云徙科技 AI解决方案 三面面经：集成商与方案商差在哪

《面试题目》

1. 系统集成商和 AI 解决方案提供商到底差在哪？
2. 责任怎么落地（对运营结果承担一部分责任，具体怎么承担）？
3. 你们的智能体怎么分工？xGOS.AI 的「一体两翼」是什么？
4. 架构上策略智能为什么不全交给大模型？（规则引擎、经典机器学习、大模型推理三层混合决策）
5. 项目结束后客户怎么自己往下走？能力怎么留在客户那里？
6. 什么样的背景适合投这个岗位，什么样的背景不适合？
7. 反问环节

《参考解析》

集成商与方案商的差别：核心差别在交付物的边界和责任的终点。系统集成商交付的是「能跑起来的系统」——把设备、软件、服务拼到一起，接口调通、系统能跑，项目边界清晰，交付即完成，责任止于系统本身。AI 解决方案提供商交付的是「业务结果的一部分」——不仅要让系统运行，还要对运营指标（结算准确率、复购率、库存成本）承担一部分责任，因此交付之后工作才刚开始。这个差别带来的连锁后果是：方案商必须懂客户的经营语言（财务、供应链、营销），项目周期更长、更像陪跑，考核方式也从「验收清单」变成「指标口径」。面试官认下「对结果负责」这句话之后紧接着追问「责任怎么落地」，就是在看你是背了定义还是真理解——落地要靠合同里的指标口径、数据权限、联合运营机制，而不是一句承诺。

「一体两翼」与混合决策：把架构拆成「大脑 + 两翼」——策略智能负责决定做什么，业务智能负责把决策落到具体业务动作上，数据智能负责提供事实与反馈。面试官最想追问的是策略智能为什么要用「规则引擎 + 经典机器学习 + 大模型推理」三层而不是全部交给大模型：规则负责守底线（合规、硬性约束、审批门槛），必须可解释、可审计、结果确定；经典机器学习负责在结构化数据上找规律，样本稳定、可控、成本低、可复现；大模型负责处理开放的语义理解与自然语言交互，这也是它唯一明显强于前两者的地方。全交给大模型的代价是：结果不确定、成本高、出了错说不清原因，而经营决策恰恰要求可追溯。这个「按确定性分层」的思路可以迁移到任何 AI 系统设计题上。

能力留在客户侧：面试官问的是留存与续约逻辑。做法是把「开发与运营的入口」交出去——让客户能基于自身场景搭建和发布智能体，把方法论和平台能力沉淀在客户组织里，而不是每次需求都要服务商来改。这样客户能自己往下走，服务商的价值从「人力交付」变成「平台 + 陪跑」。回答时可以用具体案例支撑（营销数智平台让业务结算准确率到 99.9% 以上、对账时效从 T+5 缩到 T+1；会员复购率提升 37%、供应链运营成本降低 9% 这类指标），但要注意：讲案例的重点是「这些指标是怎么被定义的、怎么回流的」，而不是把数字念一遍。

岗位匹配与怎么准备：这类岗位的筛选标准和纯技术岗相反——能跟客户聊经营、把同一件事讲三遍的人更吃香；只想做纯技术、不愿解释取舍的人会不适应。面试考的是对业务因果的理解，准备方式是拿一个真实行业案例（比如某零售企业的会员复购）自己推演一遍：现状是什么、瓶颈在哪、AI 能改变哪一环、用什么指标验证、失败了怎么退。作者最后那句总结很准确——集成商交付完可以离场，方案商交付完，工作才刚开始。

原帖为长文复盘，这里保留其面试问答与架构讨论部分。