AI提示词面试题怎么准备：按岗位梳理高频考点与回答方法
准备 AI 提示词面试题，核心不是背一套万能模板，而是能讲清楚你如何把一个模糊需求拆成可执行的提示词、怎么判断输出好坏、以及迭代过程中改了什么。
面试官通常更关心你的思考路径和验证方法，而不是你记得多少个“魔法词”。
先确认岗位方向，再决定复习重点。
提示词相关岗位大致分三类：AI 应用落地岗，偏业务场景和提示词工程；
AI 产品岗，偏需求拆解和效果验收；
AI 评测与运营岗，偏标准制定和批量测试。
方向不同，面试题侧重点差别很大。
面试前先做三件事
第一，整理 2 到 3 个你真实做过的提示词案例。
每个案例按“原始需求、初始提示词、发现的问题、修改动作、最终效果”写成一段可复述的记录。
没有真实项目时，可以用公开模型做一个小练习，例如把一段客服话术改写成结构化回复，并记录迭代过程。
第二，准备一个效果验证思路。
面试官常问“你怎么知道提示词变好了”，回答要落到可检查的指标，例如格式正确率、关键信息覆盖率、人工抽检通过率。
不要只说“感觉更好了”。
第三，熟悉你用的模型和工具环境。
至少说清楚你平时用哪个模型、通过 API 还是网页端、温度参数大概怎么设。
这些细节能让回答更可信。
高频考点与回答框架
提示词设计类问题，回答时按“角色、任务、约束、输出格式、示例”拆开讲。
比如被问到“如何让模型稳定输出 JSON”，可以说先明确字段和类型，再给一个正确示例，最后要求模型只输出 JSON 不附加解释。
迭代优化类问题，重点讲你发现问题的过程。
常见问题是输出太长、格式漂移、忽略约束。
对应动作可以是缩短指令、把约束放到靠前位置、增加反面示例。
面试时把修改前后的提示词差异说清楚，比只给最终版更有说服力。
效果验证类问题，准备一个简单的检查清单：随机抽 20 条输入，逐条检查格式、关键字段和事实一致性，记录通过率。
如果条件允许，可以用脚本批量调用接口做格式校验，例如用 Python 请求后检查返回内容能否被 json.loads 解析。
避坑提醒
不要把所有问题都归因于“提示词写得不好”。
模型能力边界、上下文长度、输入数据质量都会影响结果。
面试时能指出“这个问题换提示词解决不了，需要换模型或加检索”，反而是加分项。
也不要把提示词说成一次成型。
真实工作中提示词是反复改出来的，承认试错过程并讲清楚每次改动的依据，比包装成一步到位更可信。
如何验证准备是否到位
找朋友或同事模拟面试，让对方随机问三个问题：你做过最难的提示词优化是什么、怎么判断输出合格、遇到模型不按格式输出怎么处理。
如果能用 2 到 3 分钟讲清楚背景、动作和结果，说明准备基本到位。
录音回听，重点检查有没有空泛表述和前后矛盾。
最后提醒一点：不同公司对提示词岗位的定义差异很大，面试前尽量看岗位描述里的关键词，是偏内容生成、偏 Agent 工具调用还是偏评测体系，再调整案例侧重点。
把真实做过的事讲清楚，比套用通用答案更有效。
