面试手记：高级 AI 工程师备战与思考

系列回顾：从 Vibe Coding 到 Harness Engineering，从 DIFY 的祛魅到手写 Skill 的严谨，再到 ETL 数据基石的夯实。这一路写下来，与其说是写博客，不如说是我对自己知识体系的又一次深度梳理。

今天，我想聊聊这场“尚未发生”的面试本身。作为一个在 AI 领域折腾了一段时间的开发者，我是如何看待这场“高级 AI 开发工程师”的考核的？我又准备了哪些“杀手锏”？

1. 读懂 JD：这不是一个“调参”岗位

拿到 JD 的第一眼，我就意识到这绝不是那种“会用 LangChain 就行”的岗位。它的要求非常“杂”，但也非常“实”：

• 要有 DIFY 经验：说明业务侧需要快速落地，需要可视化工具来降低协作成本。
• 要有 Harness/Skill 开发能力：说明核心逻辑不能只靠 Prompt，必须有代码级的管控（这正是我第三篇讲的内容）。
• 要有数据开发/ETL 能力：说明他们遇到了数据质量的瓶颈，需要有人来治理源头（这是第四篇的重点）。
• 要有 K8s/Docker 经验：说明是生产级部署，不是玩具。

我的判断：面试官想找的不是一个“模型训练师”，而是一个 “AI 应用架构师” 。他要的人，必须能从数据接入开始，到模型编排，再到服务部署，全链路打通。

2. 面试策略：用“批判性思维”代替“背诵概念”

在准备过程中，我没有去背 DIFY 的官方文档，也没有去刷 LeetCode，而是构建了几个 “认知高地” 。

策略一：重新定义 DIFY

当面试官问“你用过 DIFY 吗？”

• 普通回答：用过，我会创建工作流，配置知识库，调用 API……
• 我的回答：用过，但我更倾向于将其视为业务编排的胶水层。对于核心的校验、权限和复杂逻辑，我会封装成独立的 Skill（微服务），由 DIFY 来调用。这样既利用了 DIFY 的敏捷性，又保留了代码的控制力。我认为 DIFY 是 Harness 的低配版，而我擅长构建高配版的 Harness。

策略二：强调 Harness 思维

当面试官问“你怎么保证 AI 输出的准确性？”

• 普通回答：用 Few-shot（少样本示例），用 CoT（思维链）……
• 我的回答：Prompt 只是软约束，工程才是硬约束。我会在代码层实现 Harness：利用 Pydantic 做参数校验，利用白名单做权限控制，利用 Try-Catch 做异常兜底。我相信 “模型不可靠，但代码可靠” ，我的工作是让不可靠的模型在可靠的轨道上运行。

策略三：重视数据基建

当面试官问“RAG 效果不好怎么办？”

• 普通回答：换更好的 Embedding 模型，调 Chunk 大小……
• 我的回答：我会先看 ETL 链路。数据源头是不是脏的？切片策略是否合理？调度是否及时？很多时候 RAG 效果不好，不是模型的问题，而是 Garbage In, Garbage Out。我会优先排查数据管道的稳定性，确保喂给模型的是“精粮”。

3. 模拟问答：预判面试官的“挖坑”

基于 JD，我预判了几个可能会被“刁难”的问题，并准备好了答案：

Q：你为什么觉得手写 Skill 比 DIFY 的流程编排好？

A： ​ （微笑）并不是说手写一定比 DIFY 好，而是要看场景。DIFY 胜在快，适合业务频繁变动的场景；手写 Skill 胜在稳和灵活，适合核心链路。就像造汽车，DIFY 是组装厂，很快能出车；但发动机（核心 Skill）必须是我们自己精密加工出来的。我主张的是混合模式：80% 的皮肉用 DIFY，20% 的心脏用手写代码。

Q：你提到 ETL 很重要，如果让你设计一个 AI 知识库的更新管道，你会怎么做？

A： ​ 我会设计一个基于 Airflow 的 DAG。第一步是 CDC（增量捕获）或定时全量抽取；第二步是 Cleaner（去噪、格式化）；第三步是 Splitter（语义切片）；第四步是 Embedder（向量化）；第五步是 Quality Check（抽样质检）；最后是 Loader（入库）。每一步都有重试和告警机制。关键在于监控，我要确保数据的新鲜度（Freshness）和准确度（Accuracy）。

Q：你对未来 AI 工程化的看法？

A： ​ 我认为我们正在从 Vibe Coding（氛围编程） ​ 走向 Harness Engineering（驾驭工程） 。未来的竞争不在于谁更会写 Prompt，而在于谁能构建更健壮、更安全、更低成本的 AI 运行环境。AI 工程师会逐渐演变成 AI 系统工程师，我们的核心价值是让 AI 从“实验室玩具”变成“生产线工具”。

4. 写在最后：一场面试，一次修行

说实话，即便做了这么多准备，我依然对这场面试心怀敬畏。因为真正的面试场上，总会有意想不到的问题。

但我不怕。因为通过这一系列的准备，我已经不再是那个只关注“模型怎么回话”的初级开发者了。我开始关注链路、数据、控制和稳定性。这种视角的转变，比面试本身更重要。

无论结果如何，这套 “认知（Harness）- 工具（DIFY）- 代码（Skill）- 数据（ETL）” ​ 的四层架构思维，将成为我后续职业生涯的基石。

致读者：如果你也在准备类似的面试，希望这五篇文章能给你一些启发。不要只盯着最新的模型发布，多去看看数据的流向，多去思考系统的边界。祝我们都能拿到理想的 Offer！

（系列完结）

后记：

这个系列到这里就全部结束了。从第一篇文章的“概念破局”，到最后一篇的“面试复盘”，我们完整地走了一遍高级 AI 工程师的思维路径。