AI Knowledge

外观

AI 面试教练项目 极简一问一答 ​

定位｜ AI 面试教练项目 一分钟速答页。每章固定 10 题，只保留结论、机制、边界与验证关键词；单个回答控制在 10～60 秒。

1. 怎么使用 ​

本页重点｜ L1 概念 → L2 边界 → L3 原理 → L4 实现 → L5 工程 → L6 架构 → L7 复盘 → 误区、验证、证据强化。不会展开时，再进入正式主题或专项题库。

图：AI 面试教练项目 十题极简脑图

替代文本： AI 面试教练项目从 L1 概念和 L2 边界，依次进入 L3 原理、L4 实现、L5 工程、L6 架构与 L7 项目复盘，再用误区、最小自测和证据边界三题强化。

图表加载中…

读图结论： 掌握 AI 面试教练项目 不能停在定义；先顺着七层链路说清机制与工程，再用误区、自测和证据边界确认没有虚假掌握。

2. 极简一问一答 ​

Q001｜AI 面试教练真正要解决的核心问题是什么？

核心问题是根据岗位与候选人实时回答，一次提出一道题，从正确点、遗漏、错误和项目证据中选择下一次递进追问，并给出有来源、可解释、可复测的多维反馈。固定题库缺少动态追问，普通聊天模型容易多问、泄露答案、重复或凭直觉评分；成功要由题目匹配、追问相关、评分证据、恢复、安全、延迟和成本共同验证。

Q002｜为什么不能只做普通 LLM 问答，也不能完全放给自由 Agent？

普通单次问答没有跨轮状态、能力覆盖、证据评分和恢复；完全自由 Agent 又可能重复、越级、多问、提前讲答案、修改分数或无法结束。外层应由状态机控制一次一题、轮次、预算、评分规则和终止，RAG 提供可引用事实，Agent 只根据结构化缺口在有限动作中建议追问、澄清、提示、讲解、切题或结束。

Q003｜状态机、RAG、Rubric 和受控 Agent 如何协作完成一轮面试？

状态机先校验 session/round/version，用短事务唯一占位 Round、写 PENDING 与 Outbox，但不直接执行慢模型。Outbox Consumer 至少一次投递后，Worker 原子认领任务，再依次完成回答分析、带权限和版本的 RAG 检索、Rubric 评分与有限动作 Agent 建议；状态机只校验重复、难度、预算和终止，Worker 最后凭有效 lease 与未变化的 session version 事务提交 Round 和 Session。

Q004｜Session、Round、QuestionVersion、Evidence、Outbox 和 Lease 如何设计？

InterviewSession 用 version 乐观锁保存状态与当前 Round，Round(session_id,round_id) 唯一且保存 answer_hash、分析修订和租约，QuestionVersion/RubricVersion 不可变，Evidence 回指回答与文档 Span。接收答案的短事务校验状态，同 Payload 重放返回已有 Round，不同 Payload 冲突并要求显式 revision，同时原子写 PENDING Round 与 Outbox；Consumer 至少一次投递后，Worker 用条件更新原子完成 PENDING→RUNNING，写入 lease token、到期时间和 attempt，并在事务外调用模型、按 token 续租。提交事务必须同时校验 RUNNING、lease token 与接收时的 session version，成功后才保存结果并推进 Session，失败则丢弃旧结果；不能承诺跨模型供应商 exactly-once。

Q005｜评分漂移、提示注入、权限泄露和恢复失败如何排查与治理？

评分漂移先暂停新分数展示并保留历史，固定 answer_hash、回答 Span、模型/Prompt/Rubric/权重/语料/索引版本和发布批次，用冻结答案集做新旧盲评，单变量回退并创建显式 revision；修复后加入门禁和漂移告警。检索文本按不可信数据处理，以来源/版本/权限过滤和引用 Schema 防注入；tenant/user 作用域在 Repo、缓存、RAG、对象存储和异步上下文中由服务端强制；恢复只依赖事件、resume/checkpoint_state 和 version，不依赖页面或模型记忆。

Q006｜如何构建有限动作空间与版本化评测发布架构？

题目以能力图谱定义前置、难度、覆盖、Rubric 和最大追问深度，Agent 动作限制为 ASK_FOLLOWUP/CLARIFICATION/HINT/EXPLAIN/MOVE/FINISH 等枚举，策略层校验 capability、问题指纹、预算和终止。模型、Prompt、题目、Rubric、权重、语料、索引与 Workflow 共同版本化；发布先在含正确/错误/口语/代码/注入/承认不知道的人工标注集做影子评测，再小流量灰度，按质量、延迟、成本和安全决定扩量或回滚。RAG/评分失败时降级到固定题或结构反馈，并明确降低结论强度。

Q007｜当前能否把 AI 面试教练讲成已上线项目？

不能。当前仓库只有项目设计、概念数据模型、伪代码与关联知识文档；没有本项目可执行代码、真实数据库表或迁移、可调用接口、自动化测试、运行 Trace、人工标注集、灰度报告、实测质量/延迟/成本指标或线上事故记录，也没有可验证的个人实现贡献。因此只能说“设计了状态机 + RAG 证据 + Rubric + 受控 Agent 的实现与验证方案”，绝不能包装成上线经历；未来必须用提交记录、接口契约、迁移、测试、Trace 和评测报告逐项升级证据。

Q008｜这个专题最常见的误区是什么？

常见误区有三类：把项目说成“LLM 加题库”，或用回答看起来不错作为验收；让状态机同步执行慢模型、把模型调用放在长事务内，或旧 Worker 丢失 lease 后仍推进 Session；让 Agent 自由生成任意动作，或只看接口成功率决定扩量。

Q009｜怎样做最小自测？

最小自测分三步：用一分钟讲清“状态机 + RAG + Rubric + 受控 Agent”的职责；为 Round 重复提交、不同 Payload、Lease 过期和 Outbox 重投写状态测试；构造正确、部分正确、自信错误、注入和主动承认不知道的评分集。

Q010｜回答这个专题时，证据边界是什么？

当前只有设计与伪代码，没有可执行代码、真实表/接口、测试、Trace 或实测指标，不得包装成上线经历。

3. 总结 ​

一句话记忆： 核心问题是根据岗位与候选人实时回答，一次提出一道题，从正确点、遗漏、错误和项目证据中选择下一次递进追问，并给出有来源、可解释、可复测的多维反馈。

  • 核心问题是根据岗位与候选人实时回答，一次提出一道题，从正确点、遗漏、错误和项目证据中选择下一次递进追问，并给出有来源、可解释、可复测的多维反馈。
  • 评分漂移先暂停新分数展示并保留历史，固定 answer_hash、回答 Span、模型/Prompt/Rubric/权重/语料/索引版本和发布批次，用冻结答案集做新旧盲评，单变量回退并创建显式 revision。
  • 常见误区有三类：把项目说成“LLM 加题库”，或用回答看起来不错作为验收。
  • 当前只有设计与伪代码，没有可执行代码、真实表/接口、测试、Trace 或实测指标，不得包装成上线经历。