快手电商 大模型应用开发一面：内容被 AI 引用、投放归因与现场 AI Coding

《面试题目》

一面

1. 个人背景与实习经历
2. 介绍实习
3. 真实访问与 API 采集的差异
4. 渠道入口归因能力
5. 需求来源与前期调研
6. 同类方案调研与投放平台筛选
   • 调研过哪些同类或开源方案
   • 如何从引用链接研究信息来源
   • 为什么最终选择七个投放平台
   • 来源链接如何筛选，是否做聚类
   • 候选来源平台总量有多少
   • 平台筛选使用了多大规模、多久的数据
   • 用于采集的查询问题如何构造
7. 内容生产、效果验证与量化指标
   • 如何让生产内容更适合被 AI 引用
   • 投放后多久生效，怎么验证效果
   • 是否复用爆款内容生产工作流
   • 如何面向黑盒评估系统提高内容得分
   • 调研结论和方案取舍是什么
   • 有哪些量化指标，做到多少算好
   • 当前主要价值是监控还是内容优化
8. 当前实习状态
9. 后续优化方向
10. Go 技术栈与前端 AI Coding
11. Coding：浏览器导航助手
    • 可使用哪些 AI Coding 工具
    • 半小时内的最小功能点是什么
    • 如何理解浏览器导航助手的需求
    • 第一步读取和存储页面如何拆解
    • 首次演示：手动保存和页面控制
    • 自动保存新页面是否生效
    • 如何给 Coding Agent 提示并修复问题
    • 最终完成了哪些能力，还有什么偏差
12. 全栈与服务端方向偏好
13. 反问环节
    • 团队主要负责什么业务
    • 入职后近期最大的挑战是什么

《参考解析》

1. 「真实访问」与「API 采集」的差异，考的是数据可信度：真实访问拿到的是一手页面，能证明内容确实展示给了用户，且带完整上下文与地域信息；API 采集拿到的是结构化数据，覆盖面广但可能被裁剪、聚合或延迟。答的时候把三个维度分开讲——获取方式、覆盖率（有多少投放位能被 API 覆盖）、时效性（数据多久更新一次），最后落到一句有结论的话：铺量监控用 API 求广，效果归因必须回到真实访问求真。面试官真正想确认的是你知不知道自己手里的数据能证明什么、不能证明什么。

2. 渠道入口归因怎么落地：先把「入口」拆成可观测的维度——引荐来源（referrer、UTM 参数）、落地页、查询词、设备与地域，再让每个入口都带上标识，保证从曝光到访问到转化能被同一条链路串起来。归因口径要提前定死是用首次触点还是末次触点，否则同一份数据能推出相反结论。AI 搜索场景还要单独区分「自然搜索带来的访问」和「AI 答案里带链接带来的访问」——后者的 referrer 常被抹掉，只能用落地页参数兜底，这一点主动讲出来会加分。

3. 怎么让生产的内容更容易被 AI 引用：核心是把内容切成可以独立核验的事实单元——每段一个结论、结论后面紧跟数据与出处；小标题直接写成用户会问的问句；同一个实体（公司名、产品名、指标口径）全文用同一种写法；表格和列表比长段落更容易被抽取；页面要有明确的发布时间和更新记录，模型更愿意引用看起来新鲜、可追溯的来源。反面清单同样值得说：别堆同义词做关键词填充、别把关键结论放在图片里、别让正文依赖前端渲染才能看到。

4. 面对黑盒评估系统怎么提分：黑盒不等于不能做实验。可以做的有——固定一组候选内容做 A/B，把指标拆细成「被引用次数、引用出现的位置、品牌是否出现在答案里」，再把评估结果和内容特征（结构、长度、是否含数据）做相关性分析，找出真正起作用的因子后批量复制。同时要提醒一句：黑盒的评分规则会变，过度拟合某个分数很脆弱，稳住「事实准确 + 结构清晰 + 出处可查」比追一个具体分数更抗变化。

5. 量化指标怎么定：分三层来答——生产层（产出量、合规率、单篇成本）、分发层（被收录数、被引用数、引用位次、覆盖的查询数）、价值层（带来的访问、注册、成交）。每层给一个北极星指标加两条护栏指标，并且说清「做到多少算好」的口径来源是历史基线还是可比对象，而不是临时拍一个整数。这样回答既不空，也显得你真在业务里跑过数据。

6. 半小时现场 Coding 的答法：面试官看的不是完成度，是拆解和取舍。把流程固定成四步：复述需求并确认边界（浏览器导航助手 = 读取当前页面 → 结构化存储 → 能按指令跳回）→ 只做最小闭环（先做到手动保存一个页面并能读回来）→ 再补自动捕获（页面变化时自动保存）→ 最后讲清没做的部分和原因。用了 AI Coding 工具的话，重点讲「我给它的提示是什么、它错在哪、我怎么定位并修回来的」——这段追问才是这一轮真正的评分点。