AI 面试日报 · 2026-08-11 封面 速览 题 ① 题 ② 题 ③ 硬核拆解 快问快答 锦囊 来源
AI INTERVIEW DAILY · 转行进 AI · 2026-08-11

AI 面试日报
今天，离 offer 更近一步

今天聊三条：AI 产品经理面试今年新长出来的 vibe coding 原型轮、多模态岗那道「一张图怎么被喂进大模型、为什么这么贵」的链路题、以及 AI 售前当场要报的「多少钱、多久上线」估算题；硬核拆解讲一个能一句话戳穿人的地基题——准确率 99% 的模型，为什么可能一文不值。

3今日面试题
3覆盖岗位
5快问快答
49第 49 期
速览

TL;DR · 今日速览

TL;DR = Too Long; Didn't Read（太长不看版）· 读这一屏就够

今日锚点：Dice 8 月报告显示，7 月全美科技岗 JD 里有 79% 明确要求 AI 技能（6 月还是 75%，同比 +144%）；同期机器学习工程师岗位比 2020 年 2 月基线涨了 59%，普通软件工程师岗却跌了 49%。市场要的不是更多会写代码的人，是能把 AI 装进产品和系统的人——今天这三条，正是这条分叉线上最能拉开差距的题。

1
AI 产品经理｜vibe coding 原型轮：2026 年中已有十余家大厂在 PM 面试里加了「30 分钟做出能点的原型」，考的不是写代码，是你能不能拆问题、指挥 AI、并判断它做得对不对。
2
多模态算法｜图怎么进模型：答「视觉编码器 + 投影层 + LLM」这条链路只算及格，能说清一张高清图吃掉 1000+ 视觉 token、线上因此有多贵，才是分水岭。
3
AI 售前｜多少钱多久：当场拍一个精确数字是减分项。正解是拆四块成本 + 按调用量选 API/私有化 + 给「区间 + 前提 + 三段式周期」。
🎯 今日面试经验 Top 3第 1 题 / 共 3
AI 产品经理 #1 · 今日锚点
「给你 30 分钟，现在用 AI 把这个功能做成能点的原型」——AI PM 面试今年新长出来的 vibe coding 轮
面试官可能这样问丢给你一个模糊需求（「给客服系统加一个自动总结工单的功能」），给 30 分钟和一台能上网的电脑，结束时要有能点、能演示的原型，并讲清取舍。公开梳理显示：到 2026 年中已有十余家主流科技公司加了这一轮，Meta 设了专门的 AI Product Sense 轮（前 30 分钟产品 sense ＋ 后 30 分钟当场做原型），Google、OpenAI 在跟进变体；常用工具是 v0 / Cursor / Replit / Claude Code / Lovable。
怎么答（照这个节奏走）
  • 先别动手，用 5 分钟收敛范围。出声说清：只做哪一条主链路、给谁用、什么算成功。这一段考的是你会不会定义问题——直接开敲的人，最后往往做出一堆没人要的界面。
  • 提示要具体，一次只改一件事。别写「做一个工单总结功能」，写「列表页每行显示标题＋三行摘要，点开有原文对照」，并给验收标准。改动足够小，出错才能秒定位。
  • 把对 AI 产出的判断说出来。「这里它自己编了个筛选逻辑，我不要」「摘要太长用户扫不动，改成三点」——这一步才是真考点：你是不是那个能判断产出好坏的人。
  • 留最后 5 分钟讲 trade-off：这只是原型，上线还差真实数据、幻觉兜底、成本与隐私。能自己点出「原型 ≠ 可上线」的人，比做得最花哨的人得分高。
过来人提醒：全程沉默地敲键盘是最常见的失分方式——这轮本质是边做边讲的思维展示，不是编程考试。也别追求 30 分钟做完美：做完 60% 但讲清了取舍，好过做完 100% 却答不上「为什么这么做」。
来源：2026 PM Interview Loops（新增 vibe coding 轮） · Vibe-Coding for PMs: The New Baseline Skill · How to Ace the Vibe Coding PM Interview
多模态算法工程师 #2 · 技术线
「一张图片到底是怎么被喂进大模型的？顺便说说你这套多模态方案为什么这么贵」
面试官可能这样问聊到你简历上的图文项目：「你从头讲一遍，一张图进来到模型吐出文字，中间发生了什么？」追问几乎必到：「那你们线上一张图大概多少 token、一次调用多少钱？」
怎么答（四层，越往后越分水岭）
  • 链路说成三件套：视觉编码器（ViT / SigLIP 这类，把图切块变成一串特征）→ 连接器/投影层（一个 MLP 或 Q-Former）→ LLM 底座。大白话点题：投影层就是翻译官——视觉向量和词向量根本不在一个语义空间，它把图片特征翻成 LLM 能当词读的「伪词元」塞进上下文。
  • 训练是分阶段对齐的，别只背 CLIP：① 特征对齐（海量图文对做对比学习，让「狗的照片」和「狗」两个向量靠近，CLIP 干的就是这个）→ ② 语义对齐（生成式训练，学会看着图说话）→ ③ 指令对齐（视觉指令微调，听得懂人话，LLaVA 这一步）。
  • 成本这一问，答「视觉 token 是大头」：图片不是一个 token 是一串。动态分辨率会把大图切成多张子图分别编码，一张 1024×768 的图就可能产生 1000+ 个视觉 token；注意力是二次复杂度，序列一长显存和延迟一起爆。多模态贵在这儿，不在「看图」本身。
  • 给降本手段才算落地：限制输入分辨率与切图数、上视觉 token 压缩（TokenPacker 一类方法就是压这个）、对重复图做缓存。最能体现你干过线上的一句是：先问「这个业务真需要看清多小的字」，再定分辨率。
过来人提醒：很多人答到「CLIP 做对比学习」就停了，面试官立刻追问 token 数和钱——这两问答不上来，就会被归到「只读过论文、没上过线」那一档；反过来能报出「单图约 N 个视觉 token、压缩后降了多少」，哪怕数字不大，可信度也高一档。
来源：知乎 · CLIP 和 LLaVA 中的对齐细节 · 快手多模态算法岗 10 道高频考题 · 视觉 Token 压缩完整图谱与选型指南
AI 解决方案 / 售前 #3 · 客户侧
「这套 AI 方案，多少钱？多久能上线？」——售前当场就要给答案的估算题
面试官可能这样问模拟客户会议：客户（面试官扮演）讲完需求，张口就问「大概多少钱、多久能上线？」——不给你回去算的时间，就看你当场怎么接。
怎么答（四步，别报一个总数）
  • 先把成本拆成四块：① 模型与算力（走 API 按量付费，还是买卡私有化）；② 数据与标注（客户文档要不要清洗、要不要人工标注）；③ 集成与人力（对接现有系统，最常被低估的一块）；④ 运维与迭代（上线不是终点）。当场把这四块念出来，比报数字更能建立专业感。
  • 用「量」决定路线：调用量小，API 按量付费永远更划算；只有日均调用量足够大且长期跑，私有化的 TCO 才可能反超。业内实践共识是先小后大——先用蒸馏/量化的小版本单机验证，再按需扩到全量与多机。
  • 周期给三段式，不给一个数：POC（2–4 周，只做一个能验证价值的小场景）→ 试点（真实用户小范围跑、调效果）→ 推广。客户听到的是一条可控路径，而不是一张要一次性签字的大单。
  • 报「区间 + 前提」并把前提说死：并发多少、文档规模多大、准确率验收线在哪、要不要私有化。补一句「这三个前提任一变了，报价就要重算」——既专业，也是自我保护。
过来人提醒：最典型的失分是当场拍精确数字（「大概 50 万，两个月」），追问依据就崩。另一个隐形加分点：主动提「规模太小的场景不建议上 AI」——敢劝客户别买的售前，才像个能长期做交付的人。
来源：53AI · 落地 AI 解决方案要多少钱 · 大模型私有化部署成本核算 2026（7B–72B TCO） · 企业大模型落地与算力选型指南
🧠 今日硬核拆解1 / 2
知识域：机器学习基础 大白话版
考点：你的模型准确率 99%，为什么可能一文不值？——类别不平衡下的指标选择
面试官怎么问「你这个风控/审核模型准确率多少？」你答 99%。他接着问：「正样本占比多少？如果我写一个函数永远返回『没问题』，准确率是多少？」——这是所有数据/算法/AI 产品岗都可能撞上的一道「一句话戳穿」题。
大白话版（零基础也能懂）
  • 先看这个例子：100 个订单里只有 1 个欺诈。我写一行代码——全部判为正常。它什么都没学，准确率却是 99%：蒙对了那 99 个正常订单，只错过了唯一那个真要抓的坏人。
  • 这就是「准确率悖论」：当好坏样本比例极度悬殊时，准确率会被数量占绝对优势的那一类「灌」上去。在不平衡场景里，准确率不是指标，是幻觉。
  • 该看的是这一对：精确率＝我报警的这些里有多少是真的；召回率＝真正的坏人里我抓到了多少。两者天生打架：阈值调低能多抓坏人（召回↑）但会误伤好人（精确↓）。F1 是二者的调和平均，只有都高才高，防住「牺牲一头刷分」。
与近 7 天的差异：8/2 的快问里出现过一句话版的「精确率 vs 召回率」、8/5 出现过一句话版的 AUC；今天是完整拆解，并且要往下讲一层此前从未讲过的：极端不平衡时为什么该看 PR 曲线而不是 ROC-AUC。见下一页进阶版。
🧠 今日硬核拆解 · 进阶2 / 2
类别不平衡 · 指标选择 进阶版 · 面试里能加分的深度
  • 指标往哪边偏，由业务代价决定，不由公式决定。漏放一个欺诈损失一万块、误拦一个正常用户只是弹个验证码 → 保召回；医疗初筛里误报会引发大量无谓复查 → 要平衡精确率。能主动反问一句「这个场景漏报和误报哪个更贵」，比背十个指标定义都值钱。
  • ROC-AUC 好用，但不是万能——这是这题的分水岭。ROC 的优点是不随正负样本比例改变，所以常被用来在不平衡数据上比模型优劣；但在极端不平衡（正样本千分之一）时它会过于乐观，因为假正例率的分母是庞大的负样本，多误报几个几乎不动曲线。这种时候要看 PR 曲线及其曲线下面积，它对少数类的表现敏感得多。多数候选人答到 AUC 就停了。
  • 别只会「量」，还要会「治」：重采样（欠采样多数类 / 过采样少数类）、给少数类更高的类权重，以及最省事也最容易被忽略的一招——调分类阈值：模型输出的本来就是概率，0.5 这个默认门槛在不平衡数据上通常是错的。
一句话记忆钩子：一个只会说「没问题」的模型也能拿 99 分——所以先问样本比例，再报准确率。
来源：机器学习之类别不平衡问题 · 各种评估指标 · 评估标准的理解：样本不平衡、准确率、召回率、ROC · 考点提炼 · 行业通用高频考点
⚡ 八股快问快答5 道
Q · Function Calling 底层
模型真的自己去调接口了吗？没有。模型只是输出了一段结构化的「我想调哪个函数、参数是什么」，真正发起调用的是你的程序；程序拿到结果再塞回对话里让它接着说。所以工具调用失败的锅，多半在函数描述写得不清楚，而不在模型。
Q · MCP 模型上下文协议
2026 年 JD 里为什么到处是 MCP？它是给大模型接外部工具和数据源的统一插口，相当于 AI 世界的 USB-C。火起来是因为行业重心已从「让模型答得好」转向「让模型能干活」——需求侧也同步：Agentic AI、AI Agent、AI Infra、向量数据库、提示工程这一簇技能在 JD 里一起升温。
Q · SFT vs RLHF/DPO
都微调过了，为什么还要 RLHF？SFT 教模型「照标准答案说」，但人类偏好里大量东西写不成标准答案（哪个回答更得体、更安全）。RLHF/DPO 用的是成对比较这种更好标、也更贴近真实偏好的信号，能调出 SFT 调不出的那层「分寸感」。
Q · HNSW / 近似最近邻
向量检索为什么不做精确匹配？精确检索要和库里每条都算一遍相似度，百万级就慢到不能用。ANN 是牺牲一点点召回精度换几个数量级的速度，HNSW 是最常用的索引（像给向量修了多层高速路：高层大跨步逼近，底层精找）。追问点：搜索广度调大→更准但更慢。
Q · 行为面 · 你平时怎么用 AI
怎么答才不像人人都会的套话？别答「我用它写代码/写文案，提效很多」。答一个具体流程 ＋ 一件你不让它做的事：「需求拆解和第一版实现交给它，但接口契约和验收用例我自己写，因为它会顺着我的话编一个看起来合理的接口。」能说出边界的人，才显得真在用。
🧭 转行者锦囊 · 与其挤软件岗，不如往「会把 AI 装进产品」的方向叠加
AI 技能正在变准入证
Dice 报告：7 月全美科技岗 JD 中 79% 明确要求 AI 技能（6 月 75%），同比 +144%。它不再是加分项，而是门票。
市场在分叉，不是在萎缩
整体美国科技岗挂牌量比 2020 年 2 月基线低约 36%，但机器学习工程师 +59%、普通软件工程师 −49%。同一行业，两条曲线在往反方向走。
薪资差摆在那儿
Robert Half 2026 薪酬指南：软件工程师 $109,250–$175,500，AI/ML 工程方向 $134,000–$193,250；另有统计称每 1 名合格 AI 从业者对应约 3.4 个在招岗位。
给转行者的一句实话
这组数据不是让你「快去卷算法」——算法岗门槛没降。它真正的意思是：在你原有专业能力上叠一层「能把 AI 用进业务」，性价比远高于从零抢同一张卷子。

数据源状态

本期素材来源（透明可信）· 生成时间 2026-08-11 · 本期受云端出口代理限制，未能逐页 WebFetch 核实原文：所有事实性数字（79%、+144%、+59%/−49%、薪资区间、1000+ 视觉 token）均来自下列公开报告/文章的检索摘要，链接已给出可自行核对；三张题卡的答题思路属考点提炼，不冒充任何具体个人的面试经历，未编造公司名、面试官原话或薪资数字。

✅ WebSearch（中英文检索）· 本期主力
⚠️ Karat / Dice / Pin / axialsearch · 检索到，正文 EGRESS_BLOCKED
⚠️ bestpmjobs / ideaplan / nazuk.substack · 同上
⚠️ 知乎 / CSDN / 腾讯新闻 / 53AI · 同上
❌ Hacker News API · EGRESS_BLOCKED
⏭ 牛客 / 小红书 / BOSS 直聘 · 反爬+需登录，跳过

📌 今日与近 7 天的差异点：① 岗位组合全换——今日「AI PM ＋ 多模态算法 ＋ AI 售前」，昨日（8/10）是「大模型算法 ＋ AIGC 运营 ＋ FDE」，#1 岗位不连续；多模态算法工程师是近 7 天首次进 Top 3（8/5 仅作为硬核拆解知识域出现且讲 VLM 幻觉，今天讲架构链路与视觉 token 成本）。② AI PM 换角度（8/5 讲指标设计 → 今天讲全新出现的 vibe coding 原型轮）；AI 售前换角度（8/2 私有化合规、8/5 场景收敛 → 今天成本与周期估算）。③ 硬核拆解知识域「机器学习基础」近 7 天未用过，且专讲此前从未涉及的「极端不平衡下 PR 曲线 vs ROC-AUC」。④ 快问快答 5 题全新。⑤ 今日锚点：Dice 8 月就业报告（AI 技能出现在 79% 的科技岗 JD）＋ 2026 年中十余家大厂 PM 面试新增 vibe coding 原型轮。

按 P 切换投影一屏一页模式