AI 人才模型
基础 AI 应用能力
提示词工程能力
懂得用最好的方式问问题，引导AI高效输出
熟练使用 AI 工具
音频转文本、 Trae、Cursor
Gemini Flash 2.0 用于 OCR
Sonnet 3.7 用于编程
GPT-4o 用于写作
o3-high 用于推理
Flux Pro Ultra 用于图像生成
可灵 1.6 用于视频生成
Eleven Labs 用于音频处理
Gemini Flash 用于图像编辑
GPT-4o 用于语音模式
Deepseek R1 和通义千问，因为我们热爱开源
内容评估能力
知道 AI 生成的内容是否靠谱，能有效验证和优化
高级 AI 应用能力
任务拆解能力
知道哪些工作适合用AI，哪些环节应该自己把控
业务场景应用能力
知道如何用AI真正提高工作效率，重新设计现有业务流程，引入 AI 的智能，让原来需要很多手动干预的操作，变成半自动或者全自动的流程，极大提升效率。不但会用AI工具，更要知道「什么时候用」「怎么用」「怎么用得更好」。
不同领域考察 AI 能力
AI 辅助编程
程序员面试，以前都是让候选人徒手写代码，现在AI时代来了，光凭手写未必真实。
更好的办法是：直接让候选人现场用 AI 工具（比如 Trae、Cursor 或 Windsurf 等）解决一个小问题。
关键不在于 AI 写了多少代码，而是：
- 他怎么问 AI？
- 如何判断 AI 写的代码对不对？
- 遇到问题怎么调整？ 考察的是程序员利用 AI 的真实技能，而不是死记硬背的能力。
AI 生成创意和内容
营销岗位尤其看重创意，但很多创意初稿现在都能让 AI 快速生成了。
面试时，不妨这么做：
- 给候选人一个产品，让 TA 用 AI 生成一条营销文案。
- 然后问 TA：「你为什么用这个 Prompt？」、「AI 给的文案你怎么看？」
真正的考察点在于：
- 候选人会不会灵活地调整提示词；
- 是否能判断 AI 内容质量，主动修正不足之处；
- 对 AI 生成内容是否有自己的标准（比如品牌调性、目标用户偏好）。
用 AI 做用户洞察和数据分析
产品经理的日常工作经常和数据打交道。
比如，你可以现场出一道题：「给你一份用户反馈数据，现场用 AI 工具帮我们提炼出产品改进建议。」
考察候选人：
- 是否懂得怎么使用 AI 快速抓住用户的痛点；
- 有没有能力验证 AI 结论的准确性；
- 是否能结合 AI 建议，提出清晰明确的改进方案。
AI 的局限性
优秀的人才会主动提到 AI 的局限性、使用的风险、以及如何有效避免这些风险。而不够熟悉的人通常只是机械地使用工具，甚至完全忽略了 AI 可能产生的误导性结果。
这里给大家分享一些实操性强的通用AI面试题：
「你遇到过 AI 给出明显错误答案的情况吗？你怎么处理的？」
「最近有没有新出的 AI 工具或功能是你学习并实际应用了的？具体讲讲。」
「你平时怎么调整 Prompt 来优化 AI 输出？」
「如果 AI 生成的内容和你的预期不符，你会怎么优化它？」
「你觉得 AI 目前有哪些无法解决的业务难题？遇到这些难题你会怎么办？」 这些问题看似简单，但候选人的回答可以充分展示：
TA 有没有真正用过 AI；
TA 是否能批判性地看待 AI 工具；
TA 是否具备快速学习和自我优化的意识。
• 问题一：从何入手？ 你知道 AI 很强大，但具体到你的业务场景，应该从哪里开始？是做一个聊天机器人，还是做数据分析工具？抑或是更高级的 AI Agent？ • 问题二：如何评估效果？ 你花了大量时间和资源搭建了一个 AI 系统，但如何判断它是否真的有效？是看用户反馈，还是看技术指标？评估的标准是什么？ • 问题三：技术选择困惑。 你听说过微调（fine-tuning），觉得这听起来很高大上，是不是应该一上来就用微调来提升模型性能？
常见错误：过早考虑微调，忽视基础优化
在 AI 应用中，微调（fine-tuning）是一个常被提及的技术。许多企业一听到微调，就觉得这是提升模型性能的“灵丹妙药”，急于尝试。然而，Anthropic 警告，微调并不是万能的，而且往往不是最佳选择。
微调的误区
- 微调不是“银弹”。 微调相当于对模型进行“脑外科手术”，会影响模型在其他领域的推理能力。盲目微调可能导致模型在某些任务上表现更好，但在其他任务上表现下降。
- 微调成本高昂。 微调需要大量的数据和计算资源，而且成功率参差不齐。很多时候，企业投入了大量资源，却未能获得预期的效果。
- 忽视基础优化。 在没有充分评估和优化基础模型的情况下，过早考虑微调，往往是本末倒置。
何时考虑微调？
建议，只有在基础优化无法满足需求时，才考虑微调。具体来说：
• 先尝试提示工程（prompt engineering）。 通过优化提示词，提升模型在特定任务上的表现。 • 利用其他技术。 例如，提示缓存（prompt caching）可以降低成本和延迟，检索增强（retrieval augmentation）可以提高模型的知识覆盖面。 • 评估后再决定。 在充分评估后，如果发现基础模型无法满足需求，再考虑微调。
其他实用建议
除了上述最佳实践，Anthropic 还分享了一些其他实用建议，帮助企业更好地落地 AI 应用。
• 构建代表性的评估集。 确保你的评估集覆盖了各种可能的情况，包括边缘案例。例如，在客服场景中，不仅要评估常见问题，还要评估无关或恶意的问题。 • 监控和回放。 建立完善的监控系统，记录 AI 系统的表现，并定期回放评估结果，持续优化。 • 探索创新架构。 例如，AI Agent、上下文检索等，可以提升 AI 应用的智能度和用户体验。
权衡“智能度、成本、延迟”，找到最优平衡
在 AI 应用中，企业往往需要在“智能度、成本、延迟”这三个维度之间进行权衡。而 Anthropic 的建议是：很少有企业能够同时在这三个方面都做到极致，因此，明确你的核心需求，找到最适合的平衡点至关重要。
• 智能度： AI 模型的准确性和智能水平。 • 成本： 开发和运维 AI 系统的经济成本。 • 延迟： AI 系统响应的速度。
不同的应用场景对这三个维度的要求不同。例如：
• 客服场景： 延迟是关键指标。用户希望在 10 秒内得到回复，否则可能会流失。因此，在客服应用中，快速响应比极高的智能度更重要。 • 金融研究员助手： 智能度是核心。金融决策需要高度准确的信息，响应时间可以适当放宽。
如何找到平衡？
- 明确核心指标。 根据业务需求，确定哪个维度是最关键的。
- 设计评估标准。 针对核心指标，设定明确的评估标准。
- 灵活调整。 在开发过程中，根据评估结果，灵活调整技术方案，找到最优平衡。
例如，在客服场景中，你可以通过设计“思考中”的动画或引导用户阅读其他内容来缓解延迟问题，同时优化模型以提高响应速度。