01

60 秒回答模板

我会把系统拆成输入、决策和反馈三层。输入层可以接订单信息、距离、价格、目的地、司机位置、历史接单、疲劳状态、服务分和实时路况等候选特征；决策层先用规则和传统模型做安全过滤与收益预估，再把结构化摘要交给大模型生成接或不接的理由，也可以让大模型做策略解释而不是直接拍板；服务层要有特征服务、模型网关、缓存、超时降级、审计和人工可配置策略。最后用司机采纳率、取消率、收入变化、投诉率和延迟做评估。

考点 LLM 不直接拍板
难度 真实面经题
回答目标 讲清方法、取舍和追问
02

深入解析

01

先定义输入

面试中可以先列候选输入。订单侧可能包括距离、时长、价格、目的地、乘客风险、路线和天气；司机侧可能包括当前位置、接单偏好、历史收益、疲劳程度、服务分和当前任务状态。具体字段要以业务可用性和合规边界为准。

02

再拆决策链路

规则层处理安全和强约束，预测模型估计收益、取消和履约风险，大模型更适合做自然语言解释、边界分析和多因素总结。

03

最后讲工程保障

线上要有模型网关、特征一致性、权限隔离、超时降级、灰度实验、日志审计和反馈回流，避免大模型不稳定影响核心派单链路。

04

指标闭环验证

接单助手不是回答看起来合理就算成功，要用司机采纳率、接单后取消率、履约成功率、收入变化、用户投诉和接口延迟等指标共同验证，按城市、时段、订单类型分层观察是否误伤。

03

易错点

  • 不要只说接入一个大模型 API，面试关注完整后端链路。
  • 不要让大模型绕过风控和业务规则直接决定接单。
  • 不要忽略延迟，接单建议必须在很短时间内返回。
04

面试官追问

大模型输出不稳定怎么办？

限制输出格式，加入规则校验和置信度阈值，高风险场景只允许传统策略决策，大模型仅生成解释。

如何评估这个助手？

看司机采纳率、订单完成率、取消率、司机收入、投诉率、建议延迟和不同城市/时段的切片表现。

如何保护隐私和安全？

对司机和乘客敏感信息脱敏，限制模型可见字段，记录审计日志，并对输出做安全和歧视性规则过滤。