面试题：AI全栈
AI 全栈工程师岗位相关的 AI 应用开发、Agent 工作流、模型接入和产品落地面试准备。
Prompt、上下文和业务规则有什么区别，为什么不能把所有要求都堆进一段提示词？
Prompt 是给模型的表达方式，上下文是本次决策可见的信息，业务规则是必须由程序或权威数据保证的约束，三者不能互相替代。
Prompt 与上下文工程AI全栈中频题
如何把一个模糊的产品需求拆成角色、任务、约束、输入和输出格式？
先把“想要一个智能助手”改写成可验收的任务契约，再决定哪些内容交给模型、哪些由代码负责。
Prompt 与上下文工程AI全栈中频题
Few-shot 示例什么时候有用，如何避免示例本身引入错误格式或业务偏见？
Few-shot 适合展示难以用文字说清的边界和格式，但示例必须代表真实分布，并且要纳入版本管理和评测。
Prompt 与上下文工程AI全栈中频题
长上下文为什么不等于模型能有效使用全部信息，如何做上下文裁剪和排序？
上下文窗口是容量上限，不是有效注意力保证；应先筛选高价值信息，再按任务结构组织剩余内容。
Prompt 与上下文工程AI全栈中频题
对话历史应该如何压缩、摘要和持久化，怎样避免摘要改变用户事实？
对话历史要区分原始事件、当前状态和可读摘要；摘要用于节省上下文，不应替代订单、权限等权威数据。
Prompt 与上下文工程AI全栈中频题
如何把用户输入、检索内容和系统指令分层，降低提示注入影响？
分层可以帮助模型理解来源，但真正的防护必须由权限、工具白名单、内容隔离和输出校验共同完成。
Prompt 与上下文工程AI全栈中频题
Prompt 模板如何做版本管理、变量校验、回滚和线上比对？
Prompt 是影响线上行为的代码资产，应有版本、参数契约、评测记录和可回滚发布，而不是散落在组件字符串里。
Prompt 与上下文工程AI全栈中频题
如何判断一个问题应该通过 Prompt、知识库、工具调用还是代码逻辑解决？
判断依据是信息是否需要实时、是否需要精确执行、是否有副作用，以及问题是否属于语言理解而非事实计算。
Prompt 与上下文工程AI全栈中频题
多语言、专业术语和用户表达不完整时，如何设计上下文归一化策略？
先保留用户原意和原文，再把语言、术语、单位和缺失字段转成可校验的中间表示，避免翻译或猜测覆盖原始事实。
Prompt 与上下文工程AI全栈中频题
面试中如何用一个真实案例说明 Prompt 改写确实改善了结果，而不是只展示一段漂亮模板？
用可复现的问题、固定样本、明确指标和失败案例说明变化，重点讲清为什么改、改善了什么、牺牲了什么。
Prompt 与上下文工程AI全栈中频题