快手电商 大模型应用开发二面：To C 与 To B 视频 AIGC 平台的现场实现

《面试题目》

二面

1. 个人背景与实习经历
2. 在职实习时为什么看新机会
3. 介绍实习
4. AI Coding：To C 与 To B 视频 AIGC 平台
   • 视频 AIGC 开放平台的题目背景和要求是什么
   • 用户需要体验哪些功能
   • To C 与 To B 能力是否放在同一平台
   • 现场实现到什么程度
   • 实现主要分为哪几部分
   • To C 与 To B 在产品上有什么区别
   • Prompt、模型调用和测试脚本是怎么处理的
5. 反问环节
   • 后续还有几轮面试
   • 入职后可能负责哪些电商 AI 业务
   • 模型数据团队的三个主要方向是什么

《参考解析》

1. 现场 AI Coding 轮怎么拿分：先花两分钟把需求复述成可验证的几句话，确认边界（谁能用、要走通哪条主链路、哪些明确不做），再动手。实现顺序固定成「最小闭环 → 分层 → 补细节」：先让一条请求从输入到出一段视频结果跑通，再拆出接入层（鉴权、额度）、编排层（任务状态机、排队、回调）、能力层（模型与 Prompt 模板）、展示层。写的过程中不断把判断讲出来——为什么先做这个、这里为什么留 mock，比闷头写完再解释得分高得多。

2. To C 与 To B 该不该放在同一个平台：功能可以复用同一套模型能力，但产品形态通常要分开。两者的诉求不同——To C 关注首屏转化、免费额度、内容审核与爆款模板，生命周期短、流量波动大；To B 关注 SLA、并发配额、账单与合同、专用通道和数据隔离、可审计日志。所以常见做法是底层能力（模型网关、任务队列、素材库）共用一套，上层做两个入口：To C 走自助、按量或会员计费；To B 走控制台、按套餐与合同配额。回答时把「哪些共用、哪些必须分开」列清楚，比简单说一句「放一起」或「分开」都更有说服力。

3. Prompt 和模型调用怎么工程化：Prompt 不要散在代码里拼字符串，要模板化 + 版本化，参数显式声明，改了版本能灰度、能回滚，并且记录每次调用用的是哪个模板版本——这是后面做效果归因的前提。模型调用侧要处理的是一组固定问题：超时与重试（生成类任务重试要幂等，避免重复扣费）、并发与排队（长任务走异步队列 + 回调，不要占着同步连接）、降级（主模型不可用时切备用或降级分辨率）、成本与缓存（相同输入复用结果，按任务类型选模型而不是一律用最贵的）。

4. 测试脚本写什么：视频生成这类任务的测试不可能只断言一个字符串相等，要分三层——单元层面测 Prompt 组装、参数校验、状态机流转；集成层面用固定输入跑通「提交任务 → 轮询/回调 → 产物落库」的链路，并对产物做基础校验（时长、分辨率、非空、可解码）；评测层面维护一批固定样例集，用人工打分或模型打分跟踪效果变化，防止换模型、改 Prompt 之后悄悄变差。面试里主动说「我会把评测集和回归脚本一起提交」，能直接体现工程习惯。

5. 「在职实习为什么看新机会」怎么答：这题没有标准答案，但有两个雷区——不要抱怨现在的团队，也不要只讲钱。稳妥的结构是：先肯定现阶段的收获（具体到做了什么、学到了什么），再说出自己的成长需求发生了变化（比如想做更靠近模型与业务的完整链路），最后说明目标岗位正好匹配这个需求。全程用事实说话，语气平实，别把它答成表忠心或吐槽。