说明：这是匿名、合成化的辅导案例。个人背景、公司和时间线已做模糊处理，用于展示常见问题和训练方法，不代表任何候选人的完整原始经历，也不构成结果保证。
候选人背景
候选人模型基础扎实，也做过论文复现和 prototype，但面试中容易停留在模型指标，讲不清数据、serving、latency、evaluation 和 monitoring。目标是 MLE / AI Engineer 岗位。
主要卡点
- 项目叙述偏 research，production signal 不够。
- RAG 只会讲 embedding 和 vector DB，缺少 evaluation 和 failure handling。
- ML system design 中不能清楚区分 offline training、online serving 和 feedback loop。
辅导动作
- 把项目拆成 data collection、feature/embedding、training、serving、evaluation、monitoring 六层。
- 练习 RAG 设计：chunking、retrieval、reranking、prompt versioning、hallucination mitigation、cost/latency trade-off。
- 补 model drift、data drift、canary rollout、rollback、A/B testing、model registry 等 MLOps 高频点。
- 针对 Python coding 练 top-k、sampling、batch inference、log processing 和 vectorization。
阶段性结果
- 候选人能把 ML 项目讲成端到端系统，而不是只讲模型选择。
- RAG mock 中能主动讨论 evaluation、guardrails 和线上监控。
- 面试回答更贴近 AI startup 对 shipping ability 的要求。
可复用经验
- MLE 面试不是 DS 面试，工程化表达非常重要。
- RAG 面试的核心不是“用了 vector DB”，而是 retrieval quality、eval、latency 和 product failure mode。
- Research 背景候选人需要主动展示 production mindset。