蚂蚁一面：交付门禁、准确率口径与商品问答
本场面试题
- Agent 的多环节产物怎样保证可交付？
- 怎样区分准确率、完成率和人工介入，证明高分可信？
- 数字人回答商品推荐、问题与注意事项时，怎样提高准确性？
面经与参考答法
蚂蚁一面：交付门禁、准确率口径与商品问答
公司为蚂蚁，一面；标题只给 9 月 7 日，年份未注明。具体岗位、部门和时长未注明。原文是围绕实习项目的连续追问，出现的90%/100%都是被追问的口径或假设，不能写成作者项目实测指标。
根据公开面试自述选录，经历未经外部认证。短答和例子均为编辑教学补充，不代表候选人现场回答、原项目已实现能力或企业标准答案。
选录多环节交付、自动完成与人工介入的准确率口径、数字人商品问答三组。Transformer、注意力、堆排序、实习职责、复杂仓库场景和行为题等保留完整私有库存；未定义的“声码”不作含义恢复。
（1）Agent 的多环节产物怎样保证可交付？
为每个阶段定义输入输出合同与可验证条件，保存版本和证据，失败时阻止不合格产物进入下游。代码、结构、业务事实和用户行为需要不同检查；最终再按端到端目标验收。中间步骤通过并不自动证明最终可用，额外评审模型也不能替代可靠判据。 教学例子：生成代码通过语法检查但用户流程失败，应留在未验收状态；不能把每个节点都返回成功当成整体完成。原题未给具体节点实现，例子只说明门禁。
（2）怎样区分准确率、完成率和人工介入，证明高分可信？
先定义分母：全部进入任务、交给自动化的任务、实际尝试及人工接管分别计数，再定义正确和完成的判据。按难度和风险切片报告自主成功、错误、拒答与人工率，同时保存证据和独立评估。选择简单任务自动处理可能得到很高条件准确率，却不能推出全量任务都能自主完成。 教学例子：只把易题交给Agent并取得高正确率，还要披露自动化覆盖了多少输入、困难任务去了哪里。原帖的90%/100%是面试追问，不能直接列为实测结果。
（3）数字人回答商品推荐、问题与注意事项时，怎样提高准确性？
先从有权限、版本明确的商品和规则数据获取证据，区分产品事实、推荐理由与无法确认的信息。生成回答后检查每项事实是否受到对应证据支持，并处理过期、冲突和缺失；证据不足则澄清、保留未知或转人工。数字人形象或更流畅表达都不能替代事实校验。 教学例子：商品资料没写某项兼容性，就不能把相似型号的描述当当前商品事实；应说明缺口并查可靠来源。这个商品场景是编辑示例，不是作者已经实现的机器人。