面灵AI→

南京某厂 AI 岗线下笔试:场景选择题、两道 Python 数据处理,加一道智能客服链路设计

轮次
笔试
时间
2026-11
来源
牛客网

《面试题目》

  1. 笔试一共考哪些部分?题型是怎么分布的?
  2. 第一部分的选择题:在具体场景下怎么选择应用 AI,考的是什么?
  3. 编程题一:对 list 里的数据做处理,要求是什么?
  4. 编程题二:给一段 Python 数据处理代码,要求修改并自己重写一份。
  5. 业务题一:以智能客服为例,客户得到的回答出错了,整条链路哪里可能出错?怎么分析?
  6. 业务题二:重新设计这个智能客服的链路,哪些要优先设计,哪些要注意边界?
  7. 平时只练算法题、不写 Python 数据处理,考场上怎么办?

《参考解析》

这类笔试考的是「工程判断」而不是背诵:选择题给的是业务场景(这个需求该用规则、检索还是大模型;这个环节要不要加人工审核;这个指标掉了先查哪一层),选项之间往往没有绝对对错,考的是能不能说清代价。做题方法是对每个选项问三句:它解决了什么问题、引入什么新风险、成本落在谁身上。编程题考的是把业务数据揉成目标结构的能力——分组、去重、排序、聚合、字段清洗,这在日常写脚本时天天用,但在力扣里练不到。

Python 数据处理该练到什么程度:列表与字典的基本操作要熟到不用想——推导式(含条件过滤与嵌套展开)、sorted(key=...) 与多级排序、dict.get / setdefault / collections.defaultdict 与 Counter、groupby 前先排序、zip 与 enumerate、json.loads 后按路径取字段、异常数据的 try/except 与 None 判断。数据量上来之后换成 pandas:read_csv / read_json、groupby().agg()、merge、fillna、astype、apply 与向量化操作的取舍。考场上最实用的习惯是先把输入读成统一结构(一行一条记录、字段名固定),再写一个纯函数做转换,最后统一输出——这样即使读入格式看错,也能快速改一处。

智能客服答错了,链路要分层排查:从用户输入到最终回复,至少六层——接入与限流(超时、重试、并发被打满导致返回兜底话术)、语音识别或文本预处理(同音错字、口语省略、多语言混杂)、意图识别与路由(该走售后却路由到售前,置信度低于阈值没有转人工)、知识检索(知识库没有这条、切分粒度不对、召回了过期文档、向量检索与关键词检索各自的短板)、生成(上下文超长被截断、把检索内容当成指令、编造不存在的政策、引用错订单)、后处理与合规(敏感词过滤误杀、格式化失败、链接失效)。定位方法是拿具体 case 逐层看中间结果:ASR 转写对不对、意图标签与置信度、召回的前 K 条是什么、prompt 里塞了什么、模型原始输出是什么,一层层缩小范围,而不是笼统地说「模型不行」。

重设链路的优先级与边界:优先级按「错一次的代价」排——先做意图路由的置信度阈值与兜底(宁可转人工,也别让模型硬答),再做知识库的入库审核与过期机制(错误知识的杀伤面最大),然后是生成侧的约束(只允许基于检索内容作答、必须给出来源、不确定就说不确定),最后才是体验优化(多轮记忆、语气、多渠道适配)。边界要写清楚:能查什么不能查什么(越权查询别人的订单)、哪些操作必须二次确认(退款、改地址)、什么情况下必须转人工、超时与降级策略、隐私数据的脱敏与留存、以及成本上限(单次会话的 token 与工具调用次数)。工程上还要配套可观测性(每层的日志与指标)、离线评测集(一批标注过的历史会话)与灰度发布,否则改一版 prompt 都不知道是变好还是变差。

没准备过怎么办:帖主的复盘是对的——把「力扣刷得熟」当成「笔试没问题」是常见误判。缺口要按岗位补:投 AI 应用岗就把数据处理脚本、SQL、Prompt 与检索链路的基本概念补齐;投后端就补并发、数据库与系统设计。考场上遇到完全没准备的题型,先写能拿分的部分(编程题先保证读入输出与暴力解跑通),业务题按「分层—每层可能的问题—怎么验证」的框架写,哪怕细节不全,结构分也能拿到。