# AI 实习求职讲义

更新：2026-09-05

面向研究生的免费讲义。按岗位、知识、案例与实习信息组织。正文为教学整理，外部资料保留作者和来源，使用条件以原站为准。

## 目录

1. [两条职业线，五类工作](https://cv.shujinxing777.com/career/handbook/role-map)

2. [AI 产品：从用户问题到产品机制](https://cv.shujinxing777.com/career/handbook/product)

3. [AI 运营：用户、数据与质量](https://cv.shujinxing777.com/career/handbook/operations)

4. [AI Research：问题、方法和证据](https://cv.shujinxing777.com/career/handbook/research)

5. [AI 开发：把模型接入真实系统](https://cv.shujinxing777.com/career/handbook/engineering)

6. [AI 算法：数据、模型与任务效果](https://cv.shujinxing777.com/career/handbook/algorithms)

7. [六类 AI 产品，三种服务对象](https://cv.shujinxing777.com/career/handbook/product-types)

8. [RAG：从资料到有依据的回答](https://cv.shujinxing777.com/career/handbook/rag)

9. [Agent、工作流与工具调用](https://cv.shujinxing777.com/career/handbook/agents)

10. [评测：让“效果好”有明确含义](https://cv.shujinxing777.com/career/handbook/evaluation)

11. [数据与指标：从回答质量到业务结果](https://cv.shujinxing777.com/career/handbook/metrics)

12. [从公开产品认识大厂 AI 链路](https://cv.shujinxing777.com/career/handbook/company-products)

13. [贯穿案例：一个知识客服如何工作](https://cv.shujinxing777.com/career/handbook/customer-support)

14. [读懂 JD：条件、职责与技术词](https://cv.shujinxing777.com/career/handbook/read-jd)

15. [找实习：信息从哪里来，怎样核对](https://cv.shujinxing777.com/career/handbook/internship)

16. [把经历说清楚：简历与面试资料](https://cv.shujinxing777.com/career/handbook/resume-interview)

17. [岗位分工：一个 AI 应用由谁完成](https://cv.shujinxing777.com/career/handbook/ai-team-map)

18. [产品方案：从用户问题到可验收的功能](https://cv.shujinxing777.com/career/handbook/product-discovery)

19. [AI 运营：知识、标注与质量反馈怎样运转](https://cv.shujinxing777.com/career/handbook/operations-quality)

20. [RAG 详解：从一份资料到一个有依据的回答](https://cv.shujinxing777.com/career/handbook/rag-design)

21. [Agent 详解：模型怎样调用工具完成任务](https://cv.shujinxing777.com/career/handbook/agent-design)

22. [评测详解：怎样判断 AI 真的做对了](https://cv.shujinxing777.com/career/handbook/evaluation-design)

23. [研究与算法：把论文、训练和实验结果接起来](https://cv.shujinxing777.com/career/handbook/research-practice)

24. [寻找实习：从招聘信息到面试问题](https://cv.shujinxing777.com/career/handbook/internship-process)

---

# 两条职业线，五类工作

> 先按工作对象认识产品、运营、Research、开发和算法，再理解它们为什么经常出现在同一条产品链路里。

适合阅读：所有初次了解 AI 实习的读者  
更新：2026-09-05

## “AI”说明技术背景，岗位名称说明责任

“AI 实习”不是单一工种。同一个智能客服系统，既需要确定哪些问题值得自动处理，也需要维护知识、研发接口、优化检索、评价回答。岗位分类首先看日常处理什么问题、最后交付什么结果。专业名称只能提供背景，不能代替对职责的判断。

这里用两条线组织资料：非技术线以产品和运营为主；技术线包含 Research、开发、算法。这是一种阅读导航，不是企业统一采用的组织标准，也不是“完全不需要技术”和“只写代码”的边界。不同团队会让同一人承担交叉职责。

## 五类岗位放在一起看

下面的区别是常见工作重心。对具体机会，应回到 JD 的职责、所属团队和交付物核对。

| 岗位 | 主要问题 | 常见产出 |
| --- | --- | --- |
| AI 产品 | 为谁解决什么问题，产品如何运作 | 需求说明、用户流程、原型、验收口径 |
| AI 运营 | 怎样组织内容、数据和反馈，使服务持续有效 | 标注规则、评测集、反馈分析、运营策略 |
| AI Research | 某种方法是否能推进能力或解释现象 | 研究假设、实验、论文、研究原型 |
| AI 开发 | 怎样把模型和业务系统接起来并稳定运行 | 应用、接口、服务、监控和部署文档 |
| AI 算法 | 怎样通过数据与模型改善特定任务的效果 | 模型、训练流程、评测结果、算法策略 |

## 用一条客服链路理解协作

用户提问后，系统识别问题，从知识库检索材料，生成回答；遇到无法处理的问题转人工。产品定义服务范围和转人工条件；运营维护知识和问题分类；开发实现接口、权限、日志；算法改进检索或生成；Research 可能研究复杂对话或工具使用的新方法。

这条链路不一定配齐五类岗位。小团队可能由产品与工程师共同完成，大团队则会进一步分工。“在 AI 团队工作”也不意味着每个岗位都会训练大模型。

## 读研经历和岗位的连接点

文献阅读、实验设计和论文写作可以帮助理解研究岗，但论文数量本身不能说明工程交付能力。开发经历有助于解释系统实现，但能跑通演示不等于模型方法有创新。产品和运营则更需要把技术现象说清楚，并连接用户问题、过程数据和实际结果。

阅读后续章节时可以反复用三个问题定位：工作对象是什么，交付结果是什么，与谁协作。遇到 Agent、RAG、多模态等词时，先判断它是技术或应用方向，再判断所在岗位的职责。

## 参考资料与出处

- [Seed Early Career](https://seed.bytedance.com/zh/seedearlycareer)（字节跳动 Seed）

- [百度实习职位列表](https://talent.baidu.com/jobs/list?recruitType=INTERN)（百度）

- [Agent 评测漫谈](https://tech.meituan.com/2026/08/07/Agent-Evaluation.html)（美团技术团队）

## 关联阅读

- [AI 产品：从用户问题到产品机制](https://cv.shujinxing777.com/career/handbook/product)

- [AI 运营：用户、数据与质量](https://cv.shujinxing777.com/career/handbook/operations)

- [AI Research：问题、方法和证据](https://cv.shujinxing777.com/career/handbook/research)

- [AI 开发：把模型接入真实系统](https://cv.shujinxing777.com/career/handbook/engineering)

- [AI 算法：数据、模型与任务效果](https://cv.shujinxing777.com/career/handbook/algorithms)

---

# AI 产品：从用户问题到产品机制

> 认识应用产品、平台产品和策略产品的工作差异，理解产品人员为什么要讨论模型边界、评测和成本。

适合阅读：关注产品实习与跨专业求职的读者  
更新：2026-09-05

## 产品工作从场景开始

用户说“希望用 AI 提升效率”，还不是可执行的需求。需要继续确定：谁在什么情境下做什么任务，现有方式在哪里耗时或出错，AI 处理哪一段，结果由谁确认。功能名称是解法的一部分，场景和约束才决定解法是否值得做。

例如研究生需要整理文献，可能真正困难的是筛选主题、理解方法、追踪证据或制作汇报。它们对应不同产品流程。把所有材料放进聊天框并不能同时解决这些问题。

## 同叫产品，服务对象可能不同

平台产品的直接用户往往是开发者或企业管理员；应用产品直接面对业务人员或消费者；策略产品围绕某个业务结果调整规则、模型使用方式和评测标准。一个岗位也可能覆盖多种对象。

| 类型 | 常见工作 | 需要读懂的信息 |
| --- | --- | --- |
| 应用产品 | 对话、任务流程、反馈和异常处理 | 用户行为、任务成功率、模型局限 |
| 平台产品 | 工具配置、发布、权限、观察和计费体验 | API、知识库、工作流、开发者操作 |
| 策略产品 | 分流、排序、模型路由与评价口径 | 样本、错误类型、线上线下指标 |
| 行业产品 | 把领域流程转为可以落地的产品方案 | 业务规则、数据来源、责任和交付边界 |

## AI 产品多出的三个决策

第一是能力边界。生成结果具有不确定性，产品需要说明哪些回答必须有来源、哪些行为需用户确认、哪些失败交给人工。第二是效果定义。一次回答流畅，不代表事实准确或任务完成；评测应与用户要完成的事情对应。第三是资源约束。模型选择、调用次数、响应时间和费用会共同影响体验。

以自动回复为例，“可以生成文字”只证明接口可用；“能正确引用政策、处理信息不足并让人工接手”才描述了完整的服务机制。这些要求需要产品、运营和技术团队共同落实。

## JD 里的词怎样落到日常工作

“用户研究”可能是访谈与行为分析；“模型评测”可能是建立样本、制定判定规则、归纳失败类型；“推进落地”通常涉及需求澄清、设计研发协作和验收。遇到 Builder、AI Coding、Prompt 等词，应继续看是否要求独立原型、具体编程技能或工具使用。

判断实习职责时，把动作词和对象连起来读，例如“分析—用户反馈”“构建—评测集”“设计—工作流”。不要仅凭“AI 产品经理”标题推断岗位完全不涉及技术，也不要把掌握某一个工具当成全部产品工作。

## 用户研究材料应该关注什么

访谈可以帮助了解用户如何完成任务，但“愿不愿意用 AI”这样的泛问很难说明产品需求。更有信息的材料是任务发生的情境、现有步骤、耗时点、例外情况和用户如何判断完成。观察实际过程，还能发现口头描述中遗漏的操作。

Google PAIR 从用户需要与 AI 的价值交点讨论问题选择；Microsoft HAX 提供人机交互准则与设计例子。两者适合补充“如何认识问题和系统行为”，再与岗位中的用户研究、流程设计和体验分析对应。

## 参考资料与出处

- [User Interviews 101](https://www.nngroup.com/articles/user-interviews/)（Maria Rosala、Kara Pernice / NN/g）

- [LLM Bootcamp — Spring 2023](https://fullstackdeeplearning.com/llm-bootcamp/spring-2023/)（The Full Stack / Full Stack Deep Learning）

- [User Needs + Defining Success](https://pair.withgoogle.com/chapter/user-needs/)（Google PAIR）

- [Human-AI eXperience Toolkit](https://www.microsoft.com/en-us/haxtoolkit/)（Microsoft）

- [工作流概述](https://docs.coze.cn/guides_agent_workflow)（扣子）

- [智能体开发平台 ADP 文档](https://intl.cloud.tencent.com/zh/document/product/1254)（腾讯云）

- [千帆大模型平台文档](https://cloud.baidu.com/doc/qianfan-docs/s/0m8r1domp)（百度智能云）

- [百度实习职位列表](https://talent.baidu.com/jobs/list?recruitType=INTERN)（百度）

## 对应经验原帖

- [百度文心一言AI产品面经](https://www.nowcoder.com/discuss/796074462360641536)｜Fauna_Blanc｜2025-09-12｜AI 产品 · 业务一面

- [小米AI策略产品面经](https://www.nowcoder.com/feed/main/detail/60becb16810e411796bc6ccda6815b35)｜Fauna_Blanc｜2025-10-24｜语音助手 · 策略产品

- [蚂蚁ai产品实习一面分享](https://www.nowcoder.com/feed/main/detail/50694c1390a54107bf36d180e4df2975)｜Ori12｜页面显示 05-01，未显示年份｜AI 产品 · 场景与评测

- [美团大模型产品转正实习面经（已offer）](https://www.nowcoder.com/feed/main/detail/2550761776d8461ab8aea206ff2db36f)｜美团专业内推官｜2025-03-25｜大模型产品 · 转正实习

## 关联阅读

- [六类 AI 产品，三种服务对象](https://cv.shujinxing777.com/career/handbook/product-types)

- [读懂 JD：条件、职责与技术词](https://cv.shujinxing777.com/career/handbook/read-jd)

- [评测：让“效果好”有明确含义](https://cv.shujinxing777.com/career/handbook/evaluation)

- [贯穿案例：一个知识客服如何工作](https://cv.shujinxing777.com/career/handbook/customer-support)

---

# AI 运营：用户、数据与质量

> 区分产品运营、数据运营、评测运营和内容安全，认识它们各自处理的材料、标准与反馈。

适合阅读：关注运营、评测、数据类实习的读者  
更新：2026-09-05

## 运营岗位并不只有拉新

AI 产品运营可能关注用户为什么来、为什么留下；数据运营关注训练或评测材料如何获得和整理；评测运营关注输出好坏如何被一致判断；内容安全则关注风险类别、处理规则和案例复盘。它们使用的数据有重叠，但目标不同。

招聘标题中的“模型运营”“AI 训练师”也不能直接决定技术门槛。有的工作重心是文本判断与规则维护，有的需要 SQL、Python 或领域知识，应以任务描述为准。

## 从输入到产出看四种工种

分类用于帮助阅读 JD，不代表每家企业都设置独立岗位。

| 方向 | 输入材料 | 常见产出 |
| --- | --- | --- |
| 产品与用户运营 | 使用记录、访谈、反馈 | 用户问题分析、触达与留存策略 |
| 数据运营 | 原始内容、采集需求、标注规则 | 整理后的数据、质量统计、更新机制 |
| 评测运营 | 问题集、模型答案、评价标准 | 标注结果、差异分析、错误分类 |
| 内容安全运营 | 规则、风险样本、申诉反馈 | 风险分类、处置建议、规则修订 |

## 一个回答为什么会得到不同评价

假设用户问“这项服务能否退款”。回答语气很好，但引用了过期规则。只看表达可得到高分，只看事实则应该判错。如果不同标注者各自理解“好答案”，最后汇总的分数就难以用于比较。

因此评价表要拆出事实、完整性、来源、语气等维度，并配上判定样例。争议样本需要讨论是规则不清、题目缺少信息，还是标注理解不同。解决争议的结果可以反过来改善规范，而不仅是把分数平均。

## 运营如何连接产品改进

把低分样本整理成可处理的问题类型，比单独报告“满意度下降”更有用。知识过期需要维护内容，检索偏离需要检查检索链路，界面不清晰可能需要改交互，模型越权使用工具则需产品和工程重新明确动作边界。

业务效果也要与工作目标一致。拉新看触达和激活，知识维护看覆盖与更新，评测看判定规则与错误分布。不同工作不能共用一个笼统的“准确率”。

## 参考资料与出处

- [Your AI Product Needs Evals](https://hamel.dev/blog/posts/evals/)（Hamel Husain）

- [User Interviews 101](https://www.nngroup.com/articles/user-interviews/)（Maria Rosala、Kara Pernice / NN/g）

- [Agent 评测漫谈](https://tech.meituan.com/2026/08/07/Agent-Evaluation.html)（美团技术团队）

- [LangSmith Evaluation](https://docs.langchain.com/langsmith/evaluation)（LangChain）

- [Machine Learning Crash Course](https://developers.google.com/machine-learning/crash-course)（Google）

- [The SQL Language](https://www.postgresql.org/docs/current/tutorial-sql.html)（PostgreSQL）

## 对应经验原帖

- [字节跳动数据运营日常实习面试](https://ac.nowcoder.com/discuss/433123)｜Camouflaged｜2020-05-28（编辑日期）｜数据运营 · 数据质量与标注标准

- [字节数据运营面经](https://www.nowcoder.com/discuss/796319639306248192?sourceSSR=dynamic)｜ButtercupGlimmer｜2025-09-13｜数据运营 · 业务分析

- [字节面经-字节运营岗面经-01](https://api-cdn.nowcoder.com/discuss/924099496047280128?sourceSSR=enterprise)｜林小白zii｜页面显示 09-01；条目含 2026 年面试日期｜AI 数据、模型与服务运营 · 汇编

- [运营小白 字节跳动某频道运营实习生面经，已offer](https://ac.nowcoder.com/discuss/436314?channel=-1&ncTraceId=9cbc975b9810404eb129b0135b3b0fa3.248.17369598512043794&source_id=discuss_terminal_discuss_sim_nctrack)｜牛客34414447号｜2020-06-05｜内容运营 · 跨专业实习历史样本

## 关联阅读

- [评测：让“效果好”有明确含义](https://cv.shujinxing777.com/career/handbook/evaluation)

- [数据与指标：从回答质量到业务结果](https://cv.shujinxing777.com/career/handbook/metrics)

- [贯穿案例：一个知识客服如何工作](https://cv.shujinxing777.com/career/handbook/customer-support)

- [读懂 JD：条件、职责与技术词](https://cv.shujinxing777.com/career/handbook/read-jd)

---

# AI Research：问题、方法和证据

> 理解研究实习的工作对象，以及论文、复现、消融和研究原型之间的关系。

适合阅读：希望了解研究型实习的硕士生  
更新：2026-09-05

## 研究岗在研究什么

Research 通常围绕尚未充分解决的问题提出方法并开展实验。对象可以是基础模型训练、推理、多模态、强化学习、具身智能或科学问题。公开研究招聘专题展示的是方向集合，具体岗位仍可能限制学历、研究经历或入职时间。

研究实习并不自动等于发论文，也不是所有技术实习的更高一级。一个岗位可能以论文为导向，也可能以方法验证、实验基础设施或研究原型为主要产出。

## 一条研究链路怎样串起来

先理解现有方法解决了什么和没解决什么，再把观察转成能被实验回答的问题。接着确定比较对象、数据和评价方式，实现方法并分析结果。最后区分观察事实、可能解释和结论适用范围。

例如某方法在长文档任务上失效，原因可能是检索、上下文长度、推理或评测设置。仅替换更大的模型并报告更高分数，通常还没有回答“为什么”。研究价值需要结合问题、对照与解释判断。

- 复现：在说明的条件下重做已有方法，理解其实现和结果。
- 基线：用于比较的方法；条件差异会影响比较是否公平。
- 消融：改变或移除一个部分，观察其对结果的影响。
- 误差分析：查看失败发生在哪些样本和条件，而不只报告平均分。

## Research 与算法、开发的交叉

研究岗可能写大量工程代码，算法岗也可能发表论文；不能仅根据“是否写论文”划线。更重要的是团队首先期待解决新方法问题、业务任务效果问题，还是系统可用性问题。

Research Engineer 等名称尤其需要逐条读职责。有的重点是训练与实验系统，有的同时承担方法实现和研究。招聘标题是入口，不是完整的职责说明。

## 如何阅读研究招聘信息

查看具体研究主题、论文或代码要求、工具栈、计算资源相关经验以及毕业时间条件。把自己的文献、实验和实现经验对应到实际对象，例如“做过多模态”需要继续解释处理什么模态、什么任务、什么模型和评价方法。

公开论文和代码能帮助认识团队研究对象，但不能证明某个导师或团队当前还有名额。投递状态与学术方向应分开核对。

## 参考资料与出处

- [CS224N: Natural Language Processing with Deep Learning](https://web.stanford.edu/class/cs224n/)（Stanford / 2026 课程团队）

- [CS231n: Deep Learning for Computer Vision](https://cs231n.stanford.edu/)（Stanford / 2026 课程团队）

- [Seed Early Career](https://seed.bytedance.com/zh/seedearlycareer)（字节跳动 Seed）

- [LLM Course](https://huggingface.co/learn/llm-course/chapter1/1)（Hugging Face）

- [CS336: Language Modeling from Scratch](https://cs336.stanford.edu/)（Stanford）

- [Cross-validation: evaluating estimator performance](https://scikit-learn.org/stable/modules/cross_validation.html)（scikit-learn）

## 对应经验原帖

- [百度大模型算法实习生 一面](https://www.nowcoder.com/feed/main/detail/e90de24cd51f42918df7044adb34fbaf)｜长行莫倦｜2025-08-22｜大模型算法 · 实习一面

- [整理下近期的大模型日常实习面经](https://www.nowcoder.com/feed/main/detail/44b2baec47c740c4b9bccb8a013abd56)｜大模型丁真｜2025-05-07｜字节、百度、快手 · 多场实习复盘

- [MSRA Intern面经](https://www.nowcoder.com/discuss/353156718697848832)｜dogfar｜2020-08-08｜研究院实习 · 系统问题历史样本

## 关联阅读

- [AI 算法：数据、模型与任务效果](https://cv.shujinxing777.com/career/handbook/algorithms)

- [评测：让“效果好”有明确含义](https://cv.shujinxing777.com/career/handbook/evaluation)

- [找实习：信息从哪里来，怎样核对](https://cv.shujinxing777.com/career/handbook/internship)

- [把经历说清楚：简历与面试资料](https://cv.shujinxing777.com/career/handbook/resume-interview)

---

# AI 开发：把模型接入真实系统

> 从应用开发到推理和平台工程，理解接口、数据、状态、工具和上线运行分别意味着什么。

适合阅读：关注 AI 应用、Agent、平台研发的读者  
更新：2026-09-05

## 模型调用只是系统中的一步

一个文档问答应用需要处理文件上传、内容解析、检索、模型请求、引用展示和错误反馈。多人使用时，还涉及账号、权限、存储、并发和费用。开发工作的对象是整个运行系统，而不是只有调用模型的那几行代码。

不同岗位的技术深度差异很大。应用开发偏接口和产品实现，推理工程更关注模型服务性能，平台研发可能关注资源管理和通用能力。掌握一个框架并不自动覆盖这些方向。

## 三种常见开发对象

平台与基础设施的划分在不同团队中可能交叉。

| 方向 | 主要对象 | 常见问题 |
| --- | --- | --- |
| AI 应用 / Agent 开发 | 界面、业务接口、知识与工具 | 任务流程能否完成，失败能否被理解 |
| 推理与模型服务 | 模型加载、批处理、缓存、资源 | 延迟、吞吐、显存与费用如何平衡 |
| AI 平台 / Infra | 训练或部署平台、作业和监控 | 资源如何调度，服务如何被稳定使用 |

## 为什么需要状态和观察记录

Agent 在多步任务中必须知道已经取得哪些信息、调用过哪些工具、还有什么未完成。工具失败、结果为空和信息不足是不同情况。如果只展示最终一句话，开发者很难判断故障出在模型、接口还是流程。

观察记录可以串起一次请求的检索结果、工具参数、返回信息与最终输出。它服务于调试、质量分析和运行管理。涉及用户数据时，记录范围和访问权限也属于实现的一部分。

## MCP 和框架放在哪一层

MCP 用来描述应用与外部工具、资源之间的连接方式；它不是基础模型，也不会自动提高答案质量。Agent 框架帮助组织执行流程，知识库工具帮助处理检索。这些工具减轻部分实现工作，但产品边界、评价标准和业务接口仍需定义。

阅读 JD 时优先确认语言与系统要求，再看框架名。岗位要求“熟悉 RAG”，可能意味着能解释切分、检索、引用与评测；只会导入文件通常不足以说明整条链路。

## 参考资料与出处

- [Building LLM applications for production](https://huyenchip.com/2023/04/11/llm-engineering.html)（Chip Huyen）

- [AI Agents for Beginners](https://github.com/microsoft/ai-agents-for-beginners)（Microsoft 与贡献者）

- [MCP Architecture](https://modelcontextprotocol.io/docs/learn/architecture)（Model Context Protocol）

- [Agents Course](https://huggingface.co/learn/agents-course/unit0/introduction)（Hugging Face）

- [Generative AI for Beginners](https://github.com/microsoft/generative-ai-for-beginners)（Microsoft）

- [Knowledge](https://docs.dify.ai/en/cloud/use-dify/knowledge/readme)（Dify）

- [Learn the Basics](https://docs.pytorch.org/tutorials/beginner/basics/intro.html)（PyTorch）

## 对应经验原帖

- [面经](https://www.nowcoder.com/feed/main/detail/aca039781c9246b2a641bc3154f7c276?sourceSSR=dynamic)｜Showieee｜页面显示 09-02；面试写为 9.1，未显示年份｜雷鸟创新 · 软件开发实习

- [26届秋招字节后端二+三面速通面经详细版（附timeline）](https://ac.nowcoder.com/discuss/1554249?type=0)｜嵐jlu｜2025-10-09｜后端开发 · 校招流程复盘

- [MSRA Intern面经](https://www.nowcoder.com/discuss/353156718697848832)｜dogfar｜2020-08-08｜研究院实习 · 系统问题历史样本

## 关联阅读

- [RAG：从资料到有依据的回答](https://cv.shujinxing777.com/career/handbook/rag)

- [Agent、工作流与工具调用](https://cv.shujinxing777.com/career/handbook/agents)

- [评测：让“效果好”有明确含义](https://cv.shujinxing777.com/career/handbook/evaluation)

- [读懂 JD：条件、职责与技术词](https://cv.shujinxing777.com/career/handbook/read-jd)

---

# AI 算法：数据、模型与任务效果

> 把大模型、视觉、多模态、搜推广等方向放回具体任务，区分训练、微调、推理和效果评价。

适合阅读：关注算法实习与技术方向的读者  
更新：2026-09-05

## 算法方向首先由任务决定

图像识别、语音转写、文档理解、内容推荐和文本生成都可能使用深度学习，但数据结构、模型、指标与上线条件不同。招聘中的“大模型算法”也可能细分为预训练、后训练、推理、多模态或特定业务应用。

选读资料时，应先明确输入是什么、期望输出是什么、错误怎样判断。这样才知道一篇教程或论文与某个岗位是否有关。把所有热门模型名称列在一起，会掩盖任务差异。

## 从数据到部署的几个环节

数据准备包括清洗、标注和切分；训练通过数据更新参数；微调是在已有模型上继续适配；推理是使用模型产生输出；部署是让推理能力被系统持续调用。算法工程师可能参与全部或其中一部分。

| 任务例子 | 输入 → 输出 | 常见评价角度 |
| --- | --- | --- |
| 文本分类 | 文本 → 类别 | 精确率、召回率、不同类别表现 |
| 推荐排序 | 用户与候选内容 → 排序 | 离线排序质量、线上业务效果 |
| 文档抽取 | 文档 → 结构化字段 | 字段正确率、遗漏与格式合规 |
| 多模态问答 | 图片及问题 → 答案 | 视觉事实、问题理解、回答依据 |

## 一个高分为什么还不够

随机切分可能让同一用户、病人或文档的相似样本出现在训练和测试中，导致评价过于乐观。时间相关任务还要考虑未来信息是否泄漏。评价设计需要符合真实使用场景，而不是只选择方便的切分方式。

比较两个模型时，还要说明数据、版本、参数设置和评价规则是否一致。平均分上升可能同时伴随某些关键场景下降；延迟和资源需求也可能影响使用。

## 与产品策略、Research 如何协作

算法负责改善特定任务效果时，需要产品说明业务目标，运营提供有效样本，开发提供服务环境。推荐系统中，候选生成、评分和重排形成不同环节；业务约束可能与相关性共同决定最终展示。

Research 更可能从通用问题出发研究方法，业务算法更可能从场景指标出发。二者共享数学、代码和实验方法，但岗位期待并不完全相同。

## 参考资料与出处

- [Dive into Deep Learning / 动手学深度学习](https://d2l.ai/)（Aston Zhang、Zachary C. Lipton、Mu Li、Alexander J. Smola）

- [开源大模型食用指南](https://github.com/datawhalechina/self-llm)（Datawhale 与社区贡献者）

- [Hello 算法](https://www.hello-algo.com/)（靳宇栋（krahets）与贡献者）

- [Cross-validation: evaluating estimator performance](https://scikit-learn.org/stable/modules/cross_validation.html)（scikit-learn）

- [Machine Learning Crash Course](https://developers.google.com/machine-learning/crash-course)（Google）

- [Recommendation systems overview](https://developers.google.com/machine-learning/recommendation/overview)（Google）

- [LLM Course](https://huggingface.co/learn/llm-course/chapter1/1)（Hugging Face）

## 对应经验原帖

- [百度大模型算法实习生 一面](https://www.nowcoder.com/feed/main/detail/e90de24cd51f42918df7044adb34fbaf)｜长行莫倦｜2025-08-22｜大模型算法 · 实习一面

- [整理下近期的大模型日常实习面经](https://www.nowcoder.com/feed/main/detail/44b2baec47c740c4b9bccb8a013abd56)｜大模型丁真｜2025-05-07｜字节、百度、快手 · 多场实习复盘

- [字节-tac-二面面经记录（实习面试）](https://www.nowcoder.com/feed/main/detail/ddfcfae15432465bb30f0573fe204dc5?sourceSSR=enterprise)｜老辣鸡了｜2025-05-09（搜索记录；页面显示 05-09）｜搜推业务 · 交叉面

## 关联阅读

- [AI Research：问题、方法和证据](https://cv.shujinxing777.com/career/handbook/research)

- [数据与指标：从回答质量到业务结果](https://cv.shujinxing777.com/career/handbook/metrics)

- [评测：让“效果好”有明确含义](https://cv.shujinxing777.com/career/handbook/evaluation)

- [把经历说清楚：简历与面试资料](https://cv.shujinxing777.com/career/handbook/resume-interview)

---

# 六类 AI 产品，三种服务对象

> 将产品形态与服务对象分开看，理解 Agent、平台、策略、评测、行业方案和 AIGC 的边界。

适合阅读：产品与运营读者，及希望理解业务的技术读者  
更新：2026-09-05

## 分类有两个维度

“做什么产品”和“为谁服务”是两个维度。一个知识助手可以提供给公众、企业客户或公司内部员工，三者都可能使用 RAG，但购买方式、权限、使用频率和验收标准不同。不能看到 Agent 这个词就认为岗位经验完全相同。

以下六类是本讲义的整理口径，用来阅读岗位和案例，并非穷尽所有产品，也不是互斥分类。比如行业客服同时可能包含 Agent、评测平台和内部运营工具。

## 六类产品的工作重心

读招聘信息时，先找产品对象，再找岗位承担的那一段。

| 产品类别 | 核心问题 | 常见岗位关键词 |
| --- | --- | --- |
| AI 应用与 Agent | 如何完成一项用户任务 | AI 产品、Agent、工作流、工具调用 |
| 模型与开发平台 | 怎样让他人方便地构建和运行 AI | 平台产品、模型服务、知识库、API |
| 搜索推荐与策略 | 怎样检索、排序、分流和决策 | 策略产品、搜索、推荐、评测集 |
| 评测与安全产品 | 怎样观察并管理模型质量与风险 | 评测平台、数据闭环、安全策略 |
| 行业解决方案 | 怎样嵌入具体行业的真实流程 | 行业产品、企业服务、解决方案 |
| AIGC 内容与商业化 | 怎样生成、编辑并使用内容 | 图片视频、创作工具、内容产品 |

## 外部与内部应用有哪些真实差异

面向个人用户的应用通常更关注快速上手、反馈和重复使用；企业产品常涉及管理员、业务用户、系统集成和交付；内部工具可能以某个部门的流程、数据权限和节省的操作为核心。这些是常见关注点，不是固定规则。

一个研发内部知识助手的产品实习生，可能主要访谈员工、整理知识来源和定义回答依据；面向公众的内容生成产品则可能更多研究创作过程、分享与内容消费。技术词相近，不代表用户研究可以直接照搬。

## 用文档观察产品，不猜测内部组织

扣子工作流、腾讯 ADP、百度千帆的公开文档能帮助观察应用构建涉及哪些对象，例如知识、工具、节点和发布流程。这些是公开产品能力。公司内部团队怎样分工、某岗位具体归属哪条业务线，需要招聘原文或团队信息支持。

产品拆解可按“用户—输入—处理链路—输出—异常—评价”书写。比功能清单多问一步：这个功能帮助谁完成什么任务，失败时用户还能做什么。

## 参考资料与出处

- [工作流概述](https://docs.coze.cn/guides_agent_workflow)（扣子）

- [智能体开发平台 ADP 文档](https://intl.cloud.tencent.com/zh/document/product/1254)（腾讯云）

- [千帆大模型平台文档](https://cloud.baidu.com/doc/qianfan-docs/s/0m8r1domp)（百度智能云）

- [Knowledge](https://docs.dify.ai/en/cloud/use-dify/knowledge/readme)（Dify）

## 对应经验原帖

- [富途AI产品经理日常实习二面](https://www.nowcoder.com/feed/main/detail/34d7ed816cac425da58f4dd35210d913)｜刘下苍茫｜2025-05-22｜内部 AI 应用 · 日常实习

- [小米AI策略产品面经](https://www.nowcoder.com/feed/main/detail/60becb16810e411796bc6ccda6815b35)｜Fauna_Blanc｜2025-10-24｜语音助手 · 策略产品

- [蚂蚁ai产品实习一面分享](https://www.nowcoder.com/feed/main/detail/50694c1390a54107bf36d180e4df2975)｜Ori12｜页面显示 05-01，未显示年份｜AI 产品 · 场景与评测

- [腾讯- AI产品实习面经 喜提人才库](https://www.nowcoder.com/feed/main/detail/26f18f2c96404679aa03539c219755ce?sourceSSR=users)｜Stella_Chiara｜页面显示 03-09，未显示年份｜AI 产品 · 形态与体验

## 关联阅读

- [AI 产品：从用户问题到产品机制](https://cv.shujinxing777.com/career/handbook/product)

- [从公开产品认识大厂 AI 链路](https://cv.shujinxing777.com/career/handbook/company-products)

- [贯穿案例：一个知识客服如何工作](https://cv.shujinxing777.com/career/handbook/customer-support)

- [读懂 JD：条件、职责与技术词](https://cv.shujinxing777.com/career/handbook/read-jd)

---

# RAG：从资料到有依据的回答

> 顺着文档处理、检索和生成理解知识库问答，区分没找到、找错了和回答错了。

适合阅读：所有需要理解知识库应用的读者  
更新：2026-09-05

## 为什么需要检索

模型自身的参数并不是实时业务数据库。面对产品政策、企业文件或持续更新的知识，可以先检索相关材料，再把材料和问题交给模型生成答案。这就是检索增强生成的基本思路。RAG 通常不通过这一步更新模型参数。

它可以为答案提供材料，但不保证回答自动正确。文档过期、解析错误、检索遗漏或模型误解都可能造成问题。产品仍需展示依据，并明确材料不足时怎样回答。

## 一条典型链路

资料进入系统后，先转成可处理文本，再按结构切分并建立索引。用户提问时，系统查找候选片段，可进一步重排，然后把选中的证据放入上下文生成回答。生成后还要考虑引用、信息不足和用户反馈。

| 环节 | 在处理什么 | 常见问题 |
| --- | --- | --- |
| 导入与解析 | PDF、网页、表格等原始资料 | 表格错行、图片文字丢失、文档过期 |
| 切分与索引 | 适合被检索的内容片段 | 上下文断裂、片段过长或过短 |
| 检索与重排 | 问题相关的候选证据 | 关键词相同但含义不同、必要证据遗漏 |
| 生成与引用 | 基于证据组织答案 | 扩写出材料没有的结论、引用错配 |

## 一个知识问答的排查例子

教学示例：用户问“晚到一天还能申请吗”，系统回答可以，但现行通知明确截止。先看现行通知是否在库中；如果有，再看检索有没有找到；如果找到了，再看模型是否使用了它；最后检查页面是否把旧答案缓存展示给用户。

这四种原因分别涉及知识更新、检索、生成和应用实现。只换更大的模型可能无法解决前三种之外的问题；只看最后一句话也难以区分责任环节。

## RAG 与微调、Agent 的关系

RAG 侧重给模型补充当前任务的外部材料；微调侧重用训练改变模型行为；Agent 侧重在任务中选择并执行行动。它们可以组合：Agent 调用检索工具获取资料，模型也可能经过微调。

知识库变化频繁时，可以先检查内容维护与检索方案；输出格式或特定任务行为需要稳定适配时，才进一步分析训练是否合适。选择取决于问题和评价结果，而不是把所有技术叠加。

## 参考资料与出处

- [LLM Cookbook：面向开发者的大模型手册](https://github.com/datawhalechina/llm-cookbook)（Datawhale / 基于 DeepLearning.AI 课程的中文翻译与实践）

- [Knowledge](https://docs.dify.ai/en/cloud/use-dify/knowledge/readme)（Dify）

- [动手学大模型应用开发](https://github.com/datawhalechina/llm-universe)（Datawhale）

- [Semantic Search](https://www.sbert.net/examples/sentence_transformer/applications/semantic-search/README.html)（Sentence Transformers）

- [LLM Course](https://huggingface.co/learn/llm-course/chapter1/1)（Hugging Face）

## 对应经验原帖

- [富途AI产品经理日常实习二面](https://www.nowcoder.com/feed/main/detail/34d7ed816cac425da58f4dd35210d913)｜刘下苍茫｜2025-05-22｜内部 AI 应用 · 日常实习

- [美团大模型产品转正实习面经（已offer）](https://www.nowcoder.com/feed/main/detail/2550761776d8461ab8aea206ff2db36f)｜美团专业内推官｜2025-03-25｜大模型产品 · 转正实习

- [字节面经-字节运营岗面经-01](https://api-cdn.nowcoder.com/discuss/924099496047280128?sourceSSR=enterprise)｜林小白zii｜页面显示 09-01；条目含 2026 年面试日期｜AI 数据、模型与服务运营 · 汇编

## 关联阅读

- [Agent、工作流与工具调用](https://cv.shujinxing777.com/career/handbook/agents)

- [评测：让“效果好”有明确含义](https://cv.shujinxing777.com/career/handbook/evaluation)

- [贯穿案例：一个知识客服如何工作](https://cv.shujinxing777.com/career/handbook/customer-support)

- [AI 开发：把模型接入真实系统](https://cv.shujinxing777.com/career/handbook/engineering)

---

# Agent、工作流与工具调用

> 从固定步骤与动态决策的区别理解 Agent，认识工具、状态、权限和停止条件。

适合阅读：产品、运营、开发共同阅读  
更新：2026-09-05

## 工作流和 Agent 的区别

工作流通常由设计者预先确定主要步骤与分支；Agent 则让模型根据任务和反馈选择部分下一步行动。二者之间存在连续谱：固定流程里可以有模型节点，Agent 也可以调用预先定义的子流程。

是否叫 Agent 不决定系统价值。任务步骤稳定、要求明确时，简单流程可能更容易控制；需要根据中间结果调整行动时，动态决策才有具体用途。复杂度应与任务相匹配。

## 一次行动怎样发生

教学示例：差旅助手先理解目的地和时间，发现缺少预算便询问用户；随后调用查询工具获取选项，比较结果，再展示建议。查询与实际下单是不同动作。涉及支付、预订或修改记录时，应按产品规则取得明确确认。

工具调用并不是模型自己拥有全部外部信息。应用需要提供工具说明和接口，模型给出调用意图与参数，系统执行后将结果返回。工具失败、无结果和参数错误需要被正确解释。

## 拆解 Agent 时看六个对象

这六个对象可以帮助产品和技术读者使用同一种语言讨论系统。

| 对象 | 要说明的内容 |
| --- | --- |
| 任务 | 用户想得到什么，完成条件是什么 |
| 工具 | 可访问什么信息，可执行什么动作 |
| 状态 | 已知事实、执行进度和未完成事项 |
| 决策 | 下一步由规则还是模型决定 |
| 边界 | 哪些动作需要确认，哪些任务不处理 |
| 结束 | 何时返回结果，何时解释失败或交给人工 |

## 怎样判断 Agent 是否有效

回答流畅不能证明任务成功。需要看它是否选择正确工具、传入合理参数、理解返回内容，并完成目标。一个最终答案正确但中间执行了不允许的动作的系统，也不能仅按答案给高分。

成本与延迟同样重要。重复搜索、无效循环和过长的行动链会影响体验。评测除了结果，还应观察过程中的关键动作；这些观察可以为产品流程、工具设计和模型选择提供依据。

## 参考资料与出处

- [Hello-Agents：从零开始构建智能体](https://github.com/datawhalechina/hello-agents)（Datawhale / 陈思州、孙韬等贡献者）

- [LLM Powered Autonomous Agents](https://lilianweng.github.io/posts/2023-06-23-agent/)（Lilian Weng）

- [Building effective agents](https://www.anthropic.com/engineering/building-effective-agents)（Anthropic）

- [Agents Course](https://huggingface.co/learn/agents-course/unit0/introduction)（Hugging Face）

- [MCP Architecture](https://modelcontextprotocol.io/docs/learn/architecture)（Model Context Protocol）

- [工作流概述](https://docs.coze.cn/guides_agent_workflow)（扣子）

## 对应经验原帖

- [腾讯- AI产品实习面经 喜提人才库](https://www.nowcoder.com/feed/main/detail/26f18f2c96404679aa03539c219755ce?sourceSSR=users)｜Stella_Chiara｜页面显示 03-09，未显示年份｜AI 产品 · 形态与体验

- [面经](https://www.nowcoder.com/feed/main/detail/aca039781c9246b2a641bc3154f7c276?sourceSSR=dynamic)｜Showieee｜页面显示 09-02；面试写为 9.1，未显示年份｜雷鸟创新 · 软件开发实习

## 关联阅读

- [评测：让“效果好”有明确含义](https://cv.shujinxing777.com/career/handbook/evaluation)

- [RAG：从资料到有依据的回答](https://cv.shujinxing777.com/career/handbook/rag)

- [贯穿案例：一个知识客服如何工作](https://cv.shujinxing777.com/career/handbook/customer-support)

- [AI 开发：把模型接入真实系统](https://cv.shujinxing777.com/career/handbook/engineering)

---

# 评测：让“效果好”有明确含义

> 区分模型评测、系统评测、离线评价和线上效果，理解样本、判定标准与错误分析。

适合阅读：五类岗位都需要的共同基础  
更新：2026-09-05

## 先确定评价对象

评测一个模型的回答能力，与评测一套客服系统能否解决用户问题，是不同任务。后者还受到知识库、工具、流程、界面和人工交接影响。评测对象不清楚，分数就很难被解释。

可以把一句“回答更好了”拆成事实是否正确、需求是否完整覆盖、引用是否支持结论、工具是否执行成功，以及用户问题是否真正解决。并非每个场景都需要同一组维度。

## 评测集与评分规则

评测集应包含常见场景，也要包含与产品相关的困难场景：信息不全、资料冲突、工具失败等。只使用容易回答的问题，会高估效果。来自真实使用的数据需在获得适当使用权限并处理个人信息后再使用。

判定规则应说明什么算正确、部分正确和失败，并提供例子。客观字段可以用确定性规则比较；复杂回答可以由人工或模型辅助判定，但模型评分也需要用人工样本核对，不能把评分器的输出当成天然标准。

## 把失败归到能处理的地方

教学示例：知识客服的十个失败回答，可以继续区分知识缺失、检索遗漏、证据误读、格式错误和工具故障。这里的数字只说明分类方法，不是实验结果。

| 失败类型 | 需要补看的材料 | 可能涉及的角色 |
| --- | --- | --- |
| 知识缺失 / 过期 | 资料版本、覆盖范围 | 运营、产品 |
| 检索未找到 | 查询和候选片段 | 算法、开发 |
| 有证据却答错 | 上下文与生成结果 | 算法、产品、评测 |
| 动作未完成 | 工具调用及返回 | 开发、产品 |
| 评分争议 | 评分说明与标注样例 | 运营、评测负责人 |

## 离线好，不一定线上好

离线评测使用固定样本，便于比较版本；线上使用会出现新的用户、输入和环境。离线准确率提高，仍可能伴随回答变慢、费用增加或操作步骤变多。线上业务指标则会受流量、渠道、季节等影响，不能简单归因于模型变化。

因此报告应同时说明评价对象、样本范围、判定规则、版本和限制。真实招聘中的“搭建评测体系”往往比做一张评分表更广，可能覆盖数据组织、标准、执行与问题回流。

## 参考资料与出处

- [Your AI Product Needs Evals](https://hamel.dev/blog/posts/evals/)（Hamel Husain）

- [Agent 评测漫谈](https://tech.meituan.com/2026/08/07/Agent-Evaluation.html)（美团技术团队）

- [LangSmith Evaluation](https://docs.langchain.com/langsmith/evaluation)（LangChain）

- [Cross-validation: evaluating estimator performance](https://scikit-learn.org/stable/modules/cross_validation.html)（scikit-learn）

- [Machine Learning Crash Course](https://developers.google.com/machine-learning/crash-course)（Google）

- [Experimentation Platform](https://www.microsoft.com/en-us/research/group/experimentation-platform-exp/)（Microsoft Research）

## 对应经验原帖

- [百度文心一言AI产品面经](https://www.nowcoder.com/discuss/796074462360641536)｜Fauna_Blanc｜2025-09-12｜AI 产品 · 业务一面

- [蚂蚁ai产品实习一面分享](https://www.nowcoder.com/feed/main/detail/50694c1390a54107bf36d180e4df2975)｜Ori12｜页面显示 05-01，未显示年份｜AI 产品 · 场景与评测

- [美团大模型产品转正实习面经（已offer）](https://www.nowcoder.com/feed/main/detail/2550761776d8461ab8aea206ff2db36f)｜美团专业内推官｜2025-03-25｜大模型产品 · 转正实习

- [字节面经-字节运营岗面经-01](https://api-cdn.nowcoder.com/discuss/924099496047280128?sourceSSR=enterprise)｜林小白zii｜页面显示 09-01；条目含 2026 年面试日期｜AI 数据、模型与服务运营 · 汇编

## 关联阅读

- [数据与指标：从回答质量到业务结果](https://cv.shujinxing777.com/career/handbook/metrics)

- [AI 运营：用户、数据与质量](https://cv.shujinxing777.com/career/handbook/operations)

- [RAG：从资料到有依据的回答](https://cv.shujinxing777.com/career/handbook/rag)

- [Agent、工作流与工具调用](https://cv.shujinxing777.com/career/handbook/agents)

---

# 数据与指标：从回答质量到业务结果

> 读懂准确率、召回率、任务成功率、留存和延迟，避免把不同分母的数字直接比较。

适合阅读：需要阅读数据分析和效果报告的读者  
更新：2026-09-05

## 每个指标都有分母和适用对象

“准确率 90%”需要补充：在什么数据上，评价什么对象，一条样本怎样判定。分类任务的准确率与生成答案的人工通过率不是同一概念。样本难度、比例和规则改变，也会让数值变化。

产品报告里还要区分用户、会话和任务。一个用户可能发起多次会话，一次会话可能包含多个任务。不同分母的解决率和留存率不能直接比较。

## 把常见指标放回对象

选指标取决于具体目标；下面列出的是理解口径的起点。

| 指标 | 在回答什么 | 需要一起说明 |
| --- | --- | --- |
| 精确率 / 召回率 | 选出的结果有多准 / 应找到的找到了多少 | 正类定义、阈值、样本分布 |
| 任务成功率 | 任务是否达到事先定义的完成条件 | 任务单位、部分成功规则、人工介入 |
| 激活 / 留存 | 用户是否完成关键使用、是否再次回来 | 人群、时间窗口、关键行为 |
| 延迟 / 吞吐 | 一次响应有多慢 / 单位时间处理多少 | 负载、输入输出长度、测量方式 |
| 成本 | 完成一次请求或任务消耗多少资源 | 失败调用、重试与工具费用是否计入 |

## 一个数字如何产生误解

教学示例：版本 A 在 100 个简单问题上通过 90 个，版本 B 在 100 个包含复杂工具任务的问题上通过 80 个。不能直接得出 A 更好，因为样本不同。若两版在同一固定样本、同一规则下比较，才更容易解释版本差异。

再如平均延迟下降，但最慢的一部分请求仍让用户等待很久。只看平均数会遗漏长尾体验。要根据产品场景同时检查分布和关键类别，而不是一律增加指标。

## SQL、埋点和 A/B 实验分别做什么

埋点记录发生了什么，SQL 把记录汇总为口径一致的数据，实验设计帮助判断变化是否由某项改动引起。它们并不互相替代。记录缺失时，再复杂的查询也无法恢复没有收集的信息。

A/B 实验通常将可比用户分配到不同方案再观察差异；结果解释还涉及样本量、随机分配和业务环境。一个“上线前后”对比通常只是观察到变化，不足以单独说明因果。

## 参考资料与出处

- [Machine Learning Crash Course](https://developers.google.com/machine-learning/crash-course)（Google）

- [The SQL Language](https://www.postgresql.org/docs/current/tutorial-sql.html)（PostgreSQL）

- [Experimentation Platform](https://www.microsoft.com/en-us/research/group/experimentation-platform-exp/)（Microsoft Research）

## 对应经验原帖

- [百度文心一言AI产品面经](https://www.nowcoder.com/discuss/796074462360641536)｜Fauna_Blanc｜2025-09-12｜AI 产品 · 业务一面

- [小米AI策略产品面经](https://www.nowcoder.com/feed/main/detail/60becb16810e411796bc6ccda6815b35)｜Fauna_Blanc｜2025-10-24｜语音助手 · 策略产品

- [腾讯- AI产品实习面经 喜提人才库](https://www.nowcoder.com/feed/main/detail/26f18f2c96404679aa03539c219755ce?sourceSSR=users)｜Stella_Chiara｜页面显示 03-09，未显示年份｜AI 产品 · 形态与体验

- [字节数据运营面经](https://www.nowcoder.com/discuss/796319639306248192?sourceSSR=dynamic)｜ButtercupGlimmer｜2025-09-13｜数据运营 · 业务分析

- [字节-tac-二面面经记录（实习面试）](https://www.nowcoder.com/feed/main/detail/ddfcfae15432465bb30f0573fe204dc5?sourceSSR=enterprise)｜老辣鸡了｜2025-05-09（搜索记录；页面显示 05-09）｜搜推业务 · 交叉面

## 关联阅读

- [评测：让“效果好”有明确含义](https://cv.shujinxing777.com/career/handbook/evaluation)

- [AI 产品：从用户问题到产品机制](https://cv.shujinxing777.com/career/handbook/product)

- [AI 运营：用户、数据与质量](https://cv.shujinxing777.com/career/handbook/operations)

- [AI 算法：数据、模型与任务效果](https://cv.shujinxing777.com/career/handbook/algorithms)

---

# 从公开产品认识大厂 AI 链路

> 用扣子、腾讯 ADP、百度千帆和美团公开技术文章建立产品观察框架，不把公开能力误当成内部岗位分工。

适合阅读：想把公司、产品与岗位联系起来的读者  
更新：2026-09-05

## 先看用户能操作的对象

观察一个 AI 平台时，不必先背完功能名称。可以先找出它让用户管理的对象：模型、知识、工具、工作流、应用、发布版本。对象之间的关系，比某个按钮的位置更能说明平台解决什么问题。

本章根据公开文档做教学归纳，产品能力会更新。这里的角色关联用于理解工作内容，不代表对应公司正在招聘该工种，也不等于其内部组织结构。

## 四组公开材料怎样读

每组材料侧重不同层面，不宜用功能数量给公司排序。

| 材料 | 可以观察的链路 | 能帮助理解的岗位问题 |
| --- | --- | --- |
| 字节：扣子工作流文档 | 输入 → 节点与工具 → 输出 | 平台产品如何表达流程；开发如何传递数据 |
| 腾讯：ADP 文档 | 知识 / 工具 / 工作流 → 智能体应用 | 企业应用如何配置能力；运营如何维护知识 |
| 百度：千帆文档 | 模型服务与应用构建 → 业务接入 | 模型层与应用层的需求为什么不同 |
| 美团：Agent 评测文章 | 任务与执行过程 → 评测 → 改进 | 多个角色如何共同理解系统质量 |

## 怎样做一份有内容的产品拆解

以工作流平台为例，先说明使用者是开发者、业务人员还是平台管理员；然后选一个具体任务，跟踪数据如何从输入经过节点变成结果。继续观察哪些配置影响效果、哪些错误会被展示，以及用户如何发布或修改流程。

产品分析可以描述操作负担与理解难点，工程分析可以描述数据和接口关系，运营分析可以描述内容维护与反馈。公开文档未提供的内部转化率、用户规模和成本，不能靠想象补齐。

## 公开开源案例：PPTAgent

PPTAgent 是公开的演示文稿生成项目，可以帮助理解内容生成与版式处理的联系。阅读时应从原始输入、最终演示文稿、执行流程和评价方式入手，而不是只观察生成截图是否好看。

从岗位角度可以延伸出不同问题：产品关注用户编辑与结果验收；开发关注文件处理和工具执行；算法与研究关注生成质量及方法；运营可关注常见输入和失败类型。这些是本讲义的分析视角，不是对项目团队人员配置的陈述。

## 参考资料与出处

- [工作流概述](https://docs.coze.cn/guides_agent_workflow)（扣子）

- [智能体开发平台 ADP 文档](https://intl.cloud.tencent.com/zh/document/product/1254)（腾讯云）

- [千帆大模型平台文档](https://cloud.baidu.com/doc/qianfan-docs/s/0m8r1domp)（百度智能云）

- [Agent 评测漫谈](https://tech.meituan.com/2026/08/07/Agent-Evaluation.html)（美团技术团队）

- [PPTAgent](https://github.com/icip-cas/PPTAgent)（ICIP-CAS 项目维护者）

## 关联阅读

- [六类 AI 产品，三种服务对象](https://cv.shujinxing777.com/career/handbook/product-types)

- [Agent、工作流与工具调用](https://cv.shujinxing777.com/career/handbook/agents)

- [评测：让“效果好”有明确含义](https://cv.shujinxing777.com/career/handbook/evaluation)

- [贯穿案例：一个知识客服如何工作](https://cv.shujinxing777.com/career/handbook/customer-support)

---

# 贯穿案例：一个知识客服如何工作

> 用同一个教学场景串起用户、知识、RAG、Agent、人工处理、评价和五类岗位。

适合阅读：希望把零散术语串成整体的读者  
更新：2026-09-05

## 先定义一个有限的服务范围

教学场景：一个课程服务提供方希望回答课程安排、资料位置和已公布的服务规则。它可以查询公开通知和授权知识，但不自动作出退款决定，也不向无权限的人展示其他学员的信息。这个场景用于解释产品链路，不是某家公司已上线系统的案例或实测结果。

用户输入可能含糊，例如“我上次的资料在哪里”。系统需要判断“上次”对应什么；缺少身份或课程信息时，先澄清比编造链接更有价值。

## 从提问到处理完成

系统先判断问题属于知识查询还是需要操作。知识查询走检索并附来源；涉及个人进度的请求需要适当身份与数据访问；需要修改记录的任务应按业务规则确认；无法回答的问题转给人工，并保留必要上下文。

| 环节 | 具体工作 | 知识连接 |
| --- | --- | --- |
| 识别与澄清 | 弄清课程、时间与问题 | 意图、对话状态、信息充分性 |
| 查找材料 | 定位有效通知与规则 | RAG、检索、版本 |
| 组织回答 | 解释并附对应依据 | 上下文、引用、事实评价 |
| 查询或执行 | 调用授权接口，确认结果 | 工具调用、参数、动作边界 |
| 人工处理 | 传递问题与已查到的材料 | 异常流程、反馈闭环 |

## 用具体失败说明协作

如果引用旧通知，运营需要检查知识更新；如果新通知已经在库但没检索到，算法和开发需要检查检索；如果接口返回失败而页面说成功，开发与产品需要检查状态表达；如果人工仍需从头问一遍，产品可以检查交接信息是否足够。

这些问题不一定需要训练新模型。改文档、改流程、改工具说明和改检索都可能影响结果。先定位环节，再决定处理方式，能避免用技术名称替代问题分析。

## 这个系统应该怎样被评价

知识问答看答案是否被当前材料支持；操作任务看动作是否在允许范围内完成；人工交接看上下文是否有效传递。还需考虑用户等待时间和单次服务成本。回答更长、模型更大或节点更多，都不能单独证明服务更好。

一个实习岗位可能只负责这条链路的一段。读 JD 时，把“维护知识库”“设计评测集”“开发 Agent”放回这里，就更容易理解具体日常，而不是把它们都理解成从零搭建整个系统。

## 参考资料与出处

- [Knowledge](https://docs.dify.ai/en/cloud/use-dify/knowledge/readme)（Dify）

- [Building effective agents](https://www.anthropic.com/engineering/building-effective-agents)（Anthropic）

- [Agent 评测漫谈](https://tech.meituan.com/2026/08/07/Agent-Evaluation.html)（美团技术团队）

## 关联阅读

- [RAG：从资料到有依据的回答](https://cv.shujinxing777.com/career/handbook/rag)

- [Agent、工作流与工具调用](https://cv.shujinxing777.com/career/handbook/agents)

- [评测：让“效果好”有明确含义](https://cv.shujinxing777.com/career/handbook/evaluation)

- [AI 产品：从用户问题到产品机制](https://cv.shujinxing777.com/career/handbook/product)

- [AI 运营：用户、数据与质量](https://cv.shujinxing777.com/career/handbook/operations)

---

# 读懂 JD：条件、职责与技术词

> 把招聘原文分成可核对的部分，区分硬条件、主要职责、加分项和岗位标题。

适合阅读：所有准备查询实习机会的读者  
更新：2026-09-05

## 先看能否实际参与

毕业年月、在读身份、城市、到岗时间、每周出勤和持续时长会影响是否能够参加实习。它们与“会不会某个工具”是不同问题。先明确自己的客观时间条件，再核对职位要求，可以减少无效信息筛选。

日常实习、暑期实习和带转正机会的项目可能使用不同规则。具体毕业范围和考核方式以当期项目公告为准，不能把一家公司的条件推广到全部公司。

## 拆成五组信息

建议在阅读时保留职位编号和来源日期，便于日后核对。

| 信息组 | 要找的内容 | 为什么重要 |
| --- | --- | --- |
| 身份与时间 | 毕业时间、到岗、出勤、时长 | 判断基本参与条件 |
| 工作对象 | 用户、业务线、模型、系统或数据 | 理解方向而非只看标题 |
| 职责动词 | 调研、设计、分析、实现、训练、评测 | 理解日常工作 |
| 任职要求 | 明确必需项、优先项、技术基础 | 区分门槛与加分条件 |
| 来源与状态 | 官网、职位编号、发布日期、核对时间 | 区分历史样本与当前机会 |

## 一个职责句子的拆解

教学改写：“参与 Agent 产品流程设计，整理用户问题，建立评测样本并分析版本效果。”这句话包含四个动作：设计流程、整理问题、组织样本、分析效果。对应产出可能是流程说明、问题分类、评测集和分析结论。它没有直接写“训练基础模型”，因此不能据此推断岗位要求预训练经验。

如果下一条写“Python 或 SQL 优先”，它是工具与加分信息，需要与其他要求一起读；不能改写成完全不需要技术。若原文写“必须具备”，也不应自动降格为可忽略项。

## 用多份 JD 建立认识

同一岗位族可以比较不同公司、业务和招聘类型的样本。先找共同动作，再看差异来自服务对象、团队阶段还是岗位级别。不要只收集标题相同的职位，也可以用实际任务词搜索相邻名称。

站内 JD 快照适合长期学习职责，但不能证明今天仍可投递。准备投递时应再打开原职位或官网列表核对。遇到失效链接，保留历史样本的学习价值，同时将招聘状态与历史内容分开。

## 参考资料与出处

- [字节跳动校园招聘](https://jobs.bytedance.com/campus)（字节跳动）

- [字节跳动校园招聘常见问题](https://jobs.bytedance.com/campus/page-6272Gc?spread=49TMNMC)（字节跳动）

- [百度实习职位列表](https://talent.baidu.com/jobs/list?recruitType=INTERN)（百度）

- [Seed Early Career](https://seed.bytedance.com/zh/seedearlycareer)（字节跳动 Seed）

## 对应经验原帖

- [富途AI产品经理日常实习二面](https://www.nowcoder.com/feed/main/detail/34d7ed816cac425da58f4dd35210d913)｜刘下苍茫｜2025-05-22｜内部 AI 应用 · 日常实习

- [面经](https://www.nowcoder.com/feed/main/detail/aca039781c9246b2a641bc3154f7c276?sourceSSR=dynamic)｜Showieee｜页面显示 09-02；面试写为 9.1，未显示年份｜雷鸟创新 · 软件开发实习

## 关联阅读

- [找实习：信息从哪里来，怎样核对](https://cv.shujinxing777.com/career/handbook/internship)

- [两条职业线，五类工作](https://cv.shujinxing777.com/career/handbook/role-map)

- [把经历说清楚：简历与面试资料](https://cv.shujinxing777.com/career/handbook/resume-interview)

---

# 找实习：信息从哪里来，怎样核对

> 认识官方招聘、团队公开信息和社区线索的用途，用岗位名与任务词查找机会。

适合阅读：准备第一次寻找研究生实习的读者  
更新：2026-09-05

## 不同信息源承担不同作用

官方招聘站通常适合核对职位条件和申请入口；团队的公开招聘文章可能补充研究主题或业务背景；社区、招聘平台和同学转发适合发现线索。发现机会和确认机会是两个环节。转发内容可能滞后，也可能缺少完整条件。

对研究型实习，还可以查看官方研究团队或实验室的招聘专题。研究方向介绍有助于认识工作对象，但是否接受申请、是否限制学历仍需查具体说明。

## 把搜索词展开

下面是检索词组，不代表每个名称都对应独立工种或当前开放岗位。

| 岗位线 | 职位名检索 | 任务词补充 |
| --- | --- | --- |
| 产品 | AI 产品 / Agent 产品 / 平台产品 / 策略产品 | 用户研究、工作流、模型评测 |
| 运营 | AI 运营 / 模型运营 / 数据运营 / 评测运营 | 标注、质量、内容安全、用户反馈 |
| Research | Research Intern / 研究实习生 / 研究员实习 | 多模态、推理、后训练、具身智能 |
| 开发 | AI 应用 / Agent 工程 / 平台研发 / 推理工程 | RAG、API、部署、模型服务 |
| 算法 | 算法实习 / NLP / CV / 搜索推荐 / 大模型 | 训练、微调、召回、排序、评测 |

## 研究生特别需要核对什么

学期课程、课题组安排、城市和连续可实习时间决定实际参与条件。毕业年月应填写真实预计时间。若涉及学校或课题组要求，应提前核实安排，不要把招聘方允许实习理解为校内安排已获得认可。

“日常”“暑期”“转正”是招聘项目标签，不是统一承诺。某项实习可能针对特定毕业年份，另一些则更关注持续出勤。能否转正以该项目和实际考核规则为准。

## 核对一条机会的最小信息

保留公司、岗位名、编号、地点、招聘类型、毕业范围、出勤与时长、来源链接和核对日期。这些信息足以区分同名不同岗，也能帮助识别转发是否仍有效。无需为了了解行业就先填写复杂的个人任务表。

申请应通过可确认归属的官方入口。简历分享给陌生人时应谨慎处理身份证号、家庭住址等非必要信息；以收费承诺录用的说法不能替代正式招聘流程。

## 参考资料与出处

- [字节跳动校园招聘](https://jobs.bytedance.com/campus)（字节跳动）

- [字节跳动校园招聘常见问题](https://jobs.bytedance.com/campus/page-6272Gc?spread=49TMNMC)（字节跳动）

- [百度实习职位列表](https://talent.baidu.com/jobs/list?recruitType=INTERN)（百度）

- [Seed Early Career](https://seed.bytedance.com/zh/seedearlycareer)（字节跳动 Seed）

## 对应经验原帖

- [运营小白 字节跳动某频道运营实习生面经，已offer](https://ac.nowcoder.com/discuss/436314?channel=-1&ncTraceId=9cbc975b9810404eb129b0135b3b0fa3.248.17369598512043794&source_id=discuss_terminal_discuss_sim_nctrack)｜牛客34414447号｜2020-06-05｜内容运营 · 跨专业实习历史样本

- [整理下近期的大模型日常实习面经](https://www.nowcoder.com/feed/main/detail/44b2baec47c740c4b9bccb8a013abd56)｜大模型丁真｜2025-05-07｜字节、百度、快手 · 多场实习复盘

- [26届秋招字节后端二+三面速通面经详细版（附timeline）](https://ac.nowcoder.com/discuss/1554249?type=0)｜嵐jlu｜2025-10-09｜后端开发 · 校招流程复盘

## 关联阅读

- [读懂 JD：条件、职责与技术词](https://cv.shujinxing777.com/career/handbook/read-jd)

- [把经历说清楚：简历与面试资料](https://cv.shujinxing777.com/career/handbook/resume-interview)

- [AI Research：问题、方法和证据](https://cv.shujinxing777.com/career/handbook/research)

---

# 把经历说清楚：简历与面试资料

> 理解论文、课程和开源实践怎样被如实表达，区分使用、复现、修改和独立贡献。

适合阅读：需要整理已有研究或项目经历的读者  
更新：2026-09-05

## 经历的价值来自具体内容

一段经历可以按问题背景、本人负责、实际方法、观察结果和限制来解释。岗位相关性来自处理过的对象与工作方式，不来自把项目标题改成当前热门词。没有真实发生的业务结果，不应写成上线收益。

例如在公开框架上搭建知识问答，可以说明自己处理了哪些文档、怎样配置检索、怎样检查错误；若只是运行示例，则说明运行和理解范围。二者都可以作为学习经历，但贡献边界不同。

## 四类材料各自证明什么

材料不必全部具备，应围绕真实经历和岗位要求选取。

| 材料 | 可帮助解释 | 不能自动证明 |
| --- | --- | --- |
| 论文或研究报告 | 研究问题、方法、实验与个人参与 | 已具备生产系统开发经验 |
| 代码与说明 | 实现范围、接口和运行方法 | 代码全部由本人原创 |
| 产品或分析文档 | 用户理解、流程和判断依据 | 产品已经商业化成功 |
| 评测与结果记录 | 样本、口径、版本和具体观察 | 结果可推广到所有场景 |

## 面试中的追问通常落在哪里

当描述一项工作时，读者会自然问：为什么这样做，比较过什么，结果如何得到，失败在哪里，你本人做了哪一段。能把这些问题解释清楚，比背一段包含很多名词的介绍更有帮助。

技术经历可以补充数据流、训练或服务流程；产品经历可以补充用户问题与方案选择；运营经历可以补充分类规则和反馈如何改变行动。表达重心随岗位变化，但事实不应随投递对象改变。

## 使用开源、历史资料和他人简历

公开仓库适合学习原理与实现；如果使用其中代码，应保留来源并核对许可。论文作者、仓库维护者和自己的修改贡献应分别表述。运行开源项目不等于提出该方法。

真实他人简历和学生材料可能含个人信息，应在得到许可并去除识别信息后再用于教学。付费讲义与会员内容可以帮助个人理解，但购买不等于获得公开分发权。本讲义采用原创解释和来源导航，原始资料的权利仍归其作者。

## 参考资料与出处

- [Introduction to Machine Learning Interviews Book](https://huyenchip.com/ml-interviews-book/)（Chip Huyen）

- [Tech Interview Handbook](https://www.techinterviewhandbook.org/)（Yangshun Tay 与社区贡献者）

- [PPTAgent](https://github.com/icip-cas/PPTAgent)（ICIP-CAS 项目维护者）

- [动手学大模型应用开发](https://github.com/datawhalechina/llm-universe)（Datawhale）

- [LLM Course](https://huggingface.co/learn/llm-course/chapter1/1)（Hugging Face）

## 对应经验原帖

- [字节数据运营面经](https://www.nowcoder.com/discuss/796319639306248192?sourceSSR=dynamic)｜ButtercupGlimmer｜2025-09-13｜数据运营 · 业务分析

- [运营小白 字节跳动某频道运营实习生面经，已offer](https://ac.nowcoder.com/discuss/436314?channel=-1&ncTraceId=9cbc975b9810404eb129b0135b3b0fa3.248.17369598512043794&source_id=discuss_terminal_discuss_sim_nctrack)｜牛客34414447号｜2020-06-05｜内容运营 · 跨专业实习历史样本

- [百度大模型算法实习生 一面](https://www.nowcoder.com/feed/main/detail/e90de24cd51f42918df7044adb34fbaf)｜长行莫倦｜2025-08-22｜大模型算法 · 实习一面

- [字节-tac-二面面经记录（实习面试）](https://www.nowcoder.com/feed/main/detail/ddfcfae15432465bb30f0573fe204dc5?sourceSSR=enterprise)｜老辣鸡了｜2025-05-09（搜索记录；页面显示 05-09）｜搜推业务 · 交叉面

- [26届秋招字节后端二+三面速通面经详细版（附timeline）](https://ac.nowcoder.com/discuss/1554249?type=0)｜嵐jlu｜2025-10-09｜后端开发 · 校招流程复盘

- [MSRA Intern面经](https://www.nowcoder.com/discuss/353156718697848832)｜dogfar｜2020-08-08｜研究院实习 · 系统问题历史样本

## 关联阅读

- [读懂 JD：条件、职责与技术词](https://cv.shujinxing777.com/career/handbook/read-jd)

- [找实习：信息从哪里来，怎样核对](https://cv.shujinxing777.com/career/handbook/internship)

- [AI Research：问题、方法和证据](https://cv.shujinxing777.com/career/handbook/research)

- [评测：让“效果好”有明确含义](https://cv.shujinxing777.com/career/handbook/evaluation)

---

# 岗位分工：一个 AI 应用由谁完成

> 用知识客服串起产品、运营、Research、算法与开发，区分工作对象、交付物和岗位之间的联系。

适合阅读：第一次接触 AI 岗位的研究生  
更新：2026-09-05

## 两条线，分别对什么负责

AI 团队可以先按工作重心分成两条线：非技术线主要是产品与运营，技术线主要是 Research、算法与开发。这里的“非技术”指主要交付物不是模型训练或软件代码，并不意味着不需要理解技术。产品需要判断模型能力能否支持用户任务，运营需要理解数据、质量和反馈怎样影响系统。

一个面向员工的知识客服可以同时涉及五类工作：产品定义员工遇到什么问题、怎样获得答案；运营整理业务知识、维护评价规则；开发连接登录、检索和模型接口；算法改善召回和答案质量；Research 则可能研究新的检索或推理方法。具体团队不一定设置全部岗位，同一人也可能承担相邻工作。

![非技术线产品与运营、技术线 Research 算法与开发，共同完成知识客服的岗位协作图](https://cv.shujinxing777.com/career/handbook/images/ai-team-collaboration.png)

知识客服教学示例。图中界面、分数和监控数值用于说明工作对象，并非真实企业业绩。

## 产品与运营的分界，看改变了什么

产品工作的重心是决定系统应该提供什么能力，以及用户怎样使用。以“查报销规则”为例，需要明确适用员工、查询范围、资料出处、答案格式，以及问题涉及多个制度版本时的处理方式。需求文档、用户流程和交互原型服务于这些决定。

运营工作的重心是让业务内容、用户使用和质量过程持续运转。制度更新后哪些旧文档需要下线，员工反馈应该分到哪类，哪些问题需要交给业务专家复核，都可能属于运营工作。增长运营、内容运营与模型数据运营处理的对象不同，不能仅凭“运营”二字判断工作内容。

| 方向 | 主要对象 | 可见的工作结果 |
| --- | --- | --- |
| AI 应用产品 | 用户任务与功能规则 | 需求说明、流程、验收条件 |
| 平台产品 | 开发者或企业配置流程 | 接口与权限规则、管理台方案 |
| 策略产品 | 搜索、推荐或自动化决策 | 策略定义、实验与效果分析 |
| 产品 / 用户运营 | 使用流程与用户反馈 | 引导内容、行为分析、改进反馈 |
| 数据 / 模型运营 | 知识、标注、评价样本 | 分类规则、数据质量与复核记录 |

## Research、算法、开发各自回答的问题

Research 关心一个方法上的问题是否成立：例如，补充文档上下文能否改善某类检索错误，效果在什么条件下出现。它通常需要文献理解、方法实现和有解释力的实验。算法更接近给定任务的效果优化，例如选择表示模型、调整排序方式、训练分类器或分析误差。两者可能高度重叠，区别要结合招聘描述中的研究目标和交付要求判断。

开发关心能力怎样成为可以使用的系统。知识库怎样更新，用户怎样认证，多个请求怎样处理，工具返回错误时界面显示什么，都是实际工作。AI 应用开发仍可能考查数据库、网络、数据结构和代码质量；接通模型接口只是系统中的一环。AI Infra 则更靠近训练、推理资源与服务基础设施。

## 岗位名称相同，场景也可能完全不同

“AI 产品实习生”可能服务个人用户，也可能面向企业客户或公司内部员工。个人助手关注任务完成与使用体验；企业知识平台还涉及权限、数据接入和组织管理；内部提效工具需要理解员工原本的业务流程。C 端、B 端、内部应用是服务对象的划分，产品、算法、开发则是职责划分，这两组维度可以交叉。

读招聘说明时，可以用一句话还原岗位：“为谁，在什么场景，处理什么对象，产出什么结果。”例如“为企业员工设计知识问答流程，并组织问答质量验证”，与“训练检索模型提升专业文档召回”，虽然都涉及知识问答，工作的中心并不相同。

## 五类岗位怎样共享一条反馈

假设员工反馈：“系统给出的报销上限不对。”产品确认用户所在地区、问题含义与正确的交互规则；运营检查制度版本和适用范围；开发查看实际传入的查询条件与调用过程；算法检查检索候选和排序；如果现有方法长期无法处理某类条件约束，研究工作才进一步讨论方法改进。

因此，岗位之间并非完全不互通。理解共同链路可以帮助协作，但承担哪部分工作仍需要对应的经验。了解 RAG 概念可以帮助产品与开发沟通，并不自动等于具备检索模型训练经验。

## 参考资料与出处

- [User Needs + Defining Success](https://pair.withgoogle.com/chapter/user-needs/)（Google PAIR）

- [Framing an ML problem](https://developers.google.com/machine-learning/problem-framing/ml-framing)（Google for Developers）

- [Rules of Machine Learning](https://developers.google.com/machine-learning/guides/rules-of-ml)（Martin Zinkevich / Google）

- [Technical interviews](https://careers.microsoft.com/v2/global/en/hiring-tips/technical-interviewing.html)（Microsoft Careers）

- [CS336: Language Modeling from Scratch](https://cs336.stanford.edu/)（Stanford）

## 对应经验原帖

- [25实习历程](https://www.nowcoder.com/feed/main/detail/cc44a0e2afb64ee988d390f9a2be165f)｜zxxxxxr｜2024-06-19（编辑日期）｜产品与运营 · 多家公司投递记录

- [富途AI产品经理日常实习二面](https://www.nowcoder.com/feed/main/detail/34d7ed816cac425da58f4dd35210d913)｜刘下苍茫｜2025-05-22｜内部 AI 应用 · 日常实习

## 关联阅读

- [产品方案：从用户问题到可验收的功能](https://cv.shujinxing777.com/career/handbook/product-discovery)

- [AI 运营：知识、标注与质量反馈怎样运转](https://cv.shujinxing777.com/career/handbook/operations-quality)

- [研究与算法：把论文、训练和实验结果接起来](https://cv.shujinxing777.com/career/handbook/research-practice)

- [读懂 JD：条件、职责与技术词](https://cv.shujinxing777.com/career/handbook/read-jd)

---

# 产品方案：从用户问题到可验收的功能

> 把用户研究、AI 适用性、需求文档与产品指标接起来，完整拆解一个知识查询功能。

适合阅读：AI 产品、策略产品与产品运营方向  
更新：2026-09-05

## 先还原任务，而不是先选择模型

以员工查询报销制度为教学案例。表面的需求是“做一个能回答问题的机器人”，实际任务可能是“在提交申请前，确认这笔费用能否报销，以及需要什么材料”。两种表述决定了不同的功能范围：前者容易停在聊天界面，后者需要处理适用地区、费用类型、制度版本和后续办理入口。

理解需求时，先了解用户最近一次怎样完成任务：在哪里找资料，遇到了哪一步障碍，最终如何解决。访谈可以获得用户的理解、动机和经历，但不能仅凭“我会使用”推断真实使用行为。让用户操作现有流程或原型，可以进一步观察找不到入口、误解提示或不信任答案的具体位置。

## 需求记录需要保留条件

“资料不好找”还不够具体。更可用的描述是：“异地出差员工不知道应查总部制度还是当地补充规定，搜索结果没有展示适用地区，因此需要询问财务。”这段描述同时包含用户、场景、现有行为与障碍，才能推导出地区提示、资料标签或条件确认等方案。

访谈问题应尽量避免预设答案。比起问“你是不是需要一个 AI 助手”，询问“上次遇到这个问题时，你先做了什么”更容易得到具体经历。整理时把观察到的事实、用户自己的解释、产品团队的推测分别记录。少量访谈可以发现问题类型，但不能据此计算全部员工的需求比例。

## 什么时候需要 AI，什么时候需要规则

自然语言表达多样、需要理解长文或组合资料时，语言模型可能有帮助。明确的身份校验、金额计算、制度适用条件，则通常需要可靠的数据和业务规则。产品设计可以把两者组合：模型帮助理解问题和组织说明，业务系统提供实际可报销金额与申请状态。

下图把模型输出与最终决策分成两层。A、B、C 表示不同模型输出，X、Y、Z 表示应用采取的决策。对知识客服而言，模型识别出“报销咨询”后，应用仍需判断是否缺少地区信息、是否允许展示资料、是否需要进一步询问。

![Google 原图：模型输出 A B C 经过应用逻辑映射为决策 X Y Z](https://cv.shujinxing777.com/career/handbook/images/google-model-product.png)

模型输出与产品决策是不同层次。原图未修改；中文解释见正文。

[Google for Developers · Framing an ML problem，图 2](https://developers.google.com/machine-learning/problem-framing/ml-framing) · [CC BY 4.0](https://creativecommons.org/licenses/by/4.0/)

## 把功能写到可以讨论与验收

一份需求说明至少应让协作者知道输入、处理规则、结果和异常情况。只有“接入大模型，提高问答准确率”，开发无法确定要实现什么，测试也无法判断是否完成。可以先针对一个明确场景写出规则，再讨论它是否适用于其他问题。

| 环节 | 知识客服示例 |
| --- | --- |
| 输入 | 员工问题、可用身份信息、地区与查询时间 |
| 信息不足 | 问题缺少适用地区时，先询问或明确答案的适用范围 |
| 回答 | 给出结论、条件、制度出处和下一步办理入口 |
| 资料冲突 | 展示差异并提交业务复核，不自行拼出一个新规则 |
| 权限 | 仅检索并展示该员工有权查看的资料 |
| 验收 | 用有依据、无依据、资料冲突等样本分别检查结果 |

## 产品结果与模型分数怎样连接

模型答对一道测试题，是系统质量的一部分；员工能否完成任务，是另一层结果。如果答案正确但入口难找、等待太久，产品仍可能不好用。可以分别观察任务解决情况、引用正确性、等待时间以及人工接入是否顺畅，不必强行把所有目标合成一个分数。

回答“为什么这样设计”时，可以按具体问题、观察依据、备选方案、取舍和验证方式展开。例如选用检索问答，是因为制度经常更新且需要展示出处；是否真正改善办事体验，还需通过实际任务测试和上线后的行为观察判断。这里的方案是教学案例，并不是某家公司已经取得的业务结果。

## 参考资料与出处

- [User Interviews 101](https://www.nngroup.com/articles/user-interviews/)（Maria Rosala、Kara Pernice / NN/g）

- [Usability Testing 101](https://www.nngroup.com/articles/usability-testing-101/)（Kate Moran / NN/g）

- [User Needs + Defining Success](https://pair.withgoogle.com/chapter/user-needs/)（Google PAIR）

- [Framing an ML problem](https://developers.google.com/machine-learning/problem-framing/ml-framing)（Google for Developers）

- [Human-AI eXperience Toolkit](https://www.microsoft.com/en-us/haxtoolkit/)（Microsoft）

## 对应经验原帖

- [面试官视角聊聊，怎么准备AI大模型产品面试？](https://ac.nowcoder.com/discuss/1607778?type=0)｜武枫楠｜页面显示 01-28，未显示年份｜AI 产品 · 项目与业务讨论

- [百度文心一言AI产品面经](https://www.nowcoder.com/discuss/796074462360641536)｜Fauna_Blanc｜2025-09-12｜AI 产品 · 业务一面

- [小米AI策略产品面经](https://www.nowcoder.com/feed/main/detail/60becb16810e411796bc6ccda6815b35)｜Fauna_Blanc｜2025-10-24｜语音助手 · 策略产品

## 关联阅读

- [岗位分工：一个 AI 应用由谁完成](https://cv.shujinxing777.com/career/handbook/ai-team-map)

- [RAG 详解：从一份资料到一个有依据的回答](https://cv.shujinxing777.com/career/handbook/rag-design)

- [数据与指标：从回答质量到业务结果](https://cv.shujinxing777.com/career/handbook/metrics)

- [评测详解：怎样判断 AI 真的做对了](https://cv.shujinxing777.com/career/handbook/evaluation-design)

---

# AI 运营：知识、标注与质量反馈怎样运转

> 区分用户运营、内容运营和模型数据运营，讲清资料维护、标注规则、分歧复核与问题定位。

适合阅读：AI 运营、数据运营与产品运营方向  
更新：2026-09-05

## 先看运营对象

运营并不是一个固定工作集合。用户运营关注谁在使用、为什么使用和在哪里流失；内容运营关注内容供给、分类与分发；数据运营可能负责样本组织、标注过程和数据质量；模型运营可能参与提示配置、输出评价和异常反馈。招聘说明中的业务对象，比岗位名是否包含“AI”更能说明日常工作。

以知识客服为例，发布使用说明属于用户引导，整理制度目录属于知识维护，给回答判定“有依据、部分有依据、无依据”属于质量评价。三者可以由同一团队承担，但涉及的规则和结果不同。运营需要把零散反馈变成可处理的信息，而不仅是汇总一个“用户不满意”的数量。

## 知识资料需要经历什么过程

一条资料从收集到被回答引用，至少要明确来源、适用对象、版本与当前有效性。原文中标题、表格脚注或地区限定如果丢失，系统可能检索到相关句子，却回答错适用条件。资料更新时还需要处理旧版，避免新旧规则同时被当作有效依据。

维护记录可以很朴素：资料名称、负责部门、适用地区、生效时间、访问权限、替代关系。分类要围绕业务问题，例如按费用类型和适用地区组织报销制度，而不是仅按 PDF、Word 等文件格式分类。发现重复内容时，应识别它是同一制度的副本，还是条件不同的补充规定。

## 一条可执行的标注规则长什么样

标签名需要配合判定条件。对于“回答有依据”，可以定义为：结论中的关键事实能在允许使用的材料中找到支持，且没有遗漏改变结论的前提。这样，“北京员工的上限是 500 元”就不能仅因为材料出现过“500 元”而被判为正确，还要核对地区、时间和费用类型。

标注说明通常包含标签定义、正例、反例和边界情况。先用少量具有代表性的样本试标，可以发现规则歧义。分歧可能来自规则不清、资料不足、专业判断不同或操作失误，处理方式也不同。仅要求标注人员“更认真”不能解决规则本身的问题。

| 样本情况 | 教学判定 | 复核重点 |
| --- | --- | --- |
| 结论与全部适用条件都有出处 | 有依据 | 引用是否确实支持结论 |
| 主要结论有依据，但遗漏地区限定 | 部分有依据 | 遗漏是否会误导用户 |
| 结论来自材料中不存在的制度 | 无依据 | 资料缺失还是模型自行补充 |
| 两个有效文件互相冲突 | 待业务复核 | 谁有权确定最终规则 |

## 一致率为什么不等于正确率

多人对同一批样本独立标注，可以帮助发现分歧。一致率较低时，要定位具体标签和样本；一致率较高，也可能是大家共享了同一种误解。因此，需要把一致性检查与业务专家复核、明确参考答案结合起来。多数人同意并不能自动证明某个制度解释正确。

复核结果应回到规则中：补充边界例子、修改标签定义、重新处理受影响样本。为评价系统准备的测试样本还需要与日常调试样本区分；如果不断根据测试题修改提示，最后的测试结果就不再能客观反映陌生问题表现。

## 把用户反馈变成可以处理的问题

收到“回答不好”时，先保留问题、实际答案、相关资料版本和问题类型，再判断发生在哪一环：没有正确资料、没有检索到、检索到了但解释错、答案正确但操作不便。前两类可能需要运营和检索开发共同处理，第三类需要检查生成过程，第四类通常还涉及产品交互。

运营汇总的价值在于解释问题结构。例如“近期未解决反馈主要集中在跨地区报销，现有知识缺少地区标签”，比一个总体满意度下降更容易指导改进。分类后仍应回看具体样本，避免同一个标签包住原因完全不同的问题。

## 参考资料与出处

- [How to measure inter-annotator agreement and build human consensus](https://labelstud.io/tutorials/how_to_measure_inter_annotator_agreement_and_build_human_consensus.html)（Label Studio / @hakan458）

- [Knowledge](https://docs.dify.ai/en/cloud/use-dify/knowledge/readme)（Dify）

- [Introducing Contextual Retrieval](https://www.anthropic.com/engineering/contextual-retrieval)（Anthropic）

- [Your AI Product Needs Evals](https://hamel.dev/blog/posts/evals/)（Hamel Husain）

- [LangSmith Evaluation](https://docs.langchain.com/langsmith/evaluation)（LangChain）

## 对应经验原帖

- [字节跳动数据运营日常实习面试](https://ac.nowcoder.com/discuss/433123)｜Camouflaged｜2020-05-28（编辑日期）｜数据运营 · 数据质量与标注标准

- [字节数据运营面经](https://www.nowcoder.com/discuss/796319639306248192?sourceSSR=dynamic)｜ButtercupGlimmer｜2025-09-13｜数据运营 · 业务分析

- [字节面经-字节运营岗面经-01](https://api-cdn.nowcoder.com/discuss/924099496047280128?sourceSSR=enterprise)｜林小白zii｜页面显示 09-01；条目含 2026 年面试日期｜AI 数据、模型与服务运营 · 汇编

## 关联阅读

- [岗位分工：一个 AI 应用由谁完成](https://cv.shujinxing777.com/career/handbook/ai-team-map)

- [RAG 详解：从一份资料到一个有依据的回答](https://cv.shujinxing777.com/career/handbook/rag-design)

- [评测详解：怎样判断 AI 真的做对了](https://cv.shujinxing777.com/career/handbook/evaluation-design)

- [数据与指标：从回答质量到业务结果](https://cv.shujinxing777.com/career/handbook/metrics)

---

# RAG 详解：从一份资料到一个有依据的回答

> 连接文档解析、切分、召回、重排、生成与引用，理解为什么“上传了资料”仍然可能答错。

适合阅读：产品、运营和 AI 应用开发方向  
更新：2026-09-05

## 一次问答背后有两条流程

RAG 是检索增强生成：在回答问题前，从外部资料中找出相关内容，再让模型结合这些内容组织答案。可以把它分成资料准备与在线问答两条流程。前者负责把资料变成可检索的对象，后者负责针对当前问题取出合适依据。

以知识客服为例，员工提问时不会重新解析所有制度文件。系统通常先保存已经处理好的片段与索引；收到问题后，再查找候选、挑选上下文并生成答案。资料是否有效、用户是否有访问权限，需要贯穿这一过程。

![RAG 知识客服流程：资料与权限、解析切分、保留标题版本、建立索引；用户提问、检索、重排、生成、引用反馈](https://cv.shujinxing777.com/career/handbook/images/rag-service-chain.png)

知识客服教学链路。下方三类问题分别对应资料检索、答案生成和使用体验。

## 解析与切分决定检索对象

解析是把 PDF、网页或表格中的内容转成可处理的结构；切分是把内容组织成检索单元。它们不是简单删除格式。表格的行列关系、段落所属标题、注释和适用条件，都可能改变句子的含义。

片段过短，可能只剩“上限为 500 元”却丢了地区和时间；片段过长，则可能包含大量无关内容。切分长度没有通用最优值，需要结合文档结构和实际问题检查。对制度类材料，保留标题、版本、地区和章节信息，往往比单纯增加片段数量更有意义。

## 召回与重排解决不同问题

关键词检索擅长找到具体术语、编号和原文用词；向量检索通过表示相近程度寻找语义相关内容。当员工使用口语表达，而制度采用正式术语时，向量检索可能有帮助；当查询包含精确条款编号时，关键词匹配仍然重要。两者可以组合，但组合方式也要通过具体问题检验。

召回先取出一批候选；重排再更细致地比较“这个问题与这个片段是否相关”，确定优先给模型哪些内容。联合处理查询和候选的重排模型通常比独立向量比较更耗计算，因此常用于较小候选集合。重排无法恢复根本没有进入候选集合的正确资料。

## 有引用不等于回答有依据

检索到片段后，应用仍要组织上下文、提出回答要求并处理资料不足。模型可能遗漏条件，也可能把多个文件中互不适用的句子拼在一起。引用应支持结论中的具体事实，而不是在答案末尾随便附一个相关链接。

如果问“今年异地出差可以报多少”，资料只说明本地交通费标准，就不能据此推断全部出差费用。合理的结果可能是明确适用范围、询问缺失条件，或说明现有资料不足。检索增强提高了使用外部依据的可能性，但不提供答案必然正确的保证。

| 观察到的问题 | 先检查 | 可能的改进 |
| --- | --- | --- |
| 没有检索到应有制度 | 资料是否存在、解析是否完整、候选是否命中 | 补资料、保留结构、改查询或召回方式 |
| 候选有答案，最终上下文没有 | 排序与截断位置 | 调整重排或上下文组织 |
| 上下文有正确依据，回答仍错 | 遗漏条件、冲突材料、生成要求 | 明确适用条件并加入对应评测 |
| 答案正确但用户没有办成事 | 解释、入口、等待与后续步骤 | 优化交互和办理衔接 |

## RAG 与微调怎样选择

RAG 主要改变一次回答可使用的外部上下文；微调通过训练改变模型参数。经常更新、需要展示出处的业务知识，通常首先需要可靠的资料与检索链路。固定输出格式、特定任务行为或领域能力适配，则可能涉及微调。二者可以结合，不是必须二选一。

遇到效果问题时，应先定位问题所在。如果源文件已经过期，训练更多轮并不能补出正确的最新制度；如果候选排序持续出错，则应研究检索与排序，而不是只改聊天提示。能够沿资料、候选、上下文、答案逐段解释错误，是理解 RAG 的核心。

## 参考资料与出处

- [Introducing Contextual Retrieval](https://www.anthropic.com/engineering/contextual-retrieval)（Anthropic）

- [Retrieve & Re-Rank](https://sbert.net/examples/sentence_transformer/applications/retrieve_rerank/)（Sentence Transformers）

- [Semantic Search](https://www.sbert.net/examples/sentence_transformer/applications/semantic-search/README.html)（Sentence Transformers）

- [动手学大模型应用开发](https://github.com/datawhalechina/llm-universe)（Datawhale）

- [LLM Course](https://huggingface.co/learn/llm-course/chapter1/1)（Hugging Face）

## 对应经验原帖

- [面试官视角聊聊，怎么准备AI大模型产品面试？](https://ac.nowcoder.com/discuss/1607778?type=0)｜武枫楠｜页面显示 01-28，未显示年份｜AI 产品 · 项目与业务讨论

- [富途AI产品经理日常实习二面](https://www.nowcoder.com/feed/main/detail/34d7ed816cac425da58f4dd35210d913)｜刘下苍茫｜2025-05-22｜内部 AI 应用 · 日常实习

- [美团大模型产品转正实习面经（已offer）](https://www.nowcoder.com/feed/main/detail/2550761776d8461ab8aea206ff2db36f)｜美团专业内推官｜2025-03-25｜大模型产品 · 转正实习

## 关联阅读

- [AI 运营：知识、标注与质量反馈怎样运转](https://cv.shujinxing777.com/career/handbook/operations-quality)

- [Agent 详解：模型怎样调用工具完成任务](https://cv.shujinxing777.com/career/handbook/agent-design)

- [评测详解：怎样判断 AI 真的做对了](https://cv.shujinxing777.com/career/handbook/evaluation-design)

- [产品方案：从用户问题到可验收的功能](https://cv.shujinxing777.com/career/handbook/product-discovery)

---

# Agent 详解：模型怎样调用工具完成任务

> 用查询工单的案例区分普通问答、固定工作流和 Agent，解释工具、状态、权限与任务结束条件。

适合阅读：AI 产品、开发与算法方向  
更新：2026-09-05

## 从回答问题到改变系统状态

“请解释工单优先级”可以通过资料问答完成；“找到我负责的紧急工单并整理摘要”需要查询业务系统；“把其中一条转给同事”还会改变系统状态。三种任务的要求不同，不能只因为界面都是聊天框，就认为它们是同一种能力。

工作流预先组织步骤和分支，例如识别工单编号、查询详情、生成摘要。Agent 则可以根据当前任务与执行反馈选择下一步行动。是否需要动态选择，取决于任务：输入输出清楚、流程稳定时，固定工作流通常更容易理解与控制。

## 工具调用究竟发生了什么

工具是应用提供给模型使用的外部能力，例如查询工单、读取日历或创建草稿。模型通常提出工具名称和参数，由应用代码检查并执行，随后把结果交回模型。模型说“已经修改”并不表示业务接口真的成功，最终结果应以系统返回和实际状态为准。

一个“查询工单”工具需要说明可查询字段、参数格式、权限范围以及找不到记录时的返回方式。工具描述越贴近真实业务对象，越容易让系统选择合适动作。工具返回的数据也要区分正文、状态与错误，不能把一段失败提示当成查到的业务事实。

| 阶段 | 教学案例中的实际内容 |
| --- | --- |
| 用户任务 | 整理我负责的未关闭紧急工单 |
| 工具请求 | 按当前用户、紧急程度和状态筛选工单 |
| 应用执行 | 检查登录身份，调用工单查询接口 |
| 工具结果 | 返回允许访问的工单记录与查询状态 |
| 模型整理 | 归纳工单主题、负责人和待办事项 |
| 用户确认 | 若继续请求转派，展示具体对象和操作后再执行 |

## 上下文、状态和记忆不是同一件事

上下文是模型这次调用实际看到的信息；状态是任务当前已完成哪些步骤、获得哪些结果；记忆通常指跨轮次或跨会话保留的信息。把全部聊天记录永久拼进提示，并不能自动得到可靠记忆，还可能保留已经过期的条件。

例如用户先要求查询全部工单，随后补充“只看我负责的”。应用需要更新有效筛选条件，而不是让旧条件与新条件并列竞争。已查询到的工单编号、尚未执行的操作、用户最后确认的对象，可以作为明确状态保存。哪些信息应长期保留，则要看业务需要与用户授权。

## 任务什么时候算完成

查询类任务完成，意味着所需信息已经取得并向用户说明；修改类任务完成，则需要业务状态真的改变。评价 Agent 不能只看最终回答是否流畅，还要看工具是否选对、参数是否正确、必要步骤是否执行。

系统还要定义正常停止条件：任务已完成、需要用户补充信息、权限不足或无法继续。对于写入、发送、删除等操作，确认对象与范围尤其重要。工具接口的权限由应用控制，不能因为模型在文本中声称获得授权就扩大权限。

## 为什么增加 Agent 数量不一定更好

多个 Agent 可以分担相对独立的工作，但也会增加信息传递、协调和检查成本。如果一个固定查询加一次摘要就能完成任务，拆成多个角色不一定带来收益。比较方案时，需要同时观察任务结果、执行时间、调用成本与可定位性。

分析失败案例时，可以沿“理解任务—选工具—填参数—执行—解释结果”逐段定位。工具返回正确而摘要遗漏关键工单，与工具根本查错负责人，是两种不同错误。这样的区分能帮助产品决定规则、开发修改接口，也能帮助算法团队选择需要优化的部分。

## 参考资料与出处

- [Building effective agents](https://www.anthropic.com/engineering/building-effective-agents)（Anthropic）

- [Demystifying evals for AI agents](https://www.anthropic.com/engineering/demystifying-evals-for-ai-agents)（Anthropic）

- [LLM Powered Autonomous Agents](https://lilianweng.github.io/posts/2023-06-23-agent/)（Lilian Weng）

- [MCP Architecture](https://modelcontextprotocol.io/docs/learn/architecture)（Model Context Protocol）

- [Hello-Agents：从零开始构建智能体](https://github.com/datawhalechina/hello-agents)（Datawhale / 陈思州、孙韬等贡献者）

## 对应经验原帖

- [面经](https://www.nowcoder.com/feed/main/detail/aca039781c9246b2a641bc3154f7c276?sourceSSR=dynamic)｜Showieee｜页面显示 09-02；面试写为 9.1，未显示年份｜雷鸟创新 · 软件开发实习

## 关联阅读

- [RAG 详解：从一份资料到一个有依据的回答](https://cv.shujinxing777.com/career/handbook/rag-design)

- [评测详解：怎样判断 AI 真的做对了](https://cv.shujinxing777.com/career/handbook/evaluation-design)

- [AI 开发：把模型接入真实系统](https://cv.shujinxing777.com/career/handbook/engineering)

- [产品方案：从用户问题到可验收的功能](https://cv.shujinxing777.com/career/handbook/product-discovery)

---

# 评测详解：怎样判断 AI 真的做对了

> 从任务定义到样本、评分和实验，解释回答质量、执行结果与业务收益为什么需要分别观察。

适合阅读：参与 AI 效果判断的所有方向  
更新：2026-09-05

## 先定义“对”是什么意思

评测是把任务与判断标准固定下来，再观察系统在这些条件下的表现。知识问答可能关注事实是否有依据、适用条件是否完整；工单 Agent 还需要检查操作对象和实际结果；写作助手则可能关注要求遵循与编辑成本。任务不同，“正确”的含义也不同。

不要只记录一个笼统的满意度。把判断拆成具体维度后，才能知道改进方向。例如知识客服可以分别记录回答事实是否正确、引用是否支持结论、无依据时是否说明，以及用户是否完成后续办理。答案层面的成功不能替代业务层面的成功。

## 一条评测样本应包含哪些信息

样本不仅是一句提问，还应保留回答所需条件与判定依据。涉及制度版本时，要给定可使用的资料；涉及工具时，要说明初始状态和期望的最终状态。否则同一道题在不同环境中可能有不同答案，评分就会失去意义。

样本可以来自具有代表性的真实任务、已经出现的失败问题和人为设计的边界情况。真实任务要适当去除个人信息。边界样本用于检查重要行为，不应全部混入总体均值后冒充真实用户分布。

| 字段 | 知识客服教学示例 |
| --- | --- |
| 输入与条件 | 员工询问异地交通费；明确地区和日期 |
| 允许使用的资料 | 当前有效的交通费制度与地区补充条款 |
| 应覆盖的内容 | 金额、适用条件、出处与办理入口 |
| 不应出现的行为 | 套用另一地区标准或生成不存在的条款 |
| 评分方式 | 事实与条件人工核对；引用链接用程序检查 |
| 问题类别 | 跨地区、多文档条件组合 |

## 程序、人工与模型评分各有所长

程序适合判断明确规则，例如字段是否存在、链接是否可解析、最终工单负责人是否符合预期。人工适合处理需要业务理解或较细腻质量判断的样本。模型评分可以辅助比较大量文本，但也会受指令、样本表达和评分偏好影响，需要与人工判断对照。

同一个任务可以组合多种评分方式。工单摘要格式正确，可以由程序检查；是否遗漏最重要的问题，需要内容判断；转派是否成功，则应查询实际业务状态。只让另一个模型给出一个总分，会把这些不同层次混在一起。

## 怎样比较两个版本

比较模型、提示或检索配置时，应尽量使用相同样本、相同资料条件和清楚的评分规则。记录改动了什么，再看哪些问题改善、哪些问题退步。生成系统可能在重复运行中表现不同，因此关键任务不能仅凭一次漂亮回答下结论。

日常用来调提示的样本与最后评价的样本应区分。把测试题反复用于修改方案，会高估对陌生问题的适应能力。除总体结果外，还应按业务类型、资料长度或错误类别查看表现，否则一个常见类别的改善可能掩盖重要小类的退步。

## 离线质量与线上收益怎么连接

离线评测帮助比较固定任务的表现，线上观察帮助理解真实使用过程。要判断一个功能改动是否造成指标变化，需要考虑用户构成、时间、活动和流量来源等因素；上线前后两个数的差异，不自动等于改动带来的效果。

A/B 实验通常通过随机分配可比对象来比较方案，并提前定义主要指标、观察窗口和停止规则。实验期间频繁改变条件，会影响解释。分流比例明显偏离计划时，应先检查实验实施。即使某个业务指标改善，也需要同时关注错误回答、等待时间等相关结果，避免局部优化损害整体体验。

## 参考资料与出处

- [Demystifying evals for AI agents](https://www.anthropic.com/engineering/demystifying-evals-for-ai-agents)（Anthropic）

- [Your AI Product Needs Evals](https://hamel.dev/blog/posts/evals/)（Hamel Husain）

- [LangSmith Evaluation](https://docs.langchain.com/langsmith/evaluation)（LangChain）

- [Cross-validation: evaluating estimator performance](https://scikit-learn.org/stable/modules/cross_validation.html)（scikit-learn）

- [Keys to successful experimentation](https://learn.microsoft.com/en-us/xbox/playfab/live-service-management/game-configuration/experiments/experimentation-keys)（Microsoft / PlayFab）

## 对应经验原帖

- [字节跳动数据运营日常实习面试](https://ac.nowcoder.com/discuss/433123)｜Camouflaged｜2020-05-28（编辑日期）｜数据运营 · 数据质量与标注标准

- [面试官视角聊聊，怎么准备AI大模型产品面试？](https://ac.nowcoder.com/discuss/1607778?type=0)｜武枫楠｜页面显示 01-28，未显示年份｜AI 产品 · 项目与业务讨论

- [百度文心一言AI产品面经](https://www.nowcoder.com/discuss/796074462360641536)｜Fauna_Blanc｜2025-09-12｜AI 产品 · 业务一面

- [字节面经-字节运营岗面经-01](https://api-cdn.nowcoder.com/discuss/924099496047280128?sourceSSR=enterprise)｜林小白zii｜页面显示 09-01；条目含 2026 年面试日期｜AI 数据、模型与服务运营 · 汇编

## 关联阅读

- [AI 运营：知识、标注与质量反馈怎样运转](https://cv.shujinxing777.com/career/handbook/operations-quality)

- [RAG 详解：从一份资料到一个有依据的回答](https://cv.shujinxing777.com/career/handbook/rag-design)

- [Agent 详解：模型怎样调用工具完成任务](https://cv.shujinxing777.com/career/handbook/agent-design)

- [数据与指标：从回答质量到业务结果](https://cv.shujinxing777.com/career/handbook/metrics)

---

# 研究与算法：把论文、训练和实验结果接起来

> 解释研究问题、基线、数据切分、微调和误差分析，让技术经历能够被完整理解。

适合阅读：Research、算法及希望了解训练链路的开发方向  
更新：2026-09-05

## 研究从可回答的问题开始

“做大模型”是领域名称，不是一个可以直接验证的研究问题。更具体的问题可能是：在某类长文档查询中，给检索片段补充章节上下文，是否能减少条件遗漏？这个问题需要说明任务、数据、比较方法与评价标准，才能设计实验。

阅读论文时，可以沿问题、方法、比较、结果与限制梳理。方法的名称有助于交流，但真正重要的是它改变了哪一步、解决了什么假设下的问题。研究实习常需要把这种理解进一步落实为实验；算法实习可能更侧重既定任务中的实际效果优化。

## 基线与对照为什么重要

基线是比较的参照，可以是简单规则、已有模型或当前系统。一个复杂方法的结果不错，并不能说明复杂部分有用，仍需比较相称的方案。如果新方法使用更多数据、更长输入或更多计算，应说明这些变化，否则难以解释收益来自哪里。

消融实验通过改变某个组成部分观察影响。例如比较“原检索”“补充上下文的检索”“补充上下文并重排”，可以帮助区分两项改动的作用。实验不只是追求最高分，还用于判断方法在什么条件下有效，失败样本又说明了什么。

## 数据切分发生在训练之前

训练集用于学习参数，验证集用于选方案，测试集用于最终评价。预处理也可能泄漏信息：如果先用全部数据选择特征、计算标准化参数，再划分训练与测试，测试信息已经影响了模型建设。需要从训练数据学习的变换，应在训练部分拟合，再应用到其他部分。

同一用户、同一文档的相似片段或连续时间记录之间可能相关。随机拆行不一定能模拟真实使用场景。应根据任务判断按用户、文档或时间划分是否更合理，并清楚说明评价的是新样本、新用户还是未来时间的数据。

| 过程 | 需要说明的内容 |
| --- | --- |
| 数据准备 | 样本来自哪里，标签怎样得到，是否包含近重复内容 |
| 训练 | 基础模型、输入输出、优化目标与可训练参数 |
| 选择方案 | 依据哪个验证集和指标进行比较 |
| 最终评价 | 测试条件、指标定义和主要失败类别 |
| 结果解释 | 哪些结论由实验支持，哪些场景尚未覆盖 |

## SFT、LoRA 与 RAG 的关系

监督微调（SFT）使用输入与目标输出等监督样本继续训练模型。LoRA 是一种参数高效适配方法：通常冻结基础权重，学习较小的低秩更新矩阵，以减少需要训练的参数。它描述“怎样更新参数”，而 SFT 描述训练任务与监督方式，两者可以同时使用。

RAG 则侧重回答时检索外部材料，通常不在该步骤更新模型参数。因此“做了 LoRA”并不能说明训练数据怎样构造，“用了 RAG”也不能说明检索质量如何。介绍技术方案时，要分别解释数据、模型、训练或检索流程，以及评价方式。

## 结果需要回到错误与使用条件

总体指标可能掩盖不同问题。例如检索平均效果提升，但对制度编号的精确查询变差；模型回答更完整，却产生更长等待。误差分析需要把结果回到具体样本和任务条件，而不是只列一个提升百分比。

解释一段研究或算法经历，可以按照“研究问题—数据与基线—本人实现—实验观察—失败原因”展开。若工作基于公开代码，应说明自己修改的部分；若只完成复现，也可以清楚讲出复现条件与发现。能解释一个不理想的实验为何不支持假设，通常比只展示最好一次结果更有内容。

## 参考资料与出处

- [CS336: Language Modeling from Scratch](https://cs336.stanford.edu/)（Stanford）

- [CS224N: Natural Language Processing with Deep Learning](https://web.stanford.edu/class/cs224n/)（Stanford / 2026 课程团队）

- [Common pitfalls and recommended practices](https://scikit-learn.org/stable/common_pitfalls.html)（scikit-learn）

- [Cross-validation: evaluating estimator performance](https://scikit-learn.org/stable/modules/cross_validation.html)（scikit-learn）

- [LoRA](https://huggingface.co/docs/peft/main/conceptual_guides/lora)（Hugging Face / PEFT）

- [Rules of Machine Learning](https://developers.google.com/machine-learning/guides/rules-of-ml)（Martin Zinkevich / Google）

- [Introduction to Machine Learning Interviews Book](https://huyenchip.com/ml-interviews-book/)（Chip Huyen）

## 对应经验原帖

- [百度大模型算法实习生 一面](https://www.nowcoder.com/feed/main/detail/e90de24cd51f42918df7044adb34fbaf)｜长行莫倦｜2025-08-22｜大模型算法 · 实习一面

- [整理下近期的大模型日常实习面经](https://www.nowcoder.com/feed/main/detail/44b2baec47c740c4b9bccb8a013abd56)｜大模型丁真｜2025-05-07｜字节、百度、快手 · 多场实习复盘

## 关联阅读

- [岗位分工：一个 AI 应用由谁完成](https://cv.shujinxing777.com/career/handbook/ai-team-map)

- [AI 算法：数据、模型与任务效果](https://cv.shujinxing777.com/career/handbook/algorithms)

- [评测详解：怎样判断 AI 真的做对了](https://cv.shujinxing777.com/career/handbook/evaluation-design)

- [寻找实习：从招聘信息到面试问题](https://cv.shujinxing777.com/career/handbook/internship-process)

---

# 寻找实习：从招聘信息到面试问题

> 解释实习渠道、JD 阅读、投递条件和项目追问，将信息检索与已有经历连接起来。

适合阅读：准备申请第一段 AI 实习的硕士生  
更新：2026-09-05

## 先识别招聘项目和实际条件

日常实习、暑期实习和面向特定毕业批次的实习项目，可能具有不同的申请范围与安排。职位标题中的“实习”不能替代毕业时间、到岗日期、每周出勤和连续实习时长等条件。研究生还需要考虑课程、课题组安排与所在地，这些信息会影响是否能够实际到岗。

招聘官网用于确认职位与条件；学校就业平台、实验室公告、企业公开账号和社区帖子可以帮助发现机会。发现岗位后，应落到具体公司、团队、职位编号和公告日期。历史帖子仍可帮助理解职责，但不代表现在仍有名额。

## 岗位搜索要组合职责和对象

仅搜索“AI 实习”容易把不同工作混在一起。产品可以组合应用、平台、策略、智能体等词；运营可以组合内容、用户、数据、模型、标注或评测；技术线可以组合研究、NLP、多模态、检索、推荐、应用开发、推理或基础设施。搜索词是发现信息的方法，不是对岗位的最终分类。

把搜索结果读成一句具体工作描述：“在什么团队，为谁，处理什么问题，交付什么结果。”尤其要留意同名职位在不同业务线的差异。搜索结果没有解释清楚的部分，可以在招聘沟通中确认，例如是否偏数据标注组织、是否需要长期训练实验、是否涉及后端业务开发。

## JD 的三类内容分别怎样看

职责说明入职后可能处理的工作；任职要求说明筛选与工作所需条件；加分项说明团队可能优先考虑的经历。不要把每个名词都理解成同等权重，也不要把“了解”自动改写成“必须精通”。关键是看动作和对象之间的联系。

| 招聘表述示例 | 主要含义 | 可联系的经历 |
| --- | --- | --- |
| 参与需求调研与原型设计 | 理解用户任务并表达方案 | 访谈、流程、原型与方案取舍 |
| 构建评测集并分析问题 | 定义质量并定位失败 | 样本组织、评分规则与误差分类 |
| 负责模型训练与优化 | 处理数据并改善模型表现 | 训练实现、对照实验与指标解释 |
| 实现 Agent 业务接口 | 把模型行动接入真实系统 | 接口、状态管理、权限和测试 |
| 维护知识与标注质量 | 持续处理资料与规则 | 版本分类、边界规则与复核过程 |

## 面试追问为什么会从项目一直问下去

一个项目名称只能提供入口，不能说明实际参与深度。面试讨论往往需要还原问题为什么存在、采取过哪些方案、本人做了哪一段、结果怎样测量。产品方向可以从用户问题与功能取舍展开；运营方向可以从数据规则与反馈处理展开；技术方向则需要解释实现、实验或系统行为。

例如介绍知识客服时，回答“用了向量库和大模型”只说明组件。进一步需要解释资料怎么来、为什么这样切分、哪些问题没有检索到、评价样本如何准备，以及是否真的帮助完成任务。这里提供的是问题分析方式，具体面试轮次和题目仍随团队变化。

## 怎样组织回答与反问

一个清楚的回答可以先交代任务和约束，再解释本人采取的行动，最后说明结果与尚未解决的问题。讨论方案时，先澄清输入、输出与条件；编码题则需要解释思路、实现和测试。遇到未做过的部分，可以区分已有实践与现场推理，让对方知道哪些是经历、哪些是分析。

反问可以围绕实际工作展开：实习生主要参与哪条业务链路，产品与算法怎样协作，数据和评测由谁维护，入职后主要交付什么，以及团队预期的出勤与时间安排。这样的信息有助于判断工作内容，而不是只看公司名称。投递记录保留职位、渠道、日期、状态和沟通结论即可，便于后续核对。

## 参考资料与出处

- [字节跳动校园招聘](https://jobs.bytedance.com/campus)（字节跳动）

- [字节跳动校园招聘常见问题](https://jobs.bytedance.com/campus/page-6272Gc?spread=49TMNMC)（字节跳动）

- [百度实习职位列表](https://talent.baidu.com/jobs/list?recruitType=INTERN)（百度）

- [Seed Early Career](https://seed.bytedance.com/zh/seedearlycareer)（字节跳动 Seed）

- [Technical interviews](https://careers.microsoft.com/v2/global/en/hiring-tips/technical-interviewing.html)（Microsoft Careers）

- [Introduction to Machine Learning Interviews Book](https://huyenchip.com/ml-interviews-book/)（Chip Huyen）

## 对应经验原帖

- [面试官视角聊聊，怎么准备AI大模型产品面试？](https://ac.nowcoder.com/discuss/1607778?type=0)｜武枫楠｜页面显示 01-28，未显示年份｜AI 产品 · 项目与业务讨论

- [25实习历程](https://www.nowcoder.com/feed/main/detail/cc44a0e2afb64ee988d390f9a2be165f)｜zxxxxxr｜2024-06-19（编辑日期）｜产品与运营 · 多家公司投递记录

- [26届秋招字节后端二+三面速通面经详细版（附timeline）](https://ac.nowcoder.com/discuss/1554249?type=0)｜嵐jlu｜2025-10-09｜后端开发 · 校招流程复盘

## 关联阅读

- [岗位分工：一个 AI 应用由谁完成](https://cv.shujinxing777.com/career/handbook/ai-team-map)

- [读懂 JD：条件、职责与技术词](https://cv.shujinxing777.com/career/handbook/read-jd)

- [把经历说清楚：简历与面试资料](https://cv.shujinxing777.com/career/handbook/resume-interview)

- [研究与算法：把论文、训练和实验结果接起来](https://cv.shujinxing777.com/career/handbook/research-practice)

---

# 术语速查

## JD

职位说明，包含职责、条件与要求。标题之外的动作和对象决定岗位含义。

## PRD

产品需求文档，用于说明用户问题、产品规则、流程和验收条件；格式随团队而异。

## LLM

大语言模型，基于输入上下文生成或处理文本；模型本身不等于完整应用。

## Prompt

提供给模型的指令与上下文的一部分。效果还受模型、资料、工具与流程影响。

## Token

模型处理文本的单位，不固定等于一个汉字或英文单词；会影响上下文和计费。

## 上下文窗口

一次处理可容纳的信息范围；能放入更多文字不等于一定能正确使用所有信息。

## Embedding

把文本等对象表示为数值向量，可用于相似性检索；相似不等于事实正确。

## RAG

检索增强生成，先找外部材料，再据此生成答案；通常不在此步骤更新模型参数。

## Rerank / 重排

对检索或推荐候选进一步排序，决定优先使用或展示哪些结果。

## Agent

根据任务与反馈选择并执行行动的系统；边界、工具和结束条件需要定义。

## Workflow / 工作流

预先组织的处理步骤与分支，可以组合规则、模型、代码和工具。

## Tool Calling

模型提出工具调用意图和参数，由应用执行接口并返回结果。

## MCP

连接应用与外部工具、资源的协议；它不替代模型、业务接口或质量评测。

## API

系统向其他程序提供能力的接口，包括输入、输出与调用约定。

## 微调 / Fine-tuning

在已有模型基础上继续训练以适应目标行为或任务，与检索外部资料不同。

## SFT

监督微调，使用输入和目标输出等监督样本训练模型。

## 后训练

基础预训练之后的适配与优化阶段，可能包含监督微调和偏好优化等方法。

## 多模态

处理文本、图片、音频等多种信息形式；具体任务与数据决定技术要求。

## 评测集

用于评价某项能力或系统表现的一组样本，应说明场景范围与评分方式。

## 基线 / Baseline

用于比较的参考方法；比较时需要关注数据、设置和评价规则是否相称。

## 消融实验

改变或移除某个组成部分，观察它对结果的影响。

## 数据泄漏

训练或选择模型时使用了真实预测中不应可得的信息，导致评价失真。

## 精确率

被判为目标类别的结果中，真正属于目标类别的比例；先明确正类。

## 召回率

所有应找到的目标中，实际找到的比例；常需与精确率一起理解。

## 幻觉

生成了缺乏依据或不符合事实的内容，语言流畅不能排除这类错误。

## A/B 实验

让可比对象使用不同方案并比较结果，用实验设计帮助判断改动的影响。

## 留存

某批用户在指定时间窗口再次使用或完成指定行为的比例，需说明口径。

## 推理延迟

执行模型推理的等待时间；用户端总等待还可能包括检索、网络和工具。

## 吞吐

单位时间内完成的处理量，必须结合负载、输入输出规模和测量方式。

## AI Infra

支持训练、推理和运行的基础设施，包括资源、服务和作业管理等。

---

# 精选公开资料

## Introducing Contextual Retrieval

作者 / 发布方：Anthropic  
主题：Agent 与应用 · 英文 · 进阶

检索中的上下文丢失、关键词与向量检索、重排。

阅读前提：了解 RAG 的基本流程。

查阅范围（2026-09-05）：已读全文；2024-09-19 发布。文中实验提升不作为通用收益。

[阅读原文](https://www.anthropic.com/engineering/contextual-retrieval)

## Demystifying evals for AI agents

作者 / 发布方：Anthropic  
主题：评测与数据 · 英文 · 进阶

任务、运行轨迹、最终状态与评分器的区别。

阅读前提：了解工具调用和 Agent。

查阅范围（2026-09-05）：已读术语、评分方式与 Agent 类型部分；2026-01-09 发布。

[阅读原文](https://www.anthropic.com/engineering/demystifying-evals-for-ai-agents)

## How to measure inter-annotator agreement and build human consensus

作者 / 发布方：Label Studio / @hakan458  
主题：评测与数据 · 英文 · 入门

标注分歧、规则修订、复核与共识形成。

阅读前提：无需模型训练基础；理解人工标注。

查阅范围（2026-09-05）：已读方法与产品实现部分；所示部分功能属于付费产品。

[阅读原文](https://labelstud.io/tutorials/how_to_measure_inter_annotator_agreement_and_build_human_consensus.html)

## Usability Testing 101

作者 / 发布方：Kate Moran / NN/g  
主题：产品与平台 · 英文 · 入门

让用户执行具体任务，通过行为观察定位交互问题。

阅读前提：无需编程基础。

查阅范围（2026-09-05）：已读测试目的、参与者与任务部分；2019-12-01 发布。

[阅读原文](https://www.nngroup.com/articles/usability-testing-101/)

## Retrieve & Re-Rank

作者 / 发布方：Sentence Transformers  
主题：模型与算法 · 英文 · 进阶

先召回候选，再对查询与候选联合打分。

阅读前提：向量、相似度与基础 Python。

查阅范围（2026-09-05）：已读流程与示例说明，未运行代码。

[阅读原文](https://sbert.net/examples/sentence_transformer/applications/retrieve_rerank/)

## Common pitfalls and recommended practices

作者 / 发布方：scikit-learn  
主题：模型与算法 · 英文 · 进阶

训练与测试预处理、特征选择和数据泄漏。

阅读前提：训练集与测试集概念。

查阅范围（2026-09-05）：已读预处理与泄漏部分。

[阅读原文](https://scikit-learn.org/stable/common_pitfalls.html)

## LoRA

作者 / 发布方：Hugging Face / PEFT  
主题：模型与算法 · 英文 · 进阶

低秩参数更新、冻结基础权重与合并适配参数。

阅读前提：矩阵、梯度与微调基础。

查阅范围（2026-09-05）：已读概念说明，未执行训练。

[阅读原文](https://huggingface.co/docs/peft/main/conceptual_guides/lora)

## Keys to successful experimentation

作者 / 发布方：Microsoft / PlayFab  
主题：评测与数据 · 英文 · 进阶

实验假设、分流检查、测量窗口和实验中途改动。

阅读前提：基础统计与 A/B 实验。

查阅范围（2026-09-05）：已读实验设计部分；产品场景是游戏服务。

[阅读原文](https://learn.microsoft.com/en-us/xbox/playfab/live-service-management/game-configuration/experiments/experimentation-keys)

## Framing an ML problem

作者 / 发布方：Google for Developers  
主题：产品与平台 · 英文 · 入门

把产品目标、模型输出与业务决策分开定义。

阅读前提：无需训练模型。

查阅范围（2026-09-05）：已读目标、模型输出和成功指标；页面 2025-08-25 更新。图 2 按 CC BY 4.0 使用。

[阅读原文](https://developers.google.com/machine-learning/problem-framing/ml-framing)

## Technical interviews

作者 / 发布方：Microsoft Careers  
主题：求职经验 · 英文 · 入门

问题澄清、设计、编码、测试与机器学习相关讨论。

阅读前提：面向技术方向；不是国内各公司的统一流程。

查阅范围（2026-09-05）：已读官方技术面试说明；具体流程依岗位变化。

[阅读原文](https://careers.microsoft.com/v2/global/en/hiring-tips/technical-interviewing.html)

## Rules of Machine Learning

作者 / 发布方：Martin Zinkevich / Google  
主题：模型与算法 · 英文 · 进阶

工程管线、简单基线与目标定义。

阅读前提：基本机器学习与工程概念。

查阅范围（2026-09-05）：已读概览与早期系统建设原则，未通读所有规则。

[阅读原文](https://developers.google.com/machine-learning/guides/rules-of-ml)

## User Interviews 101

作者 / 发布方：Maria Rosala、Kara Pernice / NN/g  
主题：产品与平台 · 英文 · 入门

先读访谈与可用性测试的区别，再看研究目标、提纲、试访和追问。适合对照面经中“你如何发现用户需求”的问题。

阅读前提：无需编程基础；访谈得到的是用户自述，需要结合行为观察。

查阅范围（2026-09-05）：已读方法、步骤与局限部分；页面复核日期 2026-07-15。

[阅读原文](https://www.nngroup.com/articles/user-interviews/)

## Hello-Agents：从零开始构建智能体

作者 / 发布方：Datawhale / 陈思州、孙韬等贡献者  
主题：Agent 与应用 · 中文 · 进阶

先查第 4 章的 Agent 范式，再按问题读第 8 章记忆、第 9 章上下文和第 12 章评估；第 13 章提供旅行助手案例。

阅读前提：代码部分需要 Python 和模型调用基础；仓库提供原作者 PDF 入口。

查阅范围（2026-09-05）：已核对 README、章节目录和官方阅读入口，未逐章运行代码。

[阅读原文](https://github.com/datawhalechina/hello-agents)

## LLM Cookbook：面向开发者的大模型手册

作者 / 发布方：Datawhale / 基于 DeepLearning.AI 课程的中文翻译与实践  
主题：Agent 与应用 · 中文 / 英文 · 入门

从 Prompt 和问答系统两部分进入，再查个人数据检索、评估改进和高级 RAG。原站同时列出英文课程来源。

阅读前提：基础 Python；API、云服务可能产生费用。示例库版本需按原教程核对。

查阅范围（2026-09-05）：已读项目介绍、课程分级与目录；不是全部课程的逐课验收。

[阅读原文](https://github.com/datawhalechina/llm-cookbook)

## 开源大模型食用指南

作者 / 发布方：Datawhale 与社区贡献者  
主题：模型与算法 · 中文 · 进阶

按选定模型查部署、推理和微调的对应示例，比较“使用模型”和“训练模型”所需步骤。适合补足面经里的实践问题。

阅读前提：Linux、Python 和深度学习基础；不同模型的显存和依赖要求不同。

查阅范围（2026-09-05）：已核对仓库介绍与模型目录，未运行各模型教程。

[阅读原文](https://github.com/datawhalechina/self-llm)

## Dive into Deep Learning / 动手学深度学习

作者 / 发布方：Aston Zhang、Zachary C. Lipton、Mu Li、Alexander J. Smola  
主题：模型与算法 · 英文 / 有中文版入口 · 进阶

按面经缺口查自动求导、泛化、注意力、优化算法和推荐系统，先理解计算过程，再看可运行实现。

阅读前提：Python、线性代数与微积分基础；中文版本与英文版本章节可能不同。

查阅范围（2026-09-05）：已核对教材目录，按主题推荐章节，未通读全书。

[阅读原文](https://d2l.ai/)

## LLM Bootcamp — Spring 2023

作者 / 发布方：The Full Stack / Full Stack Deep Learning  
主题：产品与平台 · 英文 · 进阶

产品读 UX for Language User Interfaces，开发读 LLMOps 和 askFSDL 项目讲解，再对照同一应用如何从界面走到上线。

阅读前提：2023 年课程；适合学习设计思路，具体模型、价格与接口需查当前文档。

查阅范围（2026-09-05）：已读课程介绍与课次提要，未完整观看视频。

[阅读原文](https://fullstackdeeplearning.com/llm-bootcamp/spring-2023/)

## Introduction to Machine Learning Interviews Book

作者 / 发布方：Chip Huyen  
主题：求职经验 · 英文 · 进阶

第一部分解释岗位与面试过程，第二部分按知识主题组织问题。重点看题目背后的条件和歧义，而不是寻找通用背诵答案。

阅读前提：2021 年版本，以海外 ML 招聘经验为背景；流程不能直接套到国内实习。

查阅范围（2026-09-05）：已读导言及问题说明，未逐题验证全书答案。

[阅读原文](https://huyenchip.com/ml-interviews-book/)

## Hello 算法

作者 / 发布方：靳宇栋（krahets）与贡献者  
主题：模型与算法 · 中文 / 多语言 · 入门

用动画和代码理解复杂度、树、堆、搜索和动态规划。面经出现编程题时，可从对应的数据结构开始补起。

阅读前提：具备任一编程语言基础；这是数据结构教材，不是大模型算法教材。

查阅范围（2026-09-05）：已读教材介绍与目录，未逐题运行。

[阅读原文](https://www.hello-algo.com/)

## Tech Interview Handbook

作者 / 发布方：Yangshun Tay 与社区贡献者  
主题：求职经验 · 英文 · 入门

按编码面试、简历和行为面试查阅，了解工程岗位如何解释方案、讨论复杂度和表达经历。

阅读前提：偏海外软件工程招聘；保留方法参考，具体轮次和岗位条件看国内原公告。

查阅范围（2026-09-05）：已读首页与内容分类，未逐篇验证。

[阅读原文](https://www.techinterviewhandbook.org/)

## CS224N: Natural Language Processing with Deep Learning

作者 / 发布方：Stanford / 2026 课程团队  
主题：模型与算法 · 英文 · 深入

把词向量、神经网络、注意力和大模型评价连起来；研究方向读者可进一步查看原站项目报告入口。

阅读前提：Python、概率、微积分与线性代数。2026 视频限校内，原站提供往年公开视频入口。

查阅范围（2026-09-05）：已读课程说明、先修要求、作业与项目结构。

[阅读原文](https://web.stanford.edu/class/cs224n/)

## CS231n: Deep Learning for Computer Vision

作者 / 发布方：Stanford / 2026 课程团队  
主题：模型与算法 · 英文 · 深入

从视觉任务和网络训练认识 CV 研究、视觉算法岗位；结合公开作业理解实现细节与实验过程。

阅读前提：Python、概率与微积分基础。当期视频限校内，往年公开视频由课程页引出。

查阅范围（2026-09-05）：已读课程目标与先修要求，未完成作业。

[阅读原文](https://cs231n.stanford.edu/)

## AI Agents for Beginners

作者 / 发布方：Microsoft 与贡献者  
主题：Agent 与应用 · 英文 / 多语言译文 · 进阶

用课程中的设计模式理解工具调用、规划、多智能体与记忆，和 Hello-Agents 对照同一概念的不同实现。

阅读前提：Python 与基础 LLM 知识；实际运行需按课程配置模型服务。

查阅范围（2026-09-05）：已核对仓库课程目录，未逐课运行。

[阅读原文](https://github.com/microsoft/ai-agents-for-beginners)

## Your AI Product Needs Evals

作者 / 发布方：Hamel Husain  
主题：评测与数据 · 英文 · 进阶

看房产助手 Lucy 如何把具体错误变成检查项，再区分程序检查、人工与模型评价、线上实验各自解决的问题。

阅读前提：理解模型调用即可阅读案例；文中为作者项目经验。

查阅范围（2026-09-05）：已读 Lucy 案例与三层评价部分；文章发表于 2024-03-29。

[阅读原文](https://hamel.dev/blog/posts/evals/)

## Building LLM applications for production

作者 / 发布方：Chip Huyen  
主题：Agent 与应用 · 英文 · 进阶

把提示的变化、效果验证、成本延迟和任务组合一起看，理解应用交付涉及哪些取舍。

阅读前提：早期 LLM 工程文章；其中模型参数、费用和接口示例不作当前标准。

查阅范围（2026-09-05）：已读文章框架、提示评估与生产问题部分；发表于 2023-04-11。

[阅读原文](https://huyenchip.com/2023/04/11/llm-engineering.html)

## LLM Powered Autonomous Agents

作者 / 发布方：Lilian Weng  
主题：Agent 与应用 · 英文 · 进阶

用规划、记忆和工具三部分理解 Agent，再沿文章给出的论文出处扩展阅读。适合把零散名词接回系统结构。

阅读前提：了解 LLM；文章中的早期原型与当下生产系统需要分开看待。

查阅范围（2026-09-05）：已读系统概览、规划与记忆部分；发表于 2023-06-23。

[阅读原文](https://lilianweng.github.io/posts/2023-06-23-agent/)

## User Needs + Defining Success

作者 / 发布方：Google PAIR  
主题：产品与平台 · 英文 · 入门

先读用户问题与 AI 能力的交点，再看自动化与辅助人的区别，以及成功标准如何定义。

阅读前提：无需编程基础，适合产品与运营读者。

[阅读原文](https://pair.withgoogle.com/chapter/user-needs/)

## Human-AI eXperience Toolkit

作者 / 发布方：Microsoft  
主题：产品与平台 · 英文 · 入门

通过交互准则、设计模式与例子理解如何表达 AI 能力、处理错误并让用户保持控制。

阅读前提：无需训练模型；先从 Guidelines 与 Design Library 开始。

[阅读原文](https://www.microsoft.com/en-us/haxtoolkit/)

## Generative AI for Beginners

作者 / 发布方：Microsoft  
主题：Agent 与应用 · 英文 / 含中文译文 · 入门

按概念解释与应用构建分别阅读，了解提示、文本生成、搜索应用与工具调用的关系。

阅读前提：概念部分可直接阅读；代码部分需要编程与模型访问条件。

[阅读原文](https://github.com/microsoft/generative-ai-for-beginners)

## LangSmith Evaluation

作者 / 发布方：LangChain  
主题：评测与数据 · 英文 · 进阶

看数据集、评分器、实验与线上评价的连接；区分人工、代码规则和模型评分。

阅读前提：理解基本评测概念；平台服务费用另计。

[阅读原文](https://docs.langchain.com/langsmith/evaluation)

## Semantic Search

作者 / 发布方：Sentence Transformers  
主题：模型与算法 · 英文 · 进阶

理解查询与文档的向量表示，以及短问题检索长文档和相似句检索的区别。

阅读前提：Python、向量和相似度基础。

[阅读原文](https://www.sbert.net/examples/sentence_transformer/applications/semantic-search/README.html)

## CS336: Language Modeling from Scratch

作者 / 发布方：Stanford  
主题：模型与算法 · 英文 · 深入

按课程表查看分词、模型构建、训练、数据处理与评价的完整技术链路。

阅读前提：适合有深度学习、数学和编程基础的读者；课程题目中的 from scratch 不代表零基础。

[阅读原文](https://cs336.stanford.edu/)

## Building effective agents

作者 / 发布方：Anthropic  
主题：Agent 与应用 · 英文 · 进阶

重点看工作流与 Agent 的区别、工具设计以及何时增加系统复杂度。

阅读前提：先了解模型调用、工具和工作流。

[阅读原文](https://www.anthropic.com/engineering/building-effective-agents)

## 工作流概述

作者 / 发布方：扣子  
主题：产品与平台 · 中文 · 入门

看节点输入输出、插件、模型与代码怎样组成流程；对照平台产品的用户与操作对象。

阅读前提：无需编程基础；实际运行可能产生平台费用。

[阅读原文](https://docs.coze.cn/guides_agent_workflow)

## Agent 评测漫谈

作者 / 发布方：美团技术团队  
主题：评测与数据 · 中文 · 进阶

理解系统级评测与过程观察，认识产品、研发、测试、运营为什么需要共同定义质量。

阅读前提：先读本讲义的 Agent 与评测章节。

[阅读原文](https://tech.meituan.com/2026/08/07/Agent-Evaluation.html)

## 动手学大模型应用开发

作者 / 发布方：Datawhale  
主题：Agent 与应用 · 中文 · 入门

围绕知识库应用阅读数据准备、检索与问答的衔接；代码示例用于理解实现。

阅读前提：基础 Python；运行模型或 API 的费用另计。

[阅读原文](https://github.com/datawhalechina/llm-universe)

## Happy-LLM

作者 / 发布方：Datawhale  
主题：模型与算法 · 中文 · 进阶

从语言模型原理、训练到应用建立技术线的概念框架。

阅读前提：Python、机器学习和深度学习基础。

[阅读原文](https://github.com/datawhalechina/happy-llm)

## LLM Course

作者 / 发布方：Hugging Face  
主题：模型与算法 · 英文 · 进阶

重点看 Tokenizer、数据集、模型使用和微调；认识模型训练的数据流。

阅读前提：Python，建议具备入门深度学习知识。

[阅读原文](https://huggingface.co/learn/llm-course/chapter1/1)

## Agents Course

作者 / 发布方：Hugging Face  
主题：Agent 与应用 · 英文 · 进阶

先看工具、行动与观察的基础单元，再阅读框架与 Agentic RAG 示例。

阅读前提：Python 与大语言模型基础。

[阅读原文](https://huggingface.co/learn/agents-course/unit0/introduction)

## Knowledge

作者 / 发布方：Dify  
主题：产品与平台 · 英文 · 入门

看知识导入、分段与检索配置，理解知识库为什么不等于把文件放进聊天框。

阅读前提：先了解 RAG；云服务使用费用另计。

[阅读原文](https://docs.dify.ai/en/cloud/use-dify/knowledge/readme)

## MCP Architecture

作者 / 发布方：Model Context Protocol  
主题：Agent 与应用 · 英文 · 进阶

看 Host、Client、Server 的关系，以及工具和资源怎样暴露给应用。

阅读前提：理解客户端、服务端与 API。

[阅读原文](https://modelcontextprotocol.io/docs/learn/architecture)

## Cross-validation: evaluating estimator performance

作者 / 发布方：scikit-learn  
主题：评测与数据 · 英文 · 进阶

看训练集、验证集、测试集的分工，以及分组和时间相关数据的切分。

阅读前提：基础机器学习；Python 有助于理解示例。

[阅读原文](https://scikit-learn.org/stable/modules/cross_validation.html)

## Learn the Basics

作者 / 发布方：PyTorch  
主题：模型与算法 · 英文 · 入门

依次查看数据加载、网络、自动求导、优化和模型保存，建立训练流程的全貌。

阅读前提：Python 和基本数学；练习需要配置运行环境。

[阅读原文](https://docs.pytorch.org/tutorials/beginner/basics/intro.html)

## 千帆大模型平台文档

作者 / 发布方：百度智能云  
主题：产品与平台 · 中文 · 入门

区分模型服务与应用构建层，查阅知识库、工作流和 Agent 等产品能力。

阅读前提：可先阅读概览；调用和部署费用另计。

[阅读原文](https://cloud.baidu.com/doc/qianfan-docs/s/0m8r1domp)

## 智能体开发平台 ADP 文档

作者 / 发布方：腾讯云  
主题：产品与平台 · 中文 · 入门

按知识、工具、工作流、智能体的层次阅读，观察企业应用构建需要哪些配置。

阅读前提：可先阅读概览；平台使用费用另计。

[阅读原文](https://intl.cloud.tencent.com/zh/document/product/1254)

## 字节跳动校园招聘

作者 / 发布方：字节跳动  
主题：实习信息 · 中文 · 入口

搜索实习岗位并核对毕业时间、地点、实习要求与职位编号。入口不代表某个具体职位仍开放。

阅读前提：投递可能要求登录。

[阅读原文](https://jobs.bytedance.com/campus)

## 字节跳动校园招聘常见问题

作者 / 发布方：字节跳动  
主题：实习信息 · 中文 · 入口

查看招聘项目说明，分清日常实习与专项实习的适用人群；具体条件以当期公告为准。

阅读前提：先明确自己的毕业年月和可实习时间。

[阅读原文](https://jobs.bytedance.com/campus/page-6272Gc?spread=49TMNMC)

## 百度实习职位列表

作者 / 发布方：百度  
主题：实习信息 · 中文 · 入口

用产品、运营、研发、算法等关键词分别查询，进入详情阅读职责与任职要求。

阅读前提：招聘列表会变化；投递可能要求登录。

[阅读原文](https://talent.baidu.com/jobs/list?recruitType=INTERN)

## Seed Early Career

作者 / 发布方：字节跳动 Seed  
主题：实习信息 · 中文 · 入口

观察研究方向如何被写成招聘专题，再核对各项目的学历、时间和申请要求。

阅读前提：适合了解 Research 的同学；不等于对所有硕士开放。

[阅读原文](https://seed.bytedance.com/zh/seedearlycareer)

## Machine Learning Crash Course

作者 / 发布方：Google  
主题：模型与算法 · 英文 · 入门

选读分类指标、过拟合、数据与生产系统；产品同学可先看概念，技术同学再看练习。

阅读前提：基础代数；编程练习需要 Python。

[阅读原文](https://developers.google.com/machine-learning/crash-course)

## Recommendation systems overview

作者 / 发布方：Google  
主题：模型与算法 · 英文 · 入门

从候选生成、评分和重排理解推荐系统，区分模型相关性与业务策略。

阅读前提：基本机器学习概念。

[阅读原文](https://developers.google.com/machine-learning/recommendation/overview)

## PPTAgent

作者 / 发布方：ICIP-CAS 项目维护者  
主题：公开案例 · 英文 · 进阶

先读 README 中的输入、输出与工作流程，理解演示文稿生成为什么包含内容与版式问题。

阅读前提：代码运行有模型及环境要求；使用代码前阅读仓库许可。

[阅读原文](https://github.com/icip-cas/PPTAgent)

## Experimentation Platform

作者 / 发布方：Microsoft Research  
主题：评测与数据 · 英文 · 进阶

了解在线对照实验的工作对象，认识产品改动与因果判断的区别。

阅读前提：基础统计与 A/B 实验概念。

[阅读原文](https://www.microsoft.com/en-us/research/group/experimentation-platform-exp/)

## The SQL Language

作者 / 发布方：PostgreSQL  
主题：评测与数据 · 英文 · 入门

查询、连接、聚合是读懂用户行为和业务指标的基础；从小表理解口径。

阅读前提：无需机器学习背景；示例使用 PostgreSQL。

[阅读原文](https://www.postgresql.org/docs/current/tutorial-sql.html)

---

# 经验原帖索引

整理日期：2026-09-05

## 字节跳动数据运营日常实习面试

作者：Camouflaged  
时间：2020-05-28（编辑日期）  
背景：数据运营 · 数据质量与标注标准 · 实习 · 个人面经

从数据采集与评估追问到标注标准、搜索内容匹配和数据库分类，呈现数据运营与算法工作的交接。

问题主题：资料质量如何判断？；标注规则怎样定义？；如何分类和组织业务知识？

阅读背景：2020 年历史样本，用于解释数据运营的工作对象。

[原帖地址](https://ac.nowcoder.com/discuss/433123)

## 面试官视角聊聊，怎么准备AI大模型产品面试？

作者：武枫楠  
时间：页面显示 01-28，未显示年份  
背景：AI 产品 · 项目与业务讨论 · 未注明批次 · 求职复盘

讨论项目背景、数据来源、技术取舍及结果衡量，涉及客服应用和产品运营协作。

问题主题：项目解决什么任务？；为什么选择检索或微调？；怎样连接问答质量与使用结果？

阅读背景：作者自述具有面试官经历；身份未独立核实。

[原帖地址](https://ac.nowcoder.com/discuss/1607778?type=0)

## 25实习历程

作者：zxxxxxr  
时间：2024-06-19（编辑日期）  
背景：产品与运营 · 多家公司投递记录 · 实习 · 求职复盘

记录内容工具、语音助手、内容生成等不同场景的投递经历，展示产品岗位在业务对象上的差异。

问题主题：同名产品岗位分别服务什么场景？；如何记录投递公司与进度？

阅读背景：2024 年历史记录；录用结果为作者自述。

[原帖地址](https://www.nowcoder.com/feed/main/detail/cc44a0e2afb64ee988d390f9a2be165f)

## 百度文心一言AI产品面经

作者：Fauna_Blanc  
时间：2025-09-12  
背景：AI 产品 · 业务一面 · 未注明批次 · 个人面经

从用户需求挖掘追问到功能设计、收益拆分和对话体验。适合观察“做了什么”如何被继续追问成“为什么有效”。

问题主题：需求怎样变成功能？；增长能否归因到改动？；产品比较的评价集如何设计？

阅读背景：作者回忆的单次业务面，不代表百度统一题库。

[原帖地址](https://www.nowcoder.com/discuss/796074462360641536)

## 富途AI产品经理日常实习二面

作者：刘下苍茫  
时间：2025-05-22  
背景：内部 AI 应用 · 日常实习 · 实习 · 个人面经

项目数据、金融业务理解和知识问答被放在同一场面试中讨论。反问环节涉及投研、资讯与搜索提效。

问题主题：项目对业务有什么作用？；知识问答经过哪些步骤？；为什么选择产品方向？

阅读背景：作者明确是补发的历史记录；发帖日不是面试日。

[原帖地址](https://www.nowcoder.com/feed/main/detail/34d7ed816cac425da58f4dd35210d913)

## 小米AI策略产品面经

作者：Fauna_Blanc  
时间：2025-10-24  
背景：语音助手 · 策略产品 · 未注明批次 · 个人面经

从小爱同学的使用问题追问普遍性、改进方式与先后顺序。能帮助区分“个人感觉不好用”和有依据的产品问题。

问题主题：问题在多少用户中存在？；哪些改进应先做？；如何判断用户正在对助手说话？

阅读背景：与百度产品帖为同一作者，不能当成两个独立人群样本。

[原帖地址](https://www.nowcoder.com/feed/main/detail/60becb16810e411796bc6ccda6815b35)

## 蚂蚁ai产品实习一面分享

作者：Ori12  
时间：页面显示 05-01，未显示年份  
背景：AI 产品 · 场景与评测 · 实习 · 个人面经

围绕项目动机、提示迭代、模型费用和用户群体展开，包含 B 端与 C 端设计差异的讨论。

问题主题：为什么选这个模型？；如何评价产品结果？；不同用户的需求有何差异？

阅读背景：案例为面试话题，不作为医疗建议或产品安全效果证明。

[原帖地址](https://www.nowcoder.com/feed/main/detail/50694c1390a54107bf36d180e4df2975)

## 美团大模型产品转正实习面经（已offer）

作者：美团专业内推官  
时间：2025-03-25  
背景：大模型产品 · 转正实习 · 实习 · 个人面经

将知识库、失败案例标准和商业模式放在一起讨论。可对照产品人员如何参与数据与模型效果的工作。

问题主题：失败样例按什么标准判定？；知识如何分段？；技术方案对应什么商业价值？

阅读背景：原帖含内推广告，结果为作者自述；站内仅整理问题主题。

[原帖地址](https://www.nowcoder.com/feed/main/detail/2550761776d8461ab8aea206ff2db36f)

## 腾讯- AI产品实习面经 喜提人才库

作者：Stella_Chiara  
时间：页面显示 03-09，未显示年份  
背景：AI 产品 · 形态与体验 · 实习 · 个人面经

讨论独立应用与已有产品功能的取舍、对话记忆和体验指标，并涉及需求与研发之间的沟通。

问题主题：能力应嵌入还是独立成产品？；记忆功能如何设计？；体验用什么指标观察？

阅读背景：原帖含早期插件生态话题；面试年份不明，不标记为最新题目。

[原帖地址](https://www.nowcoder.com/feed/main/detail/26f18f2c96404679aa03539c219755ce?sourceSSR=users)

## 字节数据运营面经

作者：ButtercupGlimmer  
时间：2025-09-13  
背景：数据运营 · 业务分析 · 未注明批次 · 个人面经

从校园和实习经历追问独立贡献、指标选择、异常发现，再讨论文本反馈与数值数据的分析区别。

问题主题：为什么观察这些指标？；如何分析用户文字反馈？；能否说明完整的数据处理过程？

阅读背景：这是数据运营样本，不能直接等同于所有 AI 运营岗位。

[原帖地址](https://www.nowcoder.com/discuss/796319639306248192?sourceSSR=dynamic)

## 字节面经-字节运营岗面经-01

作者：林小白zii  
时间：页面显示 09-01；条目含 2026 年面试日期  
背景：AI 数据、模型与服务运营 · 汇编 · 实习 · 社区汇编

前六组条目涉及知识库质量、评测集、服务交付和图像数据标准，可用来发现运营岗位中的技术关联。

问题主题：知识库质量如何维护？；评测样本从哪里来？；数据标准如何制定？

阅读背景：已读前六组；汇编未逐一给出原始作者，作为补充线索，不计作独立面试次数。

[原帖地址](https://api-cdn.nowcoder.com/discuss/924099496047280128?sourceSSR=enterprise)

## 运营小白 字节跳动某频道运营实习生面经，已offer

作者：牛客34414447号  
时间：2020-06-05  
背景：内容运营 · 跨专业实习历史样本 · 实习 · 求职复盘

记录非相关专业候选人如何被问到频道理解、过往经历和改进想法。为理解内容运营的基础工作提供历史参照。

问题主题：是否了解具体业务频道？；过往经历能说明什么？；产品内容有哪些改进空间？

阅读背景：2020 年历史样本，招聘节奏与录用结果不能外推到现在。

[原帖地址](https://ac.nowcoder.com/discuss/436314?channel=-1&ncTraceId=9cbc975b9810404eb129b0135b3b0fa3.248.17369598512043794&source_id=discuss_terminal_discuss_sim_nctrack)

## 百度大模型算法实习生 一面

作者：长行莫倦  
时间：2025-08-22  
背景：大模型算法 · 实习一面 · 实习 · 个人面经

项目讨论之外，涉及偏好学习方法、视觉语言训练与编程，也追问从视觉研究转向 NLP 的原因。

问题主题：不同奖励学习方法有何差异？；视觉语言模型怎样训练？；已有研究如何连接新方向？

阅读背景：记录问题而非验证过的技术答案；Research 标签表示研究经历关联。

[原帖地址](https://www.nowcoder.com/feed/main/detail/e90de24cd51f42918df7044adb34fbaf)

## 整理下近期的大模型日常实习面经

作者：大模型丁真  
时间：2025-05-07  
背景：字节、百度、快手 · 多场实习复盘 · 实习 · 求职复盘

同一作者比较数场大模型实习面试，包含多模态项目追问和编程过程中的失误。可观察岗位与项目背景的联系。

问题主题：项目模型为何这样选择？；多模态信息怎样结合？；模型之外的编程基础如何考查？

阅读背景：多场记录仍来自同一个人，不据此计算公司录取率或题目频率。

[原帖地址](https://www.nowcoder.com/feed/main/detail/44b2baec47c740c4b9bccb8a013abd56)

## 字节-tac-二面面经记录（实习面试）

作者：老辣鸡了  
时间：2025-05-09（搜索记录；页面显示 05-09）  
背景：搜推业务 · 交叉面 · 实习 · 个人面经

把业务指标、冷启动、模型结构和损失实现连接起来。简历中的方法会进一步落到公式和代码。

问题主题：业务指标的含义是什么？；新用户或新内容如何处理？；损失函数如何实现？

阅读背景：原帖中的简略技术判断并非教材结论，概念需回到课程核对。

[原帖地址](https://www.nowcoder.com/feed/main/detail/ddfcfae15432465bb30f0573fe204dc5?sourceSSR=enterprise)

## 面经

作者：Showieee  
时间：页面显示 09-02；面试写为 9.1，未显示年份  
背景：雷鸟创新 · 软件开发实习 · 实习 · 个人面经

围绕语音助手项目讨论上下文、工作流和优化；反问进一步涉及实习任务及实际业务场景。

问题主题：多轮对话如何保留上下文？；工作流如何组织？；实习实际负责什么？

阅读背景：页面年份未明，按原文展示；不把题目整理成公司固定要求。

[原帖地址](https://www.nowcoder.com/feed/main/detail/aca039781c9246b2a641bc3154f7c276?sourceSSR=dynamic)

## 26届秋招字节后端二+三面速通面经详细版（附timeline）

作者：嵐jlu  
时间：2025-10-09  
背景：后端开发 · 校招流程复盘 · 校招 · 求职复盘

记录实习业务如何在后续校招中被深入追问。可学习如何说明服务在系统中的位置，以及讨论实现与挑战。

问题主题：负责的服务连接哪些上下游？；业务中的困难是什么？；抽象算法如何落到具体例子？

阅读背景：普通后端校招样本，不当作 AI 实习面试或统一流程。

[原帖地址](https://ac.nowcoder.com/discuss/1554249?type=0)

## MSRA Intern面经

作者：dogfar  
时间：2020-08-08  
背景：研究院实习 · 系统问题历史样本 · 实习 · 个人面经

作者记录了面对陌生存储问题时，在追问中逐步修改方案的过程。重点是问题讨论方式，而非题目背诵。

问题主题：如何提出初步方案？；如何解释方案代价？；得到新约束后怎样修改？

阅读背景：2020 年系统方向样本，不能代表大模型 Research 岗或当前研究院门槛。

[原帖地址](https://www.nowcoder.com/discuss/353156718697848832)