吉利 AI 解决方案岗一面：项目角色边界与 FDE 岗位认知

《面试题目》

1. 自我介绍。
2. 闲聊：学校地理位置、学校转设历史。
3. 项目里配合哪些人？售前是带你做吗？哪些是你做的，哪些是领导做的？是协助还是主导？
4. 研发、设计、营销三类角色，有哪些超出你认知的需求，存在什么冲突？
5. 针对 AI 选型痛点你做了哪些处理，项目带来什么业务收益，项目带给你的感悟？
6. 项目一共有多少人，各角色分工？解决方案线一共几个人？哪些工作归你，哪些归领导？原型是谁做的？
7. AI 和人工的工作边界划分原则是什么？
8. 在辅助选配和自动选配之间，怎么划分 AI 与人的工作？
9. 为什么一期不做全自动选配，边界卡点在哪？
10. 约束条件是否可以通过大模型微调解决？是不是只是赶展会时间不够才不做？
11. 用大白话给完全不懂技术的普通人解释一个专业概念。
12. 现在大四？有没有考研考公？
13. 大四还有课程吗？
14. 毕业论文是否开题？进度计划？
15. 多款 AI 工具对比提问（DeepSeek、豆包、Kimi k3、Claude Code 等）。
16. 说说你理解的 FDE（现场部署工程师）？
17. 反问：岗位主要服务吉利内部工厂，还是外部客户？
18. 反问：售前支撑和项目交付占比大概多少？

《参考解析》

项目深挖的真问题：边界要说得清、说得住

这一轮面试反复追问「哪些是你做的、哪些是领导做的、是协助还是主导、原型谁做」，目的不是挑刺，而是核实简历上的项目到底有多少是你亲手做的。答这类问题最忌讳两种极端：把所有事都揽到自己身上（一经追问细节就崩），或者过度谦虚地说「都是带着我做」（等于放弃加分）。正确做法是给每件事标注你的参与度，用词要精确——「这一版原型是我出的，方案评审时导师改了两处交互」「需求侧走访是我跟着做的，最终口径是产品定的」「排期和资源是领导协调，我负责的是需求梳理和验收」。这种颗粒度反而让人觉得可信，因为它承认了协作的存在。

「研发、设计、营销有哪些超出你认知的需求、存在什么冲突」考的是你有没有真的跟过跨职能协作。可以按角色给一个典型冲突模型：营销关心能不能讲成卖点、要快；设计关心体验一致与视觉表达；研发关心实现成本、复用与后期维护。冲突的本质是三方的成功指标不同，解决靠把指标翻译到同一层——比如把「营销要更多配置组合」翻译成「每多一个组合，研发的测试矩阵增加多少，用某个可复用的参数化解法能压到多少」，让讨论落在同一张成本表上。举一个你实际调停过的例子，说清你提出了什么折中、最后谁拍板。

AI 与人的边界：辅助与自动之间到底卡在哪

「边界划分原则」这一问要给出判据而不是口号。可用的判据有几条：一是错误代价是否可逆（选错配置可能直接影响报价与交期，代价高就更需要人确认）；二是信息是否充分（参数缺失或客户需求含糊时，模型只能猜，必须交给人）；三是责任是否可归属（对外承诺、报价、合同这类需要有人担责的环节不能交给模型）；四是模型置信度与可解释性（置信度低、或结论无法解释给客户听时，退回人工）。所以「辅助选配」和「自动选配」的分界通常是：系统负责枚举可行组合、算约束是否满足、给出推荐排序和理由，人负责确认真实约束（客户口头补充的偏好、现场条件）与最终报价。

追问「为什么一期不做全自动、卡点在哪」要敢说工程现实，并区分类别：一是数据与约束不完备（很多约束只存在于老工程师的经验里，没有被结构化）；二是错误成本与合规（配置错误的返工与索赔风险，需要人工兜底）；三是交付节奏（展会这类节点优先要能演示与可用，全自动的验证成本高，先做半自动能更快拿到真实反馈）；四是信任与采纳（即便模型更优，现场人员不用也等于零，得先让他们体会到辅助的价值）。最后要主动给二期路径：先把高频场景做到可自动、其余保留人工确认，并用线上数据度量错误率与节省的时间。

「约束条件能不能靠微调解决、是不是只是赶时间」这题要答得有技术判断：很多约束是硬规则（尺寸、供电、法规、互斥项），这类应该写成可校验的规则引擎或求解器约束，而不是指望模型微调记住——微调擅长的是风格、术语与领域表达，不擅长保证百分之百的硬约束；真正需要模型的是把自然语言的模糊需求翻译成结构化约束。所以「不是赶时间才不做」，而是分工问题：确定性约束交给确定性代码，模糊语义交给模型，两者之间用结构化参数衔接。这样答，既解释了现状，也说明你分得清工具边界。

用大白话解释专业概念：这一题扣分要复盘

被要求「用大白话给完全不懂技术的人解释」，开口讲 token、Agent、skill 就是典型失误——这些词的受众不是客户。可用的做法是三步：先问（或假设）对方的背景与关心什么，然后用类比而不是术语，最后收回到对对方的实际影响。比如解释大模型：它像一个读了海量资料的实习生，读得快、写得多，但它不知道你公司的内部规定，也不会主动承认自己不确定，所以要用你们的资料教它、并且每条重要结论都要有依据。解释检索增强生成：像考试允许带资料，模型先翻你给的资料再作答，所以答案能标出处，比凭记忆瞎猜靠谱。解释 Agent：不只回答问题，还能按你给的流程动手做事，比如查数据、填表、发通知，但它能做多少取决于你给它开了哪些权限。练法是找家里长辈讲一遍，能让他们听懂并接着问出下一个问题，就算过关。

大四规划、毕设与工具对比

大四课程、考研考公、毕设开题与进度这些是稳定性核实，如实回答并给时间安排即可；如果有论文与入职时间冲突，主动说清你的计划（什么时候完成初稿、答辩时间）比含糊更让人放心。多款 AI 工具对比的问题，别停留在「哪个更聪明」，按场景给结论：写代码与长链路任务看工具调用与上下文管理能力、中文长文写作看语言自然度与资料整合、日常问答看响应与成本；再说清你自己的工作流——什么任务用哪个、怎么校验输出、哪些环节绝不交给 AI。

对 FDE 的理解与反问

FDE（现场部署工程师）的答法要覆盖三件事：一是它站在产品与客户之间，负责把通用能力落成客户现场可用的方案；二是它需要同时懂技术边界与业务语言，能把客户的口语需求翻译成系统能实现的配置，也能把技术限制解释成客户能接受的说法；三是它交付的是「被用起来的结果」，所以上线只是开始，还要跟进使用情况、收集反馈、把共性问题回灌给产品。这个岗位的成长路径是「懂一个行业的方案专家」，对沟通与现场判断的要求高于纯研发。

两个反问都很实在：服务内部工厂还是外部客户，直接决定你要面对的客户类型与交付标准；售前支撑与项目交付的占比，决定了这个岗位是偏方案设计还是偏现场实施。面试官的回答（团队正向 FDE 转型、理想是一半一半，但受项目漏斗影响前期沟通占很多）说明实际节奏会被商机驱动，你可以在反问时顺势补一句：团队怎么保证售前与交付之间的信息不丢——这个追问既贴岗位，也能看出团队的成熟度。