途虎养车 AI 面面经（10.10）

《面试题目》

1. 请分享一个你做过的最具技术挑战、最值得深入探讨的项目实践。优先分享大模型或 AI 应用相关项目，说说项目要解决什么问题，核心难点在哪，你是如何攻克的？
2. 介绍一个你参与的项目，说说你承担的主要职责，项目指标目标如何制定，采用什么方式验证项目效果？
3. 在微服务调用链路场景下，系统容易被透传错误干扰，导致故障定位不准。如果由你来处理这个问题，会拆解成哪些子问题？对比过哪些技术方案，选型依据是什么？
4. 如果项目涉及知识库、因果分析、分层推理相关能力落地，请讲一讲你主导的关键决策与行动，项目最终落地效果，以及存在哪些未达预期的地方？
5. 请讲一次，你预判后续工作会用到某一项技术能力，于是提前自主学习的经历。为什么选择学习这项技术，学习最终成果如何？
6. 如果你需要做链路数据解析和图结构分析，你预期在工作中会用在哪些场景？
7. 在本地编写 Demo 实现链路解析功能时，遇到的最棘手问题是什么，你如何解决？
8. 请讲一次你在做事过程中遭遇挫折，但仍需要坚持完成的经历。当时是什么感受，如何调整思路，最终结果怎么样？
9. 你曾经发现自己产出达不到预期，后来采用别的方法提升效率。请问从发现问题到熟练掌握这套方法一共花费多久？
10. 求职时你主要考虑哪些行业？应聘本次岗位，你的核心考量是什么？
11. 你目前在哪个城市？期望的工作地点是哪里，选择该城市的原因？
12. 你的期望薪资是多少？目前手上是否有已发放 offer 或者正在推进的面试机会，简单介绍情况。

《参考解析》

技术挑战类项目怎么讲。AI 面的这两道题（第 1、2 题）本质是同一套素材的两种问法，提前准备一个主项目就够，但必须讲出「我的决策」而不是「项目做了什么」。结构建议：一句话说清业务问题和量级（多少用户、多少 QPS、什么数据规模）→ 核心难点是什么、为什么难（不确定性、成本、延迟、数据质量）→ 我试过哪些方案、为什么淘汰 → 最终方案的关键设计 → 结果指标（最好带前后对比）→ 复盘哪里可以更好。大模型项目有几类特有难点值得讲：效果不可控（同一个输入输出不稳定）、缺评测（无法用单元测试判断好坏）、成本与延迟（token 花在哪、P99 多少）、以及数据链路长（解析、切分、检索、生成每一环都可能失真）。能主动说出「我们发现瓶颈其实在解析阶段而不是模型」，面试官会明显高看一眼。

项目指标怎么定、怎么验证。指标要分两层：业务指标（转化、留存、人力节省、处理时长）和技术指标（准确率、召回率、P99 延迟、失败率、单位成本）。制定时先找到北极星指标，再拆出可以归因的过程指标，避免用「调用量」这类只要跑起来就会涨的伪指标。验证方式要成套：离线用标注好的评测集测，线上用灰度发布加 A/B，配合埋点与用户反馈看真实分布；关键是要说清「基线是什么」——没有基线的提升都是自说自话。

微服务链路的错误透传问题怎么拆。先把「透传错误」拆成几类子问题：错误码语义不统一（同一类失败在不同服务里码值不同，上游只能猜）；上下文丢失（重试、超时、线程池切换后 trace 断了，错误归属没法回溯）；错误被包装或吞掉（中间层 catch 后统一抛 500，原始原因消失）；超时与重试叠加放大（上游超时又重试，下游看到的是多份请求，噪声盖过真因）；以及错误传播方向不清（到底是本服务错还是下游错，缺少明确的边界定义）。方案对比可以列：网关层统一错误码规范（成本低、治标）、全链路 trace 加结构化日志（OpenTelemetry 那套，解决归属问题，需要改造埋点）、服务网格 sidecar 做统一超时重试与指标采集（对业务无侵入但运维成本高）、以及错误归因平台把 trace 与变更记录关联（定位最快，但依赖前两者提供数据）。选型依据要落到现状：服务数量、是否已有注册中心与链路追踪、团队运维能力、改造窗口期。

知识库、因果分析、分层推理的落地。这题问的是你主导的关键决策，所以回答要点在「决策」而不是技术名词堆积。可以讲：知识库这条线怎么定切分粒度（按语义段还是按文档）、用什么检索（关键词 + 向量混合）、怎么处理更新与过期；分层推理这条线怎么定义层与层之间的输入输出，怎么保证上层结论有下层证据支撑（可追溯的引用链）；因果分析这条线最难，要承认它和相关性分析的区别，讲清数据从哪来、怎么验证因果假设。最后一问「哪些未达预期」千万不要说「都很顺利」——诚实说出一两个失败的尝试和原因，比如某类问题召回率一直上不去、评测集覆盖不到长尾，反而更可信。

链路解析与图结构分析的场景。能想到的落点：调用拓扑图用于故障影响面分析（哪个服务挂了会影响哪些业务）、依赖关系图用于变更风险预判（改这个接口会波及谁）、根因定位（从一个异常节点沿调用链向上回溯到首个异常点）、容量规划（找出扇出最大的节点）、重复调用与循环依赖检测、以及链路数据的聚类分析（把相似失败模式归到一类）。这些都要结合岗位业务说，别泛泛谈图算法。

本地 Demo 最棘手的问题怎么答。这是行为加技术混合题，答法是把「棘手」讲具体：可能是原始链路数据格式不统一、日志里没有统一 trace_id、上下游时间戳时钟不一致、数据量超出本地内存、图太大导致布局算不动。然后讲定位过程（先假设、再加日志或最小复现、逐个排除）和最终解法（采样、增量计算、把图结构换成邻接表、加缓存）。重点是从「现象 → 假设 → 验证 → 结论」把过程讲出来。

挫折与效率类问题。AI 面很喜欢这类（第 8、9 题），因为它们能看出行为模式。答「遭遇挫折仍坚持」用真实例子，别编：当时的感受可以直说（焦虑、卡住、怀疑方向），但要重点讲你怎么调整——是缩小问题范围、找人求助、换思路，还是重新定义目标，结果落在具体的产出上。答「发现产出达不到预期、换了方法提升效率」时，一定要给出时间线（第 9 题明确问从发现问题到熟练掌握花了多久），如实回答，三天就是三天、两周就是两周。

城市与薪资这类问题。最后三题没有标准答案，但有两条底线：一是前后一致，前面说想留一线城市、后面又说回老家，录取方会判定你的意向不明确；二是别在 AI 面里硬扛薪资，先给一个区间并说明依据（城市、岗位、市场水平），同时表达对成长空间的关注；被问到手上是否有 offer 或推进中的面试，如实说即可，这是流程性信息，隐瞒一旦被发现代价更大。