← 课程目录 🚀 从零到一
📐 学习维度 阶段6 · 第26章 AI 项目实战(11 个模板取 5 个精品化) 🚀 从零到一 📚 课程目录 🏠 首页 🛤️ 学习路径

26.6 AI 项目面试话术:BPSR 与追问预案

审校 2026-09-25 · 素材来源:L27-AI项目面试话术、L30-AI场景面试题
📑 本篇章节导航 (共9节,点击直达)
BPSR:STAR 的技术面试进化版三分钟模板:以知识库问答为例追问预案:把「为什么」备成肌肉记忆量化数据清单:面试前默写一遍讲不足:主动亮一个可控缺陷项目怎么挑:先问三个问题踩坑清单面试怎么问一句话总结

项目做完只是素材,讲出来才是得分。这一节解决「AI 项目怎么讲」:BPSR 框架(Background→Problem→Solution→Result,技术面试版叙事骨架)、量化数据准备、追问预案——前五节的五个项目在这里统一加工成可上场的话术。它与 25.5 的结论在职业维度会师:AI 时代拉开差距的是定义力,面试里定义力就表现为把项目讲成「问题-方案-数字」的能力。

BPSR:STAR 的技术面试进化版

步骤内容时长面试官在看
B 背景一句话项目是什么30 秒表达提炼力
P 问题痛点是什么30 秒真做过还是背的(细节深度)
S 方案技术选型+为什么选它2 分钟有没有思考(对比与权衡)
R 结果量化数据30 秒有没有度量意识

四个致命错误对着避:流水账(「我做了 A 模块 B 模块」——没重点);没量化(「性能提升了」——提升多少?);没选型(「用了 Spring AI」——为什么不用 LangChain4j?);太长(三分钟还进不了正题)。P 和 S 是得分重心:Problem 讲的是细节密度(「PDF 表格解析稀碎、向量检索匹配不到 SKU 编号」一听就是亲手踩的坑),Solution 讲的是对比论证(「对比过 LangChain4j,选 Spring AI 因为与现有栈无缝整合、Advisor 机制统一处理 RAG 注入与审计、切模型只改配置」)。

三分钟模板:以知识库问答为例

背景三十秒:「我做了一个基于 RAG 的企业知识库问答系统,Spring Boot 3 + Spring AI + Milvus,两人团队我负责后端核心。」问题三十秒:「核心难点是检索准确率——纯向量检索在专有名词上失灵,初期只有 72%。」方案一分半钟讲三层:混合检索加 Rerank(准确率 72→91)、语义缓存加双模型路由(成本降 55%)、Advisor 链工程化(限流、敏感词、审计)。结果三十秒:「日均五百+问答,首字响应 800 毫秒内,用户满意度 90% 以上。」——每个技术点后面紧跟一个数字,这是 BPSR 与流水账的分水岭。

追问预案:把「为什么」备成肌肉记忆

面试官的追问集中在四类,每类备好三段论。选型类:「为什么选 Spring AI」→ 与现有 Spring 栈无缝整合团队成本低;Advisor 机制统一横切;切模型只改配置(从 A 模型切 B 模型只动 yml)。设计类:「为什么自己封装 VectorStore」→ 复用已有知识库 API 免部署 Milvus;实现了查询压缩与多查询扩展提高召回;接口抽象保证未来切 Milvus 业务代码零改动。权衡类:「工具为什么分 AUTO 和 MANUAL」→ 定价是敏感操作不能让模型想调就调:AUTO 组只读(取实时数据)模型自主,MANUAL 组写操作(提交结果)规则显式触发——25.3 的风险分级在项目里的落地。故障类:「大模型挂了怎么办」→ 备用模型→缓存答案→降级提示三层,配合 CircuitBreaker 与重试。每类追问的回答模板都是:结论先行、对比展开、数字收尾。

量化数据清单:面试前默写一遍

讲项目必须带的数据,按项目归档:知识库问答(准确率 91%、缓存命中 35%、成本降 55%、首字 800ms);智能客服(意图 93%、自动解决 62%、人工效率 +40%);MCP 平台(12 Server、50+ 工具、5 应用、接入 10 分钟、成功率 99.5%);代码审查(误报 12%、Bug 逃逸 -58%、人审 20 分钟→5 分钟);NL2SQL(准确率 92%、取数 3 天→30 秒、缓存 35%)。记不住全部就记每个项目三个数:一个质量数、一个效率数、一个成本数。数字来源也要经得起问:准确率怎么测的(Golden Set 加 RAGAS 评测、多少条标注)、延迟怎么统计的(P50/P95 口径)——25.4 的评测纪律在这里就是答案的底座。

讲不足:主动亮一个可控缺陷

「你的项目有什么不足」几乎必问,背一个真实且可改进的答案比装完美强:比如「评测集只有一百条,覆盖长尾问题不够,计划按 25.4 的 bad case 池每周扩标注」或「多查询扩展目前固定三路,复杂分析问题召回仍不稳,考虑引入查询分解」。可控的不足+明确的改进路径,展示的是工程判断力而不是短板。

项目怎么挑:先问三个问题

不是每个 AI 项目都值得写上简历。挑项目的三问:有真实业务闭环吗(有真实用户与真实指标的内部项目,好过跑通了 demo 的玩具);有可讲的深度吗(至少一处技术难点经得起三层追问——26.1 的检索优化、26.5 的 NL2SQL 都能挖三层);数字说得清口径吗(准确率怎么测、延迟怎么统计、成本怎么算,口径含糊的数字一问就穿)。反过来,纯调 API 没有任何工程化(无评测、无缓存、无降级)的项目,讲两分钟就见底——加分项从来不是「用了 AI」,是「把不确定的 AI 管出了确定性」:评测基线、成本护栏、失败剧本,这三样才是 AI 项目区别于 CRUD 的证据,也是 25.4 与 26 章反复出现的主题在面试里的最终形态。

踩坑清单

面试怎么问

一句话总结

AI 项目面试的胜负手不在项目大小在讲法:BPSR 骨架、选型对比、量化收尾、追问预案四件套备齐——把「我做过」讲成「我量过、我权衡过、我知道它哪里还不完美」,这才是真做过的人的声音。