标签题目
Prompt 工程相关面试题
Prompt 优化有哪些常见方法？
Prompt 优化的核心是降低任务歧义、补齐上下文、明确输出约束，并建立可评估的迭代过程。常见方法包括明确目标和受众、给出背景材料、拆解任务步骤、规定输出格式、提供正反例、使用分隔符、约束边界条件、要求模型列出假设和不确定性，以及通过测试集持续比较效果。
Prompt 编写有哪些关键注意点？
Prompt 编写的核心不是堆砌提示词，而是把目标、上下文、约束、输入输出格式、推理边界和评估标准表达清楚。好的 Prompt 能降低模型歧义，稳定输出结构，减少幻觉和无关内容，并让结果更容易被程序消费和人工复核。
Prompt ETL 管道如何设计？
Prompt ETL 管道是把原始业务输入经过清洗、切分、增强、模型处理、结构化解析、校验和落库的工程化流程。它的目标不是单次调用模型，而是稳定、可追踪、可回放地把非结构化或半结构化信息转成可用数据。
大模型微调后出现不遵循指令、复读和错误答案，如何定位原因并判断 CoT 是否有效？
这题考察大模型微调后行为退化的定位方法：要把不遵循指令、复读和错误答案拆成可复现的错误类型，分别从数据、训练配置、解码参数和评估切片定位，并用对照实验判断 CoT 是否真正改善推理或事实正确率。
Agent 系统中的 skill（能力模块）应如何设计和实现？
这题考 Agent 能力模块的工程抽象，回答要说明 skill 的边界、契约、工具绑定、权限、测试、版本和失败处理。
同题还出现在 1 个公司岗位
Agent 系统 Prompt 如何设计迭代，并处理用户请求不完整的意图补全？
这题考 Agent system prompt 的工程化设计，以及用户请求不完整时如何识别缺口、澄清、假设和补全。
Agent 场景下 Prompt 自动优化应如何工程化设计？
这题考 Agent Prompt 自动优化的工程化闭环，回答要聚焦候选生成、离线评测、安全门禁、灰度实验和回滚。
代码生成或代码定位场景中，文件过长超过 LLM 上下文窗口时如何处理？
这题考代码生成或代码定位中长文件超过 LLM 上下文窗口的工程处理，重点是检索、切片、结构化上下文和验证，而不是泛泛讨论 long context 退化。
Agent Skill 不一定可靠时，如何用 Workflow 和 System Prompt 固定主流程？
这题考 Skill 不可靠时如何用 Workflow 和 System Prompt 固定主流程。答案要覆盖能力探测、节点契约、流程骨架、受控执行、重试降级、前端确认和提示词护栏。
强模型直连与本地模型 + RAG + Prompt 优化，应如何按成本、延迟、安全和效果取舍？
这题考强模型直连与本地模型加 RAG 和 Prompt 优化之间的架构取舍，回答要按效果、成本、延迟、安全、可控性和运维复杂度做决策，而不是给单一答案。
Agent 短期记忆应何时抽取、存放到哪里，并如何拼进 System Prompt？
这题考 Agent 短期记忆的工程链路，回答要区分对话缓冲、摘要、抽取事实和工具状态，并说明抽取时机、存储位置、Prompt 拼装顺序、预算控制和失效规则。
同题还出现在 2 个公司岗位
AI 绘画产品如何设计 prompt 输入方式和用户自定义能力？
这题考 AI 绘画产品的 prompt 输入和自定义能力设计，重点是降低新手门槛、保留高手控制感、提供生成反馈并控制风险。
Agent 中上下文工程如何设计，如何组织 System Prompt、工具结果和记忆？
这题考 Agent 上下文工程的结构化设计，回答重点是如何组织 System Prompt、用户任务、工具结果、记忆、约束和截断策略，让模型拿到必要信息而不过载。
同题还出现在 2 个公司岗位
基于 LangGraph 和 RAG 的内容生成 Agent，应如何设计检索、生成和审核流程？
这题考用 LangGraph 和 RAG 设计内容生成 Agent 的端到端流程，回答重点是检索、证据整理、生成、审核、重试和发布前控制，而不是只讲向量召回。
Agent Memory 为什么不能简单塞进 Prompt，渐进式披露如何减少上下文污染？
这题考 Agent Memory 的上下文污染控制，回答重点是为什么不能把全部记忆塞进 Prompt，以及如何通过渐进式披露按任务阶段加载必要记忆。
同题还出现在 1 个公司岗位
Claude Code 类代码 Agent 的 Memory 三层设计如何区分短期上下文、项目知识和长期偏好？
这题考代码 Agent 的记忆分层设计，回答重点是短期工作上下文、项目知识和长期偏好三层如何分工，以及如何更新、检索、隔离和防污染。
前端或应用侧调用大模型 API 时，Prompt 安全设计要覆盖哪些风险和链路？
这题考前端或应用侧调用大模型 API 时的安全链路，回答重点是不要把密钥和权限放到浏览器，Prompt 安全要覆盖注入、越权、敏感信息和输出治理。
AIGC 图片工具如何通过产品功能系统性降低提示词门槛？
这题考产品经理能否把提示词门槛拆成可设计、可学习、可衡量的用户问题。答案应围绕输入脚手架、可视化选择、结果反推、迭代引导和学习闭环展开。
AI 创作产品如何把模型 API 参数、上下文和链路配置转成产品可控的效果杠杆？
这题考产品经理是否能把模型能力翻译成可控产品体验。优秀答案要说明：不要把底层参数裸露给用户，而要按任务场景封装成模式、预设、质量档位、创作约束、成本/时延策略和安全策略，并通过离线评测、A/B 实验、监控和版本治理形成闭环。
大模型内容运营如何搭建标注规范、数据集和质量评测闭环？
这题考内容运营能否把大模型评测从零散打标升级为可复用的质量生产系统。高质量回答应覆盖目标定义、标注规范、样本集建设、标注质检、一致性度量、Prompt 评测和问题回流迭代。
AI 平台接口上线前，如何验证模型降级、Prompt 版本追踪、配置回滚和缓存一致性？
这题考 AI 平台接口的上线准备，不是普通接口冒烟测试，而是围绕模型降级、Prompt 可追踪、配置回滚、缓存一致性、灰度观测和事故演练建立发布门禁。
用 Prompt Engineering 构造评测或训练数据效果不理想时，如何迭代任务定义、样本分布和质检标准？
这题考 Prompt Engineering 构造数据的迭代能力：先判断数据用途，再从任务定义、prompt 模板、样本分布、人工质检、失败切片和真实数据混合上优化。
Agent 上下文压缩应该在什么时候触发，如何在 token 预算、信息损失和任务连续性之间取舍？
这题考上下文压缩的运行时策略：触发点不能只看 token 快满，而要结合任务阶段、信息密度、工具结果、记忆状态、失败风险和可恢复性来决定。
同题还出现在 1 个公司岗位
Agent 使用滑动窗口摘要时，旧摘要应逐步合并还是分段保留，如何控制信息遗失、冲突和可追溯性？
这题考滑动窗口摘要的状态维护策略：合并摘要更省上下文，分段摘要更可追溯，工程上通常需要分层结构而不是二选一。
大模型 Function Call 为什么会产生工具调用幻觉，工程上如何用 schema、权限、校验和反馈闭环降低误调用？
这题考 Function Call 的工程治理能力：工具调用幻觉不只靠 prompt 解决，还要靠工具契约、调用门禁、参数校验、执行反馈、回退策略和评测闭环共同降低。
同题还出现在 3 个公司岗位
Chain-of-Thought 为什么能提升复杂推理任务表现，它的收益、风险和生产可控性如何理解？
这题考 Chain-of-Thought 的机制理解：它通过显式或隐式中间步骤降低复杂任务的一次性求解难度，但上线时要控制答案暴露、成本、稳定性和可验证性。
同题还出现在 1 个公司岗位
不同任务应如何设计 Prompt，如何调整指令、示例、输入输出格式和约束？
这题考的是 Prompt 设计方法论：不是背模板，而是能根据任务目标、输入不确定性、输出可验证性和风险边界，系统调整指令、示例、格式和约束。
如何教初学者与大模型交流并写出有效 Prompt？
这题考 AI 产品经理能否把 Prompt 教学设计成可上手的用户教育流程：先建立正确心智，再给结构化提问框架、示例练习、迭代反馈、结果验证和安全边界。
同公司岗位有 2 条面经记录
LLM 应用上线后收到业务反馈和 badcase，如何建立问题归因、数据回流、Prompt/模型迭代和回归评估闭环？
这题考 LLM 应用上线后的持续改进能力：要把业务反馈转成可复现样本，分层归因到数据、检索、Prompt、模型、工具或产品边界，再用评测和灰度闭环避免越改越差。
AIGC 画本产品如何保证角色、风格和场景一致性，ComfyUI 工作流、参考图、种子、ControlNet 和后处理分别起什么作用？
这题考 AIGC 产品经理是否理解图像生成一致性不是单靠提示词，而是由角色设定、参考资产、工作流编排、可控生成、种子复现、后处理和质量评估共同保证。
产品经理如何评估大模型效果，并从数据、Prompt、RAG、模型和体验层面推动效果提升？
这题考的是 AI 产品经理能否把大模型效果从一句主观好不好，拆成可定义、可评测、可归因、可迭代的产品质量闭环，并能说清不同优化手段的边界。
同题还出现在 2 个公司岗位
Agent 的 thinking 阶段如何判断该调用工具还是直接回复，如何设计决策信号和安全约束？
这题考的是 Agent 运行时决策设计：候选人要能说明什么时候直接回答、什么时候调用工具、什么时候追问，以及如何用置信度、权限、安全和回归评估约束决策。
同题还出现在 1 个公司岗位
RAG 中检索文档正确但生成答案错误时，如何定位 Prompt、上下文组织、模型推理和后处理问题？
这题考的是 RAG badcase 的责任拆解：当正确证据已经被检索到，问题就不再主要是召回率，而要检查证据是否进入 prompt、是否被截断或排序淹没、指令是否约束模型使用证据、模型是否误读冲突信息、解码是否不稳定，以及后处理是否改坏答案。
ReAct 的思考-行动-观察循环如何驱动 Agent 工具调用，和普通 CoT 有什么区别？
这题考的是候选人是否理解 ReAct 把模型推理和外部行动交织起来：模型不是一次性输出答案，而是在思考、选择工具、观察结果、继续推理的闭环中逐步完成任务；它和普通 CoT 的关键区别是能通过工具调用改变外部状态并用真实观察修正推理。
Agent 中 Function Call、MCP 和 Skill 的工具描述上下文占用有什么差异，如何降低 token 成本？
这道题考察对 Agent 工具接入方式和上下文成本的工程理解。好答案要区分 Function Call 是模型请求内的工具 schema，MCP 是客户端和外部工具服务器之间的协议，Skill 是把说明、脚本和资源按能力打包并按需加载的机制。回答不能简单说 MCP 一定比 Skill 大，而要说明上下文占用取决于客户端暴露了多少工具描述、schema 是否冗长、是否做动态路由和懒加载。高质量答案还应给出降低 token 成本的方法，包括工具分层、候选工具筛选、描述压缩、结果引用、prompt caching 和按任务加载。
Agent 系统里上下文缓存有什么价值，如何用它处理频繁复用的系统指令并降低冗余上下文成本？
这题考 Agent 上下文缓存和 prompt caching。核心是把稳定系统指令、工具协议和安全策略作为可缓存前缀，把用户问题、检索材料和工具结果作为动态上下文，并通过版本、权限作用域和失效机制避免缓存污染。
知识卡片抽取 Prompt 中为什么要同时写好示例和坏示例，如何用正反 few-shot 稳定结构化输出？
这题考察 Prompt Engineering 在结构化抽取任务中的设计能力。知识卡片抽取不是泛泛总结，而是把原始内容稳定映射到字段、格式和质量标准。好示例告诉模型什么是合格输出，坏示例和反例告诉模型哪些边界、误抽、过度概括和格式错误不能接受。优秀回答应覆盖 schema 约束、正反 few-shot、错误类型、评估指标和迭代方法。
Agent Skill 如何用渐进式披露按需加载能力说明、执行步骤和工具细节？
这题考察 Agent Skill 的核心机制，以及如何通过渐进式披露降低上下文负担。Skill 不是简单工具函数，而是一组可被 Agent 发现、选择和执行的能力包，通常包含能力说明、适用条件、输入输出、执行步骤、工具依赖和失败处理。渐进式披露的关键是先暴露轻量索引和选择信号，只有命中时再加载详细说明、示例和执行细节。
多工具 Agent 如何设计工具选择与调用调度链路，并在超时、参数错误或工具失败时做 fallback？
这题考察多工具 Agent 的工程调度能力。好的回答不能停在“让模型选择工具”，而要说明工具注册、候选召回、参数生成、权限校验、执行编排、状态记录、错误分类和 fallback 策略。面试官重点看你是否能把不稳定的 LLM 工具调用变成可观测、可恢复、可降级的业务链路。
RAG 生成阶段如何通过 Prompt 边界约束，在没有检索到有效证据时避免模型编造答案？
这题考察 RAG 生成阶段的边界控制能力。好的回答要说明 Prompt 如何把模型限制在检索证据内回答，如何定义无证据、低置信和证据冲突时的行为，以及如何配合检索评分、引用、结构化输出和评估来降低幻觉。重点不是写一句“不要编造”，而是建立可执行的证据约束。
RAG 或大模型知识库应用中，知识不断追加导致 Prompt 越来越长时，会带来哪些上下文、成本和质量问题，如何治理？
这题考 RAG 或大模型知识库应用的上下文治理能力。题源 evidence 指向新加入知识库造成 prompt 越来越长，所以回答不能停留在换长上下文模型，而要说明 prompt 变长会带来窗口挤占、成本上升、延迟变高、噪声和冲突增加、回答质量下降，并给出检索、压缩、版本、权限、评测和监控的治理方案。
RAG 生成阶段如何把 top3/top10 文本块和文档信息组织进 Prompt，控制模型基于证据输出？
这题考 RAG 生成阶段的证据组织和约束生成能力，重点是把 top3/top10 chunk、文档元数据、冲突处理和引用规则放进 Prompt，而不是简单拼接检索结果。回答要聚焦 evidence packing 和 grounded generation，不要扩成泛泛的召回优化。
如何用 Coze 搭建 K12 英语批改 Agent，并通过输入输出规范控制商业化发散风险？
这题考如何把 Coze 里的英语批改 Agent 做成可商业化、可控输出的教育产品。核心不是搭一个能聊天的 Bot，而是用严格输入输出规范、评分口径、内容边界和质检闭环控制发散风险。
智能体创建流程中，“一句话创建”门槛高时，如何通过角色类型选择和可编辑 Prompt 降低用户创建门槛？
这题考智能体创建流程的增长和 onboarding 设计。题源指出“一句话创建”仍然门槛高，因此回答要围绕角色类型选择、轻量问答、Prompt 抽取、模块化编辑、预览验证和内容治理展开。
客服场景中，Expert Agent 应如何按业务维度拆分，并通过 Prompt 输入、输出约束和预设 Workflow 降低幻觉与泛化损失？
这题考客服 Agent 架构拆分能力。回答要讲清 Expert Agent 的划分维度、Prompt 输入、输出约束、预设 Workflow，以及如何用证据和边界降低幻觉与泛化损失。
Agent 中多个工具语义相近且副作用不同，如何设计工具命名、description 和 JSON Schema，避免误选、漏参和高风险误触发？
这题考 Function Calling/Agent 工具契约设计。回答要讲工具命名做候选粗筛，description 划清使用/禁用边界，JSON Schema 约束参数和缺失处理，再配合权限、示例和评测降低误调用。
Agent 按需加载工具说明、规则和上下文的渐进式披露架构下，是否还需要 RAG？二者如何分工与协同？
这题考 Agent 上下文架构和知识检索的边界。回答要说明渐进式披露管工具说明、规则和上下文的按需加载，RAG 管外部事实证据检索，并给出二者协同的执行链路。