AI 面试模块
AI 岗位选择、简历项目与面试表达模块
面向前端、后端、Java、计算机专业、双非本、应届生和转行人群，整理 AI 赛道选择与项目包装方法。
视频里大量内容都在回答“不同背景如何进入 AI”。面试准备的核心不是证明自己会所有 AI 技术，而是找到与原背景最自然的迁移路径，并准备一个能讲透的项目。
#背景迁移建议
| 背景 | 推荐切入点 | 需要补齐 |
|---|---|---|
| 前端 | AI 产品界面、对话体验、可视化、工具工作台 | 后端 API、流式响应、状态管理、评测 |
| 后端/Java | AI 网关、RAG 服务、Agent 工具服务、权限和部署 | Python 生态、模型调用、向量库 |
| 计算机/软工/网安学生 | AI 应用开发、RAG、Agent、评测平台 | 项目深度、工程实践、实习经历 |
| 双非/应届生 | 可落地项目和作品集 | 基础能力、表达、真实指标 |
| 转行人群 | 业务场景 + AI 工具交付 | 编程基础、工程规范、系统思维 |
#简历项目怎么设计
一个合格 AI 项目至少要包含：明确场景、真实数据、模型调用、工程链路、评测指标和展示入口。不要写“基于大模型的智能助手”这种空泛项目，要具体到“面向企业制度文档的 RAG 问答系统”或“面向投递简历的岗位匹配 Agent”。
#项目描述模板
项目名称：企业知识库 RAG 问答系统
业务目标：提升员工查询制度、流程和产品资料的效率。
技术链路：文档解析、切片、Embedding、向量库、混合召回、重排、引用生成、反馈评测。
个人职责：负责文档解析、检索链路和评测集建设。
结果指标：回答命中率、引用准确率、平均响应时间、人工满意度或成本变化。
风险控制：权限过滤、资料不足拒答、日志审计和人工反馈。
#高频问题与回答策略
#你为什么从前端/后端/Java 转 AI？
不要说“AI 火”。应该说原岗位能力可以迁移：前端理解用户交互和产品体验，适合做 AI 工具界面和流式体验；后端理解服务稳定性、权限、队列和部署，适合做 RAG 和 Agent 平台；Java 背景可以负责企业系统集成、鉴权、数据同步和服务治理。
#你学历或背景不占优势怎么办？
用项目和作品补。重点不是堆技术名词，而是做出能演示、能讲清、能量化的项目。面试官会看你是否真的理解工程细节：数据怎么来、怎么处理、怎么评测、哪里失败过、如何优化。
#你学到什么程度可以找工作？
至少要能独立完成一个端到端 AI 应用：前端或接口、模型调用、RAG 或 Agent、日志和基础部署。还要能回答核心追问，而不是只照着教程跑通。
#面试表达原则
- 先讲业务问题，再讲技术方案。
- 先讲自己负责什么，再讲团队或工具做了什么。
- 每个技术选择都要有原因，例如为什么用混合召回、为什么加重排、为什么限制 Agent 步数。
- 每个项目都要准备失败案例，真实项目一定会有问题。
- 不懂的地方直接承认，但要说明你会怎么查、怎么验证。
#简历项目分层包装
简历不要只列技术栈，要把项目包装成“问题-方案-职责-指标”。例如不要写“使用大模型实现智能问答”，而要写“面向企业制度文档构建 RAG 问答系统，负责文档解析、混合召回和评测集建设，将人工查询流程缩短到可接受范围”。即使没有真实线上指标，也要有离线评测指标或人工验收标准。
#不同背景的项目建议
| 背景 | 项目方向 | 可突出能力 |
|---|---|---|
| 前端 | AI 对话工作台、流式输出、文档问答 UI | 交互体验、状态管理、可视化 |
| 后端 | RAG 服务、模型网关、Agent 工具服务 | 接口、权限、队列、监控 |
| Java | 企业系统 + AI 助手、工单自动化 | 系统集成、事务、鉴权 |
| 数据方向 | 知识库治理、评测平台、日志分析 | 数据质量、指标、分析 |
| 产品/运营 | AI 工作流、内容生成审核台 | 场景拆解、交付、效果评估 |
#作品集应该有什么
一个有说服力的作品集最好有：可访问 Demo、架构图、核心代码片段、样例数据、评测结果、失败案例和复盘说明。面试官不一定会打开所有内容，但你能拿出来，就说明不是只停留在口头描述。注意不要放敏感数据和真实客户资料。
#STAR 回答模板
Situation：原流程有什么痛点，例如查询慢、人工重复、知识分散。
Task：你负责解决哪一部分，例如检索链路、模型调用、工具编排。
Action：你做了哪些具体技术动作，例如切片、重排、Schema 校验、异步任务。
Result：结果如何验证，例如响应时间、命中率、人工修改率、用户反馈。
#面试前准备清单
准备一份 1 分钟自我介绍、一份 3 分钟项目介绍、一张架构图、一个最熟项目的 20 个追问答案、一个失败案例、一个成本或评测指标。AI 岗位很容易被连续追问，如果只背概念，很快会露怯。
#面向岗位的能力矩阵
不同岗位对“AI 能力”的解释不一样。AI 应用开发看重端到端交付；Agent 工程看重工具编排和权限；RAG 工程看重数据、检索和评测；模型服务看重部署、性能和成本；AI 产品工程看重场景、原型和验收。简历和面试不要一份话术打所有岗位。
| 岗位 | 简历关键词 | 必备项目证据 |
|---|---|---|
| AI 应用开发 | Prompt、RAG、结构化输出、API | 可访问 Demo、接口、日志、评测 |
| Agent 工程 | 工具调用、状态机、HITL、审计 | 多步任务、失败恢复、权限控制 |
| RAG 工程 | 文档解析、Embedding、Hybrid Search、Rerank | 评测集、召回指标、引用准确率 |
| 推理平台 | vLLM、批处理、KV Cache、GPU | 压测报告、延迟、吞吐、成本 |
| AI 产品 | 场景拆解、工作流、人工审核 | 原型、验收标准、用户反馈 |
#作品集架构建议
建议至少准备两个项目：一个 RAG 项目证明数据和检索能力，一个 Agent 或工具项目证明自动化和工程编排能力。每个项目都要有架构图、README、运行步骤、样例问题、评测结果和失败复盘。项目不一定复杂，但要能被追问 30 分钟。
#指标表达方式
没有线上真实数据时，也可以用离线指标。比如 50 个问题的 Recall@5、引用准确率、结构化输出成功率、平均响应时间、单次 Token 成本、人工评审通过率。指标要说明样本规模和采集方式，避免给人“编数字”的感觉。
#面试策略
如果你是转型候选人，先承认自己不是底层模型训练方向，再强调应用工程优势：能理解业务、能写服务、能接系统、能做权限和部署、能用评测证明效果。AI 应用岗位并不要求人人训练大模型，但要求把模型能力落地到稳定系统。
#候选人自检清单
- 能否在 2 分钟内讲清楚这个模块解决什么业务问题、为什么不是简单调用模型 API。
- 能否说清输入、处理、模型调用、后处理、评测、监控、回滚的完整链路。
- 能否给出至少一个真实项目指标，例如召回率、命中率、延迟、Token 成本、人工复核通过率或线上失败率。
- 能否解释一个失败案例：问题如何发现、如何定位、怎么修复、修复后用什么指标验证。
- 能否区分“学习过概念”和“真正落地过系统”，面试回答要用具体约束、权衡和数据支撑。