AI面试相关之蚂蚁国际社招二面（凉凉）

这次面试感觉其实还行，但是到现在也没联系我，估计凉凉了。

这次面试，面试官很侧重于 LLM 在实际业务（特别是销售/营销场景）中的落地能力、工程化思维（如异常处理、耗时分析）以及 Prompt 的精细化控制，这段时间段段学了不了，但是还是感觉差点意思。

一、 业务逻辑与转化率优化 (ROI)

Q1：你们的“线索评分”机制是如何运作的？

• 回答： 基于四个维度进行打分： 1.联系方式完整性（基础门槛）。2.购买意向强度（结合大模型进行意图识别）。3.对话深度（交互轮次）。4.用户主动行为（如主动要求添加销售微信或留下电话）。 综合这些维度给出一个分数，通常分数较高（如大于 70 分）会被判定为高优线索。

Q2：如果出现“线索评分高，但实际转化率低”的情况，你怎么看待？如何提升 ROI？

• 回答： 分为“线索质量”和“ROI/成本控制”两部分来看： 转化漏斗分析： 大模型（AI）只占转化漏斗的前端（约 40%），后续 60% 依赖销售的跟进。线索评分高说明 AI 识别到了意图，但需要优化“线索分发机制”。比如，将高优线索做优先级的排序，第一时间推送给销售，并限制每日推送上限（如限制 200 条），保证销售精力集中在高质量线索上。控制成本提升 ROI： 优化系统策略，从“被动回答”转为“主动发问”引导用户。同时，在对话早期过滤掉明显无意向的用户，不再持续调用大模型，从而节省 Token 成本。

二、 Prompt Engineering 与工程化约束

Q3：场景题（共享屏幕看代码）：如何设计 Prompt，让大模型严格按照指定的 JSON 格式输出，且不包含多余的废话？（这块没法记录了，就文字说一下好了）

• 回答： Prompt 设计分为三部分： System 指令： 明确大模型的角色定位。输出约束： 严格要求仅输出 JSON 格式，不输出任何解释性文本。规则与 Few-shot 示例： 给出明确的逻辑判断规则（例如信息不足时该怎么处理），并提供标准的输入输出示例（Few-shot）。

Q4：如果大模型“幻觉”或者没有严格按格式输出（比如缺失字段、格式乱掉），系统层面如何做兜底和容错处理？

• 回答： 采用“三层校验”机制： 第一层（Prompt 约束）： 通过强指令和 Few-shot 尽量保证一次性输出正确。

第二层（代码级校验）： 拿到结果后，使用正则匹配或 JSON 解析工具提取。如果解析失败，触发重试机制（Retry）或走降级策略。（JSON强校验+正则校验+重试机制+降级策略，这已经是标准答案了）

第三层（业务逻辑校验）： 校验 JSON 内部的关键字段（如手机号）是否真实有效、是否符合业务逻辑要求。如果有关键字段缺失或造假，系统会生成反问话术，让模型再次向用户确认，而不是让模型自己瞎编。

三、 模型参数调优与系统架构

Q5：如果是做实体抽取或确定的逻辑分类任务，你会怎么调整 temperature、top_p 等参数？

• 回答： 对于需要高确定性的任务（如抽取、分类），会将 temperature 调得非常低（例如设为 0.2），避免模型过度发散。top_p 也会做相应限制，确保模型在概率最高的词中进行选择，保证输出的稳定性。

Q6：你简历上提到系统平均耗时是 800ms，这个 800ms 在系统内部的链路分布是怎样的？

• 回答： 详细拆解了耗时链路： 网关/网络层交互：约 20ms。内部业务逻辑（如安全审核、数据库查询）：约 30-50ms。大模型调用（耗时大头）：约 500-600ms。后置结果处理与组装：约 70ms。总体控制在 1 秒以内，并且在 C 端展示时会配合流式输出（Streaming）来优化用户体感。

四、 个人经历与 HR 考察点

Q7：看你 23-24 年在华为待的时间比较短，离职原因是什么？

• 回答： 当时是 OD 编制，主要做的是比较边缘、偏支持性的系统工作（偏 CRUD），核心业务接触不到，为了寻求更好的技术发展空间选择了离职。（我能说我项目被关系户接了？不能说啊，老东家一句不好的话都不能会说）

Q8：现在为什么考虑从百度看机会？

• 回答： 主要是部门面临组织架构调整和裁员优化，整体环境不稳定，所以出来看新的机会。

Q9：你的英语口语和书面能力怎么样？（因为该岗位可能需要对接国际化/跨境卖家业务）

• 回答： 书面阅读和写技术文档没有问题。口语方面属于一般水平，如果是日常或特定场景需要提前准备一下。（面试后的复盘中，你和朋友也确认了英语能力在这个岗位属于加分项）。

面的时候感觉还可以，可能是base差的太大吧，反正到现在也没消息，感觉凉凉了。