众安保险 AIGC 全栈开发岗面经:流程、复试考点与岗位实况
- 轮次
- 复试
- 时间
- 2026-10
- 来源
- 牛客网
《面试题目》
整体流程:
- 秋招面试流程一般为:笔试 → AI 面试 → 复试 → HR 面。
- AI 面试等同初试,未通过会被淘汰;八股与个人规划各占一半。
- 复试由各团队技术负责人进行;HR 面可能有部门领导交叉面。
- 整体耗时 2~3 个月,每个面试间隔不超过两周;等 offer 环节较久。
复试(本岗位):
- 项目相关:项目遇到的挑战、当时开始做的想法、项目的成果(重点,一定要放在前面说)、架构设计、问题解决系统性方案以及涉及到的技术栈知识简要储备。
- AI 知识相关:RAG、Harness、ReAct 的原理;JEV、RSI 等前沿模型最好也要有所了解;prompt 写作技巧、skill 写作技巧。
- HR 面重点准备未来规划、offer 情况等。
《参考解析》
这份面经的用法:按流程分配准备精力
这条流程里最容易被低估的是 AI 面试这一关——它排在笔试之后、复试之前,却「等同初试」且会淘汰人。很多人把它当性格测评随便答,这是最大的风险点。按分享者的说法,AI 面的问题八股与个人规划大约各占一半,所以准备时应把它当成一次正式面试:技术题要有结构化的回答(先结论后理由,带一个例子),个人规划类问题要能讲清方向与理由,且前后一致(AI 面里说想做的方向,复试与 HR 面不能前后矛盾)。另一个现实提醒是时间线:整体两到三个月、间隔不超过两周,但等 offer 慢,所以要把其他机会的时间线一起排,别把结果押在一家上。
复试的技术重点:项目挖掘 + AI 原理
复试明确「不考很多八股」,把重心放在项目与 AI 知识面,这意味着准备的资源应该重新分配。项目部分按提问顺序准备五件事:挑战(是什么让你卡住、你怎么定位与解决)、动机(当时为什么决定做这件事、解决谁的什么问题)、成果(放在最前面说,并且量化——覆盖多少用户、指标变化多少、节省多少时间)、架构(模块划分、数据流、为什么这么设计、边界在哪)、系统性方案与技术栈储备(你踩过的坑、上下游依赖、以及每个技术选择背后的理由)。成果前置这一点很关键:面试官要的是「你造成了什么变化」,把它说完再讲过程。
AI 知识侧要能讲原理而不是名词。RAG(检索增强生成):把外部资料切分并向量化存库,查询时先检索相关片段再让模型基于片段作答,解决的是「模型不知道你私有数据、也容易编」的问题;关键环节是切分粒度、召回策略(向量与关键词混合)、rerank 精排、以及引用与拒答。ReAct(Reason + Act):让模型交替进行「思考 → 行动(调用工具)→ 观察结果」的循环,从而在多步任务里根据中间结果调整策略,它的核心是让模型能依赖外部反馈而不是一次性生成。Harness(评测/脚手架):指围绕模型搭的运行与评测框架,负责把提示词、工具、数据集、评分与回归流程固定下来,让效果可复现、可比较——答题时可以说清它和「写一段 prompt」的区别在于工程化与可度量。此外还会问 prompt 与 skill 的写作技巧,落点通常是:把角色、目标、约束、输出格式写清楚,给正反例,把「不确定时怎么办」写进去;skill 则要把「什么时候用、什么时候不要用」的边界写明白,并配套回归用例。
前沿名词怎么答才不像背书
被问到 JEV、RSI 这类新名词时,诚实是底线:了解就给「是什么 + 解决什么问题 + 你知道的边界」,不了解就直接说不熟并把它引到自己熟悉的相关技术上(比如「这个模型我不了解,但我做过类似的推理与评测工作,可以讲讲我们怎么搭评测集」)。面试官在这类题上看的是你对新东西的跟进方式与判断力,而不是百科式的知识量。平时养成的做法可以是固定频率读一手来源(模型与框架的官方发布、论文摘要、开源仓库的更新),并记下「它能不能用在我的项目里、代价是什么」——带着这个视角的回答天然有观点。
岗位实况与选择判断
分享里提到这个岗位其实也是 FDE,并且是近期较热的岗位类型。对求职者的实际含义是:工作内容可能包含把 AI 能力落到业务场景、和业务方一起定义需求、做端到端的交付,而不仅是写模型调用。判断是否适合自己可以看三点:你喜不喜欢贴近业务现场(需求常常是模糊的、要自己拆),你能不能接受「交付结果」而不是「完成开发任务」的考核方式,以及团队有没有稳定的使用场景与数据。至于公司层面的信息(内部 AI 工具与额度、定期的 AI 场景分享、部门氛围),这些可以当作面试时的反问方向去核实,比如问「目前内部有哪些 AI 能力已经上线并被日常使用、效果怎么衡量」,比问泛泛的氛围更有信息量。