科大讯飞

Prompt Engineering:提示词- 通过设计输入文本来引导模型输出- 不修改模型参数- 适合快速迭代场景Supervised Fine-Tuning:模型精调- 使用标注数据微调模型参数- 需要训练资源- 适合专业化场景Prompt典型案例:1. 添加"逐步思考"提升推理能力2. 角色设定"你是一位资深律师..."3. 输出格式控制"用Markdown表格展示..."SFT典型案例:1. 医疗问答数据微调2. 客服对话场景优化3. 法律文书生成专项优化Prompt优势:✓ 零训练成本✓ 即时生效✓ 灵活可调✓ 保留通用性Prompt劣势:✗ 专业领域效果有限✗ 提示设计需要经验✗ 输出稳定性较低SFT优势:✓ 领域适应性强✓ 输出质量稳定✓ 可处理复杂任务✓ 减少提示长度SFT劣势:✗ 需要标注数据✗ 训练成本高✗ 迭代周期长✗ 可能过拟合## 产品决策建议• MVP阶段优先Prompt• 核心业务场景采用SFT• 混合方案：通用能力+专项优化• 考虑：数据/算力/时效/效果的平衡           

理想：RAG 的完美愿景 在大语言模型（LLM）的浪潮中，检索增强生成（Retrieval-Augmented Generation, RAG）被寄予厚望，作为 LLM 应用落地的关键技术范式之一，它的核心思想很简单： “让大模型在生成答案时，先检索外部知识库，确保回答既准确又新鲜。” 理论上，RAG 能解决大语言模型（LLM）的三大痛点：  知识固化：LLM 依赖训练数据，无法自动更新知识（如 GPT-4 不知道 2024 年后的新闻），导致时效性差、专业领域知识不足，而 RAG 通过连接外部知识库，可以随时引入新信息。 幻觉问题：LLM 可能编造虚假信息，而 RAG 为回答提供证据、增强生...

在AI产品经理面试中，经常会问到这个问题，在AI产品设计中，Prompt（指令/提示词）的质量直接影响模型的输出效果。以下是撰写和调Prompt的一些方法：一、Prompt撰写原则1. 明确性 (Clarity)   - 目标清晰：直接说明需求，避免模糊表述   - 示例：❌"写个文案" → ✅"写300字防晒霜电商文案，强调清爽不油腻"2. 结构化 (Structure)   - 逻辑分层：使用编号/分段组织内容   - 模板：     1) 角色设定：[如"你是个10年经验的数据科学家"]     2) 核心任务：[明确要求]     3) 输出格式：[指定Markdown/JSON等]3. 上下文 (Context)   - 必要背景：提供关键信息   - 示例：❌"总结会议" → ✅"总结周三14:00产品会结论，需包含技术可行性评估"4. 约束条件 (Constraints)   - 明确限制：     - 字数限制（如"200字内"）     - 风格要求（如"正式报告/口语化"）     - 避免内容（如"不使用专业术语"）5. 示例引导 (Example-driven)   - 提供输入输出范例：     输入："将'用户体验很重要'改写成营销话术"     输出："匠心打造指尖愉悦，每1像素都为舒适而生"[优化技巧]• 迭代测试：通过"假设-反馈"循环改进• 动词精准：使用"生成/对比/改写"等动作词• 格式标记：重要内容用「」或ALL CAPS        

部门介绍(略)聊实习：问了CRM流程的理解聊项目(重点)：AIGC的项目 大模型幻觉的处理(这在蚂蚁金服二面的时候也被问过)，我的回答是在prompt上界定输出格式，并给出输入输出样例，对于输出的话可以提前渲染输出(主要是代码生成)，或者我看过有算法可以比对与样例代码的拟合度。回答完之后应该是不太满意，后续也说对于大模型应用这块的深入了解的不多，同时也聊到部门组内经常有大模型应用的讨论智力题：🐎小马赛跑，25匹小马，5个赛道，角逐出最快的三个最佳方式(我就想到了8轮的解法)coding题：ai生成一个知识库项目，限100次提问，不过因为时间关系，做到一半就停，然后就问了一下思路。我的思路就是通过大模型生成README，或者说在我的README基础上进行扩展，生成项目大纲，然后分模块生成以及迭代。由此引申出如果项目大纲变动，或者是要迭代升级，大模型要怎么做。回答是将项目描述，大纲之类的文件存入知识库中，由gpt动态读取生成。手撕题：三数之和，没撕出来(因为之前写过，我感觉我的思路应该没错)反问：ai应用这块可以更加深入思考解决方案，同时多点对于业务的理解，避免成为CRUD可被替代的工程师总结：感觉大厂好像对ai代码这块很感兴趣，如果有ai相关的项目回很容易说很多，不过我比较菜，了解不多，后续应该学习一些。美团的面试官确实很专业，面试很舒服，也有很多点拨我的地方