奇虎 AI Agent开发一面

1. 你做的这个 Agent 平台本质上解决了什么问题

2. 这个平台的盈利模式一般怎么设计

这类平台的盈利模式通常不会只有一种。最基础的是 SaaS 订阅费，按席位数、团队规模或者能力包分层收费；第二层是按量计费，比如图片生成次数、长文生成 token、批量投放建议分析次数；再往上会有企业定制，包括私有化部署、品牌知识库接入、行业规则引擎、审批流打通这些。对于 B 端来说，真正付费的理由一般不是“模型很强”，而是能不能帮他节省人力、缩短交付周期、减少合规风险。

如果面试官更偏业务，我会补一句，平台早期不能只盯订阅收入，还要考虑能不能通过高频场景建立续费能力。很多 AI 平台看起来功能很多，但用户一个月只开两次，那商业模式很难跑通。真正能持续变现的，往往是深度嵌进业务流程里的能力。

3. 这个平台的用户画像你怎么定义

我一般会把用户画像分成直接用户和付费决策者。直接用户通常是品牌运营、广告投手、内容策划、短视频编导这类角色，他们关心的是效率、灵感和可复用性；付费决策者可能是市场负责人、增长负责人或者老板，他们更看重成本节约、转化提升和团队协同效率。两个视角不一样，所以平台设计也不能只围着“生成效果”转。

更细一点的话，我会把用户再拆成成熟团队和中小团队。成熟团队流程长、合规要求高，更需要规则引擎和审批闭环；中小团队反而更在乎开箱即用和快速产出。用户画像如果不分层，最后产品功能就会很散。

4. 做这个平台的核心目标是什么

核心目标不是“把模型接进来”，而是让营销内容生产和投放决策更稳定、更快、更可复用。很多人讲 Agent 平台会只说自动化，但业务真正关心的是三个问题：第一，是否能缩短从需求到上线的时间；第二，是否能降低内容和策略试错成本；第三，是否能把优秀案例沉淀成组织能力。平台如果只能提高一点生成效率，但不能沉淀模板、经验和规则，那业务价值其实很有限。

所以我会把目标定义成：把经验密集型工作部分产品化，把依赖个体经验的能力变成团队可复用资产。这样解释比单纯说“提高效率”更像做过业务。

5. 规则引擎在这种平台里主要解决什么问题

规则引擎最重要的作用，是把那些不适合靠模型自由学习的约束，变成显式规则。比如品牌禁用词、行业合规边界、投放平台限制、价格表述规范、节日活动时间窗、不同渠道的文案长度要求，这些东西如果只靠 prompt 让模型记住，线上迟早会漏。规则引擎的价值在于稳定和可审计，它能把“应该怎么做”和“绝对不能怎么做”明确下来。

另外，规则引擎还能承担一部分决策裁剪功能。不是每个需求都需要大模型深推理，有些场景先走规则过滤和模板匹配，既省成本又更稳。模型适合处理模糊和开放问题，规则适合处理硬边界，这两者配合起来平台才像产品，而不是演示系统。

def check_copy(text):
    banned = ["最便宜", "绝对有效", "100%治愈"]
    for word in banned:
        if word in text:
            return False, f"命中禁用词: {word}"
    return True, "pass"

6. 如果给你一个广告创意平台场景，你会怎么设计 Agent 赋能

我会先按营销工作流拆任务，而不是直接做一个“万能创意 Agent”。比如先做 brief 理解，把目标人群、卖点、预算、平台和时间节点抽出来；再做创意发散，生成多种方向的文案和脚本；然后接素材理解模块，判断现有素材适不适合当前目标；最后接规则审查和投放建议。这样每一层都有边界，也更容易评估。

如果更偏产品化，我会给业务方一个“从需求到执行”的操作面板，而不是一段对话框。因为广告创意不是纯问答任务，它有明确结构，有角色分工，有审批节点。Agent 更适合做流程里的智能节点，而不是试图取代整个平台。

7. 你了解哪些 Python 侧的 Agent 框架，怎么选

我会提 LangGraph、AutoGen、CrewAI、LlamaIndex 这类，但不会停留在名字层面。选框架时我更看重几件事：状态流转是否可控、工具调用是否清晰、日志和回放是否方便、对多 Agent 协作支持得怎样、能不能和现有系统平滑集成。很多框架 demo 做得很快，但一旦进生产环境，问题就出在状态不透明和调试困难。

所以如果是业务平台，我往往更倾向于选可编排性强的框架，甚至自己封一层 orchestrator。框架只是起点，真正上线后，权限、审计、重试、超时、监控这些能力最终都得自己补。