题目重点：用可逆性、观测和门槛推动交付，不能只在速度与安全间选口号。
题意与假设
这道练习题保留了面经中值得训练的核心约束，并将需要澄清的条件单独列出。现场拿到变体时，先和面试官确认这些条件。
- 使用本人真实项目；若没有AI项目也可讲相关可靠性经验，不能编造安全事故或模型评估。
- 质量门槛来自具体失败影响，不要求每个原型都实施同等流程。
解题路线
- 拆需求成最小可交付闭环，判断哪些失败可轻易回滚、哪些影响数据或外部动作难撤销。对低影响可逆功能缩scope快测；对不可逆操作设置权限、幂等和必要验证门槛。
- 提前定成功与止损指标、观测、feature flag和回滚路径。上线前测试应覆盖关键风险路径，不能把写很多测试当风险已解决，也不因追deadline删掉高影响检查。
- 与产品明确省掉哪些功能及代价，记录谁接受哪项已知风险。需要延期时带可替代的更小发布方案，让讨论围绕证据和用户价值。
- 复盘速度是否真正提高：频繁热修、人工补数据及重复故障可能让“快速ship”总周期变慢。衡量交付周期、恢复成本和用户结果一起看。
手动走一遍
只读摘要原型可先小流量发布；自动提交外部付款则需要授权、幂等和审计，不能因都叫AI功能采用一样发布门槛。时间不足时砍可选展示效果，保留错误状态和可恢复的数据操作；明确删减原因。
规模与取舍
主答2分钟，准备一条真实取舍链：风险→最小scope→验证→灰度→观测结果。没有真实数字时不捏造故障降低百分比。
易错点与追问
容易失分的边界
- 回答“安全永远优先”但没有可执行分级。
- 只说feature flag，没有说明数据副作用是否可回滚。
继续深挖
- 上线后发现新风险但业务已有承诺，怎样缩范围并沟通？
- 哪项验证你愿意延后，哪项必须发布前完成，依据是什么？
