INTERVIEW WORKBENCH
先识别考察点，再给出短答案、工程解释和项目证据，最后准备面试官的连续追问。
从后端内容库同步的主题化训练题组，先按场景练回答结构，再进入完整题库查漏补缺。
覆盖采样参数、上下文成本、结构化输出和成本控制，适合练习模型 API 到后端流程的工程表达。
考察候选人是否理解采样参数如何影响输出随机性、稳定性和可控性。
考察候选人是否理解 context window 不是越大越好。
考察候选人如何让模型稳定输出 JSON 或业务字段。
考察候选人是否理解 token、模型选择、缓存和降级策略。
围绕 chunking、embedding/rerank 和评测闭环，训练 RAG 工程面试中的核心取舍表达。
考察 chunk size、overlap、语义完整性和召回质量。
考察候选人是否理解召回和排序是两个不同问题。
考察候选人是否知道如何判断 AI 应用真的变好了。
从工具调用失败恢复、质量评估到生产日志，训练把 Agent 当可靠系统设计的回答结构。
考察候选人是否能把 Agent 当成可靠系统设计，而不只是演示。
考察候选人是否知道如何判断 AI 应用真的变好了。
考察候选人是否理解 token、模型选择、缓存和降级策略。