完整题目
请结合你在实习或项目中的实际经历，描述一个你遇到的具体技术或协作难题，详细说明你是如何定位问题、制定解决方案并推动落地的过程。
用可验证的定位闭环回答，而不是编造项目故事
这类经历题应以候选人的真实材料填写：背景写【真实业务与目标】，困难写【可复现现象】，职责写【本人实际负责范围】，结果写【有记录的指标及统计口径】。如果没有对应经历，应明确说没有直接做过，再给出会采用的排查方案，不能借用公司名、期限或收益。
以 RAG 质量问题为例，Top3 检索结果差只能说明端到端链路出现了坏样本，不能直接证明 embedding 负样本不足。定位时要按查询类型和文档类型切片，先查知识覆盖率、切分与元数据，再分别测候选召回、重排排序、上下文组装、引用支持和最终答案。召回层至少看 Recall@k 或命中率，排序层看 MRR、NDCG 或人工偏好，生成层看答案正确性、证据支持率和拒答行为。
方案必须对应证据。若文档根本没有答案，应补知识而非训练 embedding；若候选集中有答案但排序靠后，再检查查询改写、向量模型、负样本和重排；若证据正确但答案错误，则处理提示、上下文冲突、生成模型或校验。落地过程还要说明负责人、灰度范围、回滚条件与复测结果。所有数字都应能由实验记录、监控或评审材料核验。
继续追问 · 3 个问题
- 如果方案效果不达预期，你会如何迭代优化
- 这个过程中最大的技术挑战是什么，如果重来你会怎么改进
- 如何平衡技术理想与业务 deadline 的压力
换一种问法，检查是否真正理解
场景切入
假设现在一个问答系统上线后在某类请求上效果变差，但根因未知。你会怎样从指标定义、数据切片和端到端链路开始定位，而不是先猜某个模型问题？
层层追问
先确认现象是否可复现……再按哪些维度分桶？……召回、排序、生成和系统实现怎样分别做最小对照？……证据指向根因后如何灰度和回滚？
直球技术
请结合一个真实经历，或明确说明采用假设场景，讲清技术/协作难题的现象、证据、定位、方案、推动落地、验证与复盘；不要预设 embedding 漂移。
练习口述回答 · 30秒速答 + 90秒主答 + 完整展开
- 先声明真实背景与个人职责边界
- 把模糊问题改写成可复现现象
- 按数据、检索、排序和生成逐层定位
- 用对照实验决定方案并推动灰度
- 只报告有记录可核验的结果
【30秒速答】 这类问题只能用真实经历回答。可以按【业务背景】【具体故障】【本人职责】【定位证据】【方案与结果】组织。以 RAG 为例，Top3 结果不相关不能直接归因于 embedding 负样本不足。我会先按查询和文档切片，检查知识覆盖、切分、候选召回、重排、上下文组装和生成支持率，再用单变量对照实验确认根因。没有监控记录的时延、准确率、期限和收益不写；没有直接经历就明确说明，再给出可执行的排查框架。
【90秒主答】 开头先把真实事实补齐：项目是【真实项目】，目标是【真实业务指标】，观察到的现象是【可复现问题】，个人负责【实际边界】。难点不能只写“效果差”，要落到某一批查询、某个时间段、某个版本和明确基线。RAG 问题可建立一张分层漏斗：语料是否含权威答案，切分是否保留关键上下文，过滤条件是否误删，候选集是否召回正确片段，重排是否把正确片段提前，生成是否忠于证据。候选层看 Recall@k 或命中率，排序层看 MRR、NDCG 或人工成对判断，生成层看答案正确性、证据支持率和应拒答样本。只有当正确文档存在、候选召回仍持续失败，并且更换向量模型或加入难负样本在固定测试集上稳定改善，才有证据讨论 embedding 训练。
【完整展开】 定位时先冻结一批代表性坏样本与对照样本，记录原始查询、过滤条件、召回列表、分数、重排结果、送入模型的上下文和最终回答。按查询意图、语言、文档新旧、表格或正文、是否多跳等维度切片，避免总体均值遮住局部故障。若语料没有答案，动作是补源、版本治理或建立拒答；若切分破坏语义，比较块大小、重叠和结构化切分；若过滤条件错，修元数据与权限；若候选有答案但排序靠后，才评估查询改写、混合检索、难负样本和重排器；若证据正确而回答错误，则查冲突证据、提示约束、模型能力和引用校验。
推动落地时把方案拆成最小实验，每次只改一个关键变量，沿用同一测试集并补线上小流量灰度。上线条件写成指标阈值，回滚条件包含正确率下降、拒答异常、时延或成本越界。协作部分说明如何让产品确认错误定义、让数据同学复核样本、让平台同学接入追踪，但只描述真实发生过的动作。最终结果使用【真实数值】和【统计窗口】填写，同时保留副作用与未解决项。这样的回答体现的是证据链和推动能力，而不是听起来完整却无法核验的故事。