AI 面试与设计题关注如何把概念转化为可表达、可设计、可落地的能力。对于工程师来说，面试中更常考的不是模型公式细节，而是如何设计一个可靠的 AI 应用，如何评估质量，如何处理成本、延迟、安全和数据边界。

1. 面试知识地图

AI 面试与设计题
├─ 基础概念：AI、机器学习、大模型、Token、Embedding
├─ Prompt：结构、示例、输出控制、调试
├─ RAG：切分、向量化、召回、重排、引用、评估
├─ Agent：工具调用、规划、记忆、权限、失控风险
├─ 工程化：流式输出、限流、缓存、降级、监控
├─ 安全治理：注入、泄露、越权、审计
└─ 系统设计：知识库、客服、代码助手、数据分析助手

2. 可以展开的题目

类型	典型问题	考察重点
基础概念	AI、机器学习、深度学习和大模型有什么区别	概念边界
Prompt	如何设计稳定输出 JSON 的 Prompt	输出控制和兜底
RAG	如何设计企业知识库问答系统	检索链路和权限
Agent	Agent 为什么容易失控，如何限制	工具权限和执行边界
工程化	如何降低大模型应用成本和延迟	缓存、模型分级、上下文控制
评估	如何判断 AI 应用效果是否变好	离线评估和线上反馈
安全	如何防止 Prompt 注入和数据泄露	安全治理

本章节目录

• AI基础高频题
• Prompt工程高频题
• RAG系统设计题
• Agent系统设计题
• AI工程化高频题
• AI安全治理高频题

3. 高频设计题方向

3.1 设计企业知识库问答系统

关键回答点：

• 文档采集、清洗、切分和索引。
• Embedding、向量库、关键词检索和混合召回。
• Rerank、上下文拼接、引用来源。
• 用户权限过滤和租户隔离。
• 答案评估、反馈闭环和低置信度拒答。

3.2 设计 AI 客服系统

关键回答点：

• 意图识别和知识库问答。
• 多轮对话状态管理。
• 工单系统和人工转接。
• 敏感问题拒答和合规审核。
• 命中率、解决率、转人工率和满意度评估。

3.3 设计 Agent 工具调用系统

关键回答点：

• 工具注册、Schema 描述和参数校验。
• 工具权限、白名单和高风险动作确认。
• 任务步骤限制和执行日志。
• 工具结果观察、错误处理和重试。
• 人审、审计和回放能力。

4. 答题方法

1. 先说业务目标和成功标准。
2. 再画核心链路，说明输入、处理、输出和反馈。
3. 补充数据、权限、安全和评估。
4. 最后说明成本、延迟、监控和降级方案。

5. Tips 快问快答

Q：AI 面试需要背很多模型论文吗？

A：应用开发岗位通常更看重系统设计、工程落地和风险治理。算法岗位才会更深入考论文、公式和训练细节。

Q：回答 RAG 设计题最容易漏什么？

A：权限过滤、引用来源、质量评估和失败兜底。很多回答只讲向量库，但真实系统远不止向量库。

Q：怎样回答才像有落地经验？

A：不要只说“调用大模型”。要讲清楚数据从哪里来、如何检索、如何评估、如何降级、如何防止越权和如何排查问题。