24 收官：AIGC 项目怎么讲进简历 + 高频连环问复盘

摘要：本文是 AIGC 面试专栏的收尾篇，聚焦两件事：一是项目经历怎么写才经得起面试官追问，二是把前面二十多篇的知识点串成一张可复用的面试知识地图。文章给出项目描述的四段式框架（背景、职责、技术选型、目标与结果），拆解面试官常见的四类连环追问及应对套路，并列出多组"坑回答"与替换说法。最后以面试官视角的标准回答收束，强调"能用 Java 把 AIGC 落进业务系统"才是真正的加分项。

面试官手里拿着简历，手指点在中间一行：

"你写了'负责公司 AI 知识库问答系统的开发'，具体讲讲，你做了哪部分？"

候选人的回答开始飘："就是……搭了一个问答系统，用了大模型和向量数据库，效果还可以。"

"效果还可以，是怎么衡量的？"

"呃……用户反馈挺好的。"

"那你具体负责哪几个模块？"

"整个流程都参与了。"

面试官把简历放回桌上。"整个流程都参与了"，约等于"我什么都没主导"。

简历上的 AIGC 项目，不是写上就有分。写得好是敲门砖，写得虚就是给自己挖坑——面试官会顺着每一个词往下钻，钻三个问题，你的真实水位就露出来了。

这篇是这套专栏的收尾。聊两件事：项目经历怎么写才经得起追问，以及前面二十多篇的知识点怎么在面试里串成一张网。

一、项目描述的四段式

写项目经历，别写成流水账。一段经得起追问的描述，拆成四块，每块都有面试官想听的东西。

第一块，背景——你为什么要做这个。

写清楚"谁在用、解决什么问题、为什么值得投入"。比如"面向售后团队的内部知识库，原来客服查资料要在好几个系统里翻，响应慢"——这是业务痛点。别写"公司要求做 AI 转型"这种空话，面试官一听就知道你没参与立项。

第二块，我的职责——你到底碰了哪部分。

这是最容易被写虚的地方。用动词，说清楚你是"设计"还是"实现"还是"维护"。比如"负责文档入库管道的设计与实现""独立完成检索链路的向量库接入与查询编排"。宁可写小写实，也别写大而空。 面试官反感的是"全程参与"，欣赏的是"我负责的这块，从设计到上线我都清楚"。

第三块，技术选型理由——为什么是它。

体现你是"做决策的人"，不是"照着文档敲代码的人"。比如"向量库选了 pgvector，因为我们本来就有 PostgreSQL，数据量可控，这样能省一套中间件的运维成本"。有理由的叫选型，没理由的叫随手拿。

第四块，目标与结果——这里最容易造假，也最危险。

停一下，说句实话。这一块是翻车重灾区。

很多简历上写"问答准确率提升到 95%""响应速度提升 300%"，面试官一问"这个数怎么测的？样本多少？口径是什么？"，人就哑了。编出来的数字，是给自己埋雷。 它不解决任何问题，还给你开了一个必输的战场——因为面试官只需要一个追问，就能把钉子钉穿。

正确做法是：只写你真的测过的口径。 你上线前压测过 QPS，就写 QPS；你搭过评估集跑过准确率，就写准确率，并且能讲清楚评估集怎么建的、多少条、怎么判对错。如果你根本没建评估，那就别写数字，写改进方向："把响应从逐字等待优化成流式输出""把知识库从单一文档扩展到多来源"。

一句能救命的话："这个项目当时没建完整的量化评估，这是我复盘下来最该补的一环。" 承认边界，比硬编一个数字，体面得多，也安全得多。

二、面试官的连环追问，怎么接

简历是钩子，面试官会顺着往下钓。你得提前把每条线上可能被追的问题都过一遍。

追问链一：你说你用了 RAG。

→ 文档怎么切的？为什么切这么大？→ 切太碎会怎样？→ 检索怎么保证召回？→ 关键词查不到的同义词怎么办？→ 召回之后为什么还要重排？

这条链的答案在第 06（调参）、第 12（混合检索 + 重排）、第 19（数据管道）这几篇里。你要能一口气讲清楚"切分 → 召回 → 重排"各自的角色。

追问链二：你说效果不错。

→ 怎么衡量的？→ 评估集哪来的？→ 谁判的对错？→ 如果模型答得对但没引用资料，算几分？

这条直指评估（第 16 篇）。答不上来，前面讲的技术再花哨都打折。

追问链三：你说你接了外部大模型 API。

→ 数据隐私怎么保证？→ 模型服务挂了怎么办？→ 并发上来 API 限流怎么办？→ 成本怎么控制？

对应第 05（容错）、第 21（成本与并发）、第 22（选型）。答得出来，说明你考虑过生产，不只是跑通 demo。

追问链四：你说你优化了体验。

→ 流式怎么实现的？→ 多轮对话的记忆怎么管？→ 上下文超了怎么办？

对应第 13（流式）、第 17（长对话记忆）。

接追问的统一套路： 每个技术点都准备三层——是什么（定义）、为什么（选它的理由）、踩过什么坑（真实经历）。面试官问到第三层，才是真正在掂量你落地的深度。遇到不会的，不要硬编，说"这块我们当时没深入，我的理解是……"然后讲你的思路。承认边界不丢人，编被拆穿才丢人。

三、这些"坑回答"，一句都别说

核心一句话：面试官招的是"能用 Java 把 AIGC 落进业务系统的人"，不是你懂多少算法。 你说的每一句话，都应该往"我能工程化落地"这个方向使劲。

四、二十四篇，一张知识地图

这套专栏从"AIGC 是啥"一路写到"给我设计一个企业级系统"，中间这二十多篇不是散的，是有一条主线的。收尾之前，把这张地图给你摊开。

地基篇（01-02）： 第 01 篇讲清楚 AIGC 和 RAG 是什么、面试路线图怎么走；第 02 篇用 Spring AI 亲手搭一个知识库。先把直觉建立起来。

RAG 核心篇（03、04、06、11、12、18、19）： 这是整套内容的主干。第 03 讲 Prompt 是设计出来的；第 04 讲向量库选型；第 06 讲 chunk、top_k、embedding 三参数调优；第 11 讲 Embedding 原理（向量到底怎么来的）；第 12 讲混合检索与重排；第 18 讲幻觉治理；第 19 讲数据管道（解析、清洗、切分）。RAG 的功夫，大半在检索和入库，不在模型。

工程化篇（05、13、17、20、21）： 这些是 Java 后端的看家本领搬到 AIGC 上。第 05 讲大模型 API 的容错（线程池、重试、熔断、多 Provider）；第 13 讲流式输出 SSE；第 17 讲长对话记忆；第 20 讲结构化输出；第 21 讲成本与并发设计。这一块最能体现"你是后端，不是算法"。

能力扩展篇（07、08、14、15）： 第 07 讲 Function Calling，第 08 讲 Agent 架构，第 14 讲多模态（图片理解 / 生成 / 语音），第 15 讲微调 vs RAG 到底怎么选。

安全与评估篇（09、16）： 第 09 讲 AIGC 安全（提示注入、权限、脱敏），第 16 讲效果评估与监控。这两篇是"生产可用"和"玩具 demo"的分水岭。

选型与综合篇（22、23、24）： 第 22 讲 Java 框架与模型选型（Spring AI vs LangChain4j、调 API vs 私有化），第 23 讲系统设计大题，第 24 篇就是你现在看的这篇。

这张地图怎么用？ 面试前别从头到尾瞎翻，按项目里卡住的具体环节去定位：讲不清切分就回看 06 和 19，答不上容错就回看 05，说不明白评估就回看 16。哪块虚，补哪块。

🎯 面试官视角的标准回答

如果面试官问："你这个 AIGC 项目，具体做了什么，怎么衡量效果？"

我按四块来讲。背景上，这是给售后团队做的内部知识库，原来的痛点是客服查资料要在多个系统里翻，响应慢。我的职责上，我负责的是文档入库管道的设计，还有检索链路的向量库接入和查询编排——从设计到上线这两块我都跟到底了。技术选型上，向量库我们选了 pgvector，因为团队本来就有 PostgreSQL，数据量在可控范围，这样能省一套中间件的运维成本。检索上用了向量加关键词的混合方式，因为客服的问题里经常带产品型号，纯向量检索对精确编号不敏感。效果衡量上，我们上线前建了一批评测问题，带标准答案和应该被召回的文档，每次改 Prompt、调 top_k 都跑一遍对比。这块我们做得还不够，评估集覆盖的场景偏少，这是我复盘下来最该补的一环。如果再让我做一遍，我会把两件事提前：一是把数据管道的清洗和切分做扎实，因为它决定了效果上限；二是从第一天就建立评估集，而不是等到调不动了才想起来测。

注意这段回答里，没有一处是编的数字，但每一句都在传递"我懂为什么要这么做"。这才是简历讲述的正确打开方式。

本系列，24 篇完结

从"面 Java 岗，怎么还问上 AIGC 了"，到"给你 30 分钟，设计一个企业级系统"，这条线走到这儿，算是有始有终了。

回头看看这 24 篇串起来的是什么：不是一个又一个孤立的知识点，而是一个 Java 后端从听懂 AIGC，到能把 AI 能力接进业务系统的完整路径。RAG 的检索与入库是功夫，API 容错、流式、记忆、成本是工程，安全与评估是底线，选型与系统设计是判断力。这些拼在一起，才叫"AIGC 落地经验"，而不是简历上干巴巴的一行字。

你不需要变成算法工程师。你需要的，是当面试官问"你 AI 项目里负责哪块"的时候，能抬起头，把入库、检索、生成、容错、评估一条条讲清楚——讲得出理由，也讲得出踩过的坑。

那这个专栏的目的，就达到了。

唠点键盘之外的，感谢你陪着走完这 24 篇。面试加油，祝你拿到那个想要的 offer。