我面试过的AI岗位盘点

一、基础认知题（每家开场必问）1. 你理解的AI运营是做什么的？和普通运营有什么区别？2. 你用过哪些大模型/AI工具？（ChatGPT、豆包、文心一言、Kimi、通义千问等）3. AI运营的核心目标是什么？（答：提升模型效果、降低幻觉、提升用户体验、提高使用率）4. 你为什么想做AI运营？二、Prompt 提示词工程（必考核心）1. 什么是好Prompt？2. 写Prompt的结构：角色+任务+要求+输出格式+示例3. 如何让AI不胡说、不乱编？4. 如何让输出更稳定、更专业？5. 怎么通过Prompt做内容质检、规则约束？三、大模型/AI基础题（必须懂）1. 什么是大模型LLM？2. 什么是RAG、知识库、向量库？（简单讲清楚）3. 什么是AI幻觉？怎么发现、怎么解决？4. 微调、SFT、DPO 简单理解是什么？5. 怎么判断一个AI回答好不好？四、模型运营/训练师必考题1. 模型运营日常工作：语料清洗→标注→评测→迭代→效果提升2. 评测维度：准确率、流畅度、合规性、有用性、相关性3. 标注数据怎么做才标准？4. bad case 怎么处理？5. 如何提升AI回答满意度？五、场景实操题（决定过不过）1. 用户说AI回答胡说八道，你怎么排查？2. 同样的问题，AI每次回答不一样，你怎么优化？3. 如何做一套AI问答质检标准？4. 业务说AI不好用，你怎么落地优化？5. 怎么用运营手段提高AI功能使用率？六、AIGC 内容/增长运营题1. 怎么用AI做内容批量生产？2. 如何保证AI生成内容不违规、不侵权？3. 做AI工具的增长：拉新→激活→留存→变现思路4. 如何做AI工具的用户教育？七、SQL/数据基础（很多公司会考）1. 会不会看数据：使用率、满意度、调用量、失败率2. DAU下降怎么分析？3. 简单SQL：增删改查、分组、筛选会不会？4. 如何用数据证明你做的运营有效果？八、软实力/行为面1. 你抗压吗？怎么处理重复枯燥的标注/评测？2. 遇到逻辑复杂的需求，你怎么拆解？3. 和产品、算法、开发怎么沟通？4. 你的职业规划是什么？（往AI产品/AI策略/大模型运营走）九、高分万能回答模板AI运营 = 懂业务 + 懂提示词 + 懂数据 + 会落地优化遇到不会的题：先讲理解→再说思路→讲你会怎么做→最后看数据结果

随着“人工智能+”国家战略深入推进，我国人工智能产业进入高速发展阶段。2025年，人工智能行业招聘职位数大幅，其中算法类、数据类、产品类岗位增速尤为显著。但对于许多想入行的同学来说，面对琳琅满目的岗位名称（算法？工程？MLOps？Prompt工程师？），往往一知半解，甚至混淆职业定位。 今天我将AI全产业链拆解为五大核心层级，希望帮行业新手或跨行业小白找到你的专属赛道。 AI人才生态全景图（五大层级）根据市场供需与职能划分，我们将AI岗位划分为以下五类： （一）技术核心-算法与研发AI算法与研发岗位聚焦AI核心技术研发，对数学、编程与算法能力要求高，是行业高薪聚集地。适合人群：逻辑严密、热爱钻...

一面 pinia什么放里面，什么不放，为什么？怎么使用vue3构建项目的什么是monorepo，为什么要用monorepo，咋用的你个人的优势是什么项目中遇到过什么问题平时怎么学习前端新技术的做一个工时管理系统，说怎么实现二面解释LRU缓存解释Treeshaking怎么实现的markdown怎么渲染的，是整个渲染吗知道什么是事件循环吗学过数据结构吗，解释一下树和链表

1. Python 与 Java/C++ 的核心区别是什么？答案：Python 是解释型、动态类型语言；Java/C++通常是编译型（Java半编译半解释）、静态类型。 Python 语法简洁，开发效率高；Java/C++执行性能通常更高。 Python 更适合脚本、数据分析、AI、快速开发；Java/C++常用于大型工程、底层和高性能场景。 Python 内存管理自动（GC+引用计数），C++可手动控制内存。2. Python 是编译型还是解释型语言？如何理解？答案：Python通常称为解释型语言，但严格讲是“先编译为字节码，再由解释器执行”。流程：源码 .py 编译成字节码 .pyc Py...