最近看到很多同学在问：简历上写了 AI 项目，面试官到底会怎么拷打？说实话，现在 AI 项目确实容易被重点追问。因为很多候选人的项目看起来都差不多：用了大模型、做了 RAG、接了 LangChain、做了一个 Agent、接了向量库、最后生成一个 demo。但面试官真正想判断的不是“你有没有用过 AI”，而是：这个项目是不是你真的做过？你有没有理解背后的取舍？你能不能把 demo 变成一个可靠的系统？下面给大家整理一份比较真实的 AI 项目追问清单。一、项目背景类这个 AI 项目解决的具体业务问题是什么？为什么这个问题需要用 AI，而不是传统规则/搜索/算法？项目上线了吗？真实用户是谁？你在项目里具体负责哪一部分？这个项目最大的难点是什么？二、模型选择类你为什么选这个模型？有没有比较过 GPT、Claude、Gemini、Qwen、DeepSeek 等不同模型？你们是用闭源 API，还是私有化模型？为什么？模型效果怎么评估？成本、延迟、效果之间怎么 trade-off？如果模型输出不稳定，你怎么处理？三、Prompt 类Prompt 是怎么设计的？有没有做 prompt version control？如何避免 prompt 过长、过复杂？有没有 few-shot examples？如何处理用户输入不规范的情况？Prompt 效果怎么测试？四、RAG 类如果你的项目写了 RAG，基本一定会被问。为什么需要 RAG？文档是怎么切 chunk 的？chunk size 和 overlap 怎么选？用的什么 embedding model？向量库选型是什么？为什么？召回不准怎么办？有没有做 rerank？如何处理召回内容冲突？如何避免模型基于错误材料胡说？RAG 的效果怎么评估？五、Agent / Tool Calling 类如果你写了 Agent，面试官大概率会继续问：你的 Agent 能调用哪些工具？工具调用的触发条件是什么？Agent 怎么规划任务步骤？如果工具调用失败怎么办？如何避免 Agent 陷入死循环？中间状态怎么保存？多轮对话上下文怎么管理？有没有权限控制？有没有操作日志？怎么评估 Agent 是否完成了任务？我的建议如果你简历上写了 AI 项目，不要只准备一句：“我用 LangChain + 向量数据库 + 大模型做了一个智能问答系统。”这句话现在太常见了。你真正要准备的是：为什么做？怎么设计？怎么评估？哪里踩坑？怎么优化？上线后有什么效果？面试官不是故意拷打你，而是在确认：你到底是“调了个 API”，还是“真的做了一个 AI 系统”。如果你现在还没准备好，也不用慌。AI 项目被追问很正常，说明这个方向本来就新，大家都在摸索。只要你能把自己的项目讲清楚，把关键问题想明白，就已经比很多只写 buzzword 的候选人强很多了。我最近做了一个 AI 面试工具，叫 Aural AI，网址是 Aural-AI.com。它可以根据你的简历/JD 自动生成具体面试问题，还能模拟真实面试官继续追问，最后给复盘反馈和提升建议。对于准备 AI 项目面试的同学，我觉得特别适合用来提前“被拷打”几轮。最后送大家一句话：AI 项目面试不可怕，可怕的是你只准备了技术名词，没有准备背后的思考。