题目重点：围绕题目的 AI 优化个人项目讨论，准备非 AI 基线、质量指标、成本、隐私与实际用户价值。
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。
- 项目背景、模型和用户指标由候选人真实经历决定；不能把本文示例当作题目原题。
- AI 输出若会影响用户或敏感数据，应有权限、人工复核和失败降级。
解题路线
- 先描述用户要完成的任务和现有非 AI 方案的基线，确定 AI 具体改善的是质量、速度还是成本。
- 把系统拆为输入数据、模型调用、可验证后处理和用户反馈，说明哪些步骤仍由规则或人做。
- 建立小型真实案例集，测成功率、误报/漏报、延迟、每次调用成本和失败类型；与基线比较，而非只展示几段漂亮输出。
- 检查个人信息、授权、提示注入和模型版本变化；上线设灰度、回滚与人工确认。
手动走一遍
训练示例：个人知识库问答先用关键词搜索作为基线，再加入带引用检索问答，抽样 100 个真实问题比较答对率和无依据回答率。若只做了 demo，应诚实说明尚无在线用户指标。
规模与取舍
成本可按查询量×平均 token/查询×单价估算，延迟看检索和模型调用的 p95；规模未知时给计算方式，不能编造题目规模。
易错点与追问
容易失分的边界
- 只说接了 LLM API，没有用户问题和基线。
- 拿单个成功示例当质量证明。
- 将机密内容直接发往第三方模型。
- 不给错误答案的降级或用户确认路径。
继续深挖
- 如果模型答得更快但错误更多，如何决定是否上线？
- 怎样区分检索失败与生成失败？
- 个人项目没有很多用户时如何收集有代表性的评测案例？
