题目结构说明：每题四部分。考点定位讲面试官为什么这么问、在筛什么人；应对框架讲怎么组织回答，附示例话术，语气按面试现场口语来，别照着念，换成自己项目的数字；追问链拆解按三层展开，第一层问什么、第二层挖什么、第三层压力测试什么，每层给答法要点；避坑是这道题最常见的死法。示例场景以 RAG 知识库和数据分析 Agent 为主，标记：⭐ 高频（出现率过半）、🔥 近两年新增。Q1 开场：「介绍一下你最有代表性的 AI 项目」，90 秒版本怎么讲 ⭐考点定位：这道开放题其实是定调题。面试官在决定后面二十分钟从哪里挖，同时快速判断你有没有结构化表达。90 秒讲不出结构的，后面所有回答都会被默认打折扣。应对框架：用「背景、痛点、方案、结果、钩子」五步，每步一句。背景和痛点各一句就够，方案给两三句，结果必须带数字，最后留一个钩子把追问引向你准备最充分的区域。示例话术：「我讲下企业知识库问答这个项目。背景是公司内部文档两万多篇，散在五个系统里，客服查一次资料平均八分钟。我负责搭了一套 RAG 系统，从文档解析、切分、多路召回到底层问答全链路，线上跑了大半年，现在覆盖七成的客服工单，首答准确率从人工基线的六成提到八成五。中间最有意思的是召回不准的排查过程，您感兴趣的话我可以展开。」追问链拆解：第一层问「为什么挑这个讲」：答影响面最大、端到端归你负责，一句话说清，别扯第二个项目。第二层挖项目背景细节：文档什么类型、什么行业、用户是谁。要点：给构成比例，比如「六成是 PDF 产品手册，两成 Confluence，剩下是表格」，具体到这个程度才像真做过。第三层压力测试「你说的八成五谁测的、怎么测的」：这是在验证你的结果数字。要点：答得出评估方式（人工抽检加 LLM 辅助打分）、样本量、评估频率，和 Q3 呼应。避坑：别把 90 秒讲成五分钟流水账。时间线不是结构，「三月做了什么四月做了什么」是最常见的开场翻车。Q2 第一层追问：「为什么选这个方案？」：技术选型的对比答法 ⭐考点定位：考决策过程而不是结论。面试官想知道这套方案是你权衡出来的，还是照教程抄的。转 AI 的工程师在这里容易被卡，因为「为什么不用微调」几乎是必问的埋伏。应对框架：对比答法三步：先列候选（至少两个，最好三个），再给选择标准（效果、成本、工期、维护），最后承认所选方案的代价。关键是标准要先于结论说出来。示例话术：「当时候选是纯长上下文 prompt、RAG、微调三条路。文档天天在更新，微调追不上，算力成本也高；两万篇塞 context 窗口塞不下，费用也顶不住。所以 RAG 是数据特性决定的。代价是要长期养一套向量库和切分策略，这部分运维成本我们一开始低估了，后面专门花了一个月治理。」追问链拆解：第一层问「RAG 和微调不能结合吗」：答可以叠加但不冲突，事实型知识靠 RAG，表达风格和查询改写靠微调，我们后来对查询改写模块微调过一个 7B 小模型。第二层挖具体组件选型：「向量库为什么选这家、不用 ES」：要点：说混合检索（BM25 加向量）是主因，再挂团队运维经验，比如「ES 8 也支持 kNN，但我们向量侧用了专门库，全文检索单独走 ES，