺乏结构化的思维和表达

但其实更有效的准备方式是：站在面试官的角度，理解他为什么这么问，他想考察什么，什么样的回答能让他眼前一亮

第一部分：业务面试官 (简历深挖与场景题)

这部分主要考察你对做过项目的深度理解，以及解决实际问题的能力，而不是只会调用API。

模块一：项目深挖（SD与RAG）

问题1： SD项目中的提示词是如何编写的？（考察Prompt Engineering基本功）

• 考察点： 是玄学调参还是有方法论？有没有建立标准化流程？
• 回答思路拆解： 不要只说“根据经验写”。要从 “模板化+动态填充” 的角度切入。比如，我们会先定义角色（如：顶级建筑师）、主体描述（结构、材质）、风格参考（参数化主义、极简）、光线氛围、以及负向提示词（如：低质量、扭曲）。对于可控性要求高的部分，会引入ControlNet辅助。

问题2： 客服机器人项目里，上下文的关联是如何实现的？（考察RAG与记忆机制）

• 考察点： 区分“多轮对话”和“长短期记忆”。
• 回答思路拆解： 通常采用两级策略。短期记忆：利用大模型的窗口，将最近几轮对话直接拼接。长期记忆：对历史关键信息（如用户姓名、订单号）进行实体抽取，存入向量数据库，在下次对话时进行检索召回。

问题3： 你们RAG里语料涉及长文档、多级标题和表格，大模型理解不好，你做了哪些提升？（考察RAG进阶优化）

• 考察点： 文本分块（Chunking）策略与结构化解析能力。
• 回答思路拆解：针对标题： 我们采用了“层次化分块”，在切片时保留文档的Markdown或HTML结构，将子块与父标题进行关联元数据注入，检索时能还原上下文。针对表格： 单纯的文本序列化会丢失结构。我们做了两件事：1）表格结构识别，将表格转为Markdown或HTML格式喂给模型；2）引入“表格摘要”，在检索时，优先检索表格的行列摘要描述，而不是直接丢给模型原始数据。

模块二：效果评估与优化（量化指标）

问题4： 客服机器人有没有对准召率进行评估？如何识别用户意图？（考察NLU与评估体系）

• 考察点： 意图识别是传统NLP任务，如何结合大模型做？
• 回答思路拆解： 我们采用 “预定义意图+大模型兜底” 的混合架构。对于高频意图，用小模型或Few-shot分类；对于模糊或复杂的意图，利用大模型的ReAct能力进行推理。评估上，除了准召率，我们还关注意图识别的置信度阈值以及拒识率。

问题5： 你设计了哪些技术指标来评价图片生成的好坏？（考察多模态评估）

• 考察点： 主观审美如何量化？
• 回答思路拆解： 分主观和客观。客观指标：使用FID（Fréchet Inception Distance）评估生成图片与真实图片的分布相似度；使用CLIP Score评估图片与提示词的相关性。主观指标：我们建立了内部“美学评分体系”，从构图、光影、细节丰富度三个维度进行人工盲测打分，最终形成综合的A/B测试结论。

问题6： 从RAG角度，怎么设计“用户粘性”指标来体现真实问题解决率？（考察业务思维）

• 考察点： 跳出技术指标，关注商业价值。
• 回答思路拆解： 这是个好问题！单纯的问答准确率是“假象”。我会设计三个维度的指标：会话解决率：用户是否在得到答案后结束了对话（无追问）。同问题回访率：同一个用户在一周内是否重复问同一个问题（若重复，说明上次没解决或没记住）。用户行为转化：客服机器人提供的链接或操作按钮，用户点击率是多少？这才是最终解决业务问题的关键。

模块三：应对质疑与复杂场景（抗压能力）

问题7： 内部使用人数不多，如何应对“模型成本比人力还贵”的质疑？（考察ROI思维与向上管理）

• 考察点： 你是个只会造火箭的技术宅，还是懂生意经的产品经理？
• 回答思路拆解： 我承认确实存在这个质疑点。我的回应是：不能只看显性的人力替换成本，要看隐性价值。效率提升：虽然绝对成本高，但模型7x24小时响应，解决了“人等人生”的排队时间损耗。知识沉淀：模型将专家经验固化，减少因人员流动导致的知识断层。我会建立一个“TCO（总拥有成本）”模型，对比人工成本的年增幅和模型成本的降幅，说明长期价值。

问题8： 多模态生成高保真设计图很难，大模型控制不好细节怎么办？（考察技术深度与方案储备）

• 考察点： 如何解决“幻觉”和“不可控”这两个大模型最大的痛点。
• 回答思路拆解： 这个问题切中要害。除了LoRA，我们主要做了两点：引入ControlNet：对于设计图，必须提供深度图或Canny边缘图作为硬约束，让模型在“框定范围内”发挥创意，而不是天马行空。迭代式生成与精细化修复：先通过文生图生成大样，然后使用inpainting（局部重绘） 技术对细节（如Logo、特定线条）进行二次或三次精修。关于提示词模板，我会严格遵循 “指令-上下文-输入数据-输出格式” 的结构。例如：“你是一个UI设计师（指令）。基于当前流行的玻璃态设计风格（上下文）。请将下面这张草图（输入）转化为高保真PNG，尺寸1024*1024（输出格式）。”

第二部分：HR面试官 (软技能与定薪定级)

搞定业务官，HR面同样致命，这决定了你的职级和薪资上限。

问题1： 在大模型应用场景下，你自身的优势是什么？还有哪些提升？（自我认知）

• 回答思路拆解：优势： “我既有算法的严谨性，又有产品的敏锐度。我能理解Attention机制的原理，也能快速写出Prompt做MVP验证，是团队中连接技术和业务的‘翻译官’。”提升： “我觉得自己在大模型的底层原理（比如数学推导）上还不够深入，后续我计划系统学习一下相关课程，以便更好地理解模型能力的上限和优化方向。”（切记：提升点不要说软技能，要说技术纵深，显得你谦虚且有上进心）。

问题2： 曾经有没有遇到过不同部门之间的冲突场景，如何去处理和解决的？（冲突管理）

• 回答思路拆解： 严格遵循 STAR原则。情景： 算法部门想用最新的大模型刷榜，业务部门（审核/运营）要求先稳定上线。任务： 在不延误项目上线的前提下，引入新模型能力。行动： 我组织了联合评审会，将新模型拆分为AB实验。答应业务部门，90%流量走老模型保证稳定，10%流量试新模型收集数据。如果效果提升超过阈值，才允许全量。结果： 既满足了业务的稳定性要求，又为技术创新打开了口子。

问题3： 你大概有了解我们这个审核行业里面，大模型应用都在做什么吗？（行业认知与求职动机）

• 考察点： 你有没有做过功课，是不是海投简历。
• 回答思路拆解： 建议提前查一下该公司的年报或新闻稿。通用回答： “我了解到审核行业目前正从‘人工审核’转向‘人机协同’。大模型主要应用于：1）智能预审，利用多模态模型过滤明显违规的图片/文本；2）辅助决策，给审核员提供风险点和相似案例；3）规则理解助手，帮助新审核员快速理解复杂的审核规范。贵公司最近发布的XX产品，就是在做这方面的探索，我觉得非常有前景。”