高频面试题

如何处理提示词优化中的常见问题？

这题考的是排障能力：遇到输出不准确、不完整、格式错误时，能不能先归因，再选择 Prompt、RAG、工具、模型或解析层的修复手段。

适合阶段：Prompt 实战 / AI 应用调优核心能力：失败归因 · 修复策略 · 回归验证

面试官角度分析，想考什么

• 输出不准确时你先改哪里？
  考察是否会区分 Prompt 问题、知识问题、模型能力问题和评估问题。
• 格式错误怎么稳定解决？
  考察对 schema、示例、解析器和重试修复的理解。
• 回答不完整怎么办？
  考察是否能处理任务拆解、上下文预算和输出约束。
• 怎么避免越调越乱？
  考察版本管理和回归测试意识。

可直接抄走的 30 秒参考答案

我会先分类，不会一上来就堆规则。输出不准确要看是知识没给到、模型没用上、还是任务需要工具验证；不完整就补检查清单、拆任务、控制上下文；格式错误优先用 schema、function calling、示例和解析失败重试；越界和不稳定则通过边界规则、低随机性、版本固定和安全回归控制。每次修复都要进评估集验证，避免修一个 case 坏一片。

面试回答详解，知其所以然

Prompt 优化最忌讳“看到一个错误就加一句规则”。规则越堆越多，Prompt 可能更长、更脆、更难维护。

1. 先做失败分类

常见失败可以分成五类：

• 不准确：事实错、计算错、引用错、理解错用户意图。
• 不完整：漏字段、漏步骤、只答一半、没有覆盖边界条件。
• 格式错误：JSON 不合法、Markdown 表格错位、字段名不一致。
• 越界输出：回答了不该回答的内容，或违反安全、合规、品牌要求。
• 不稳定：同一输入多次结果差异很大。

分类之后再决定改哪里。

2. 输出不准确的处理

先判断错误来自哪里：

• 如果资料没有给到，是 上下文或 RAG 问题。
• 如果资料给到了但模型忽略，是 Prompt 重点和引用约束问题。
• 如果任务需要计算或代码验证，是 工具或程序校验问题。
• 如果模型能力不足，是 模型选型或任务拆分问题。

可用修复方式：

• 明确“只基于给定资料回答，缺信息就说明缺失”。
• 要求引用来源片段或字段。
• 把复杂推理拆成中间步骤，但最终只输出结论。
• 对计算、代码、SQL 交给工具验证。

3. 输出不完整的处理

不完整通常来自三个原因：

• Prompt 没写清必须覆盖哪些维度。
• 上下文太长，关键信息被淹没。
• 输出长度限制或模型提前收束。

修复方式：

任务目标
-> 必须覆盖的检查清单
-> 输出结构
-> 缺失信息处理
-> 最终自检

例如要求模型在最终回答前检查：是否回答了所有子问题、是否缺少必填字段、是否明确无法判断的部分。

4. 格式错误的处理

格式问题要少靠自然语言，多靠结构化约束：

• 使用 JSON schema 或 function calling。
• 给最小但完整的输出示例。
• 明确禁止 Markdown 包裹 JSON。
• 后端解析失败时做一次“只修复格式，不改内容”的重试。
• 对关键字段使用枚举值和类型约束。

如果业务强依赖格式，优先选择模型原生结构化输出能力，而不是让模型“尽量输出 JSON”。

5. 不稳定和越界的处理

• 降低 temperature。
• 固定模型版本和 Prompt 版本。
• 减少开放式形容词，如“详细”“专业”“友好”，改成可检查要求。
• 增加拒答边界和转人工条件。
• 用安全评估集做注入和越权回归。

面试官追问3个问题

追问一：JSON 总是少逗号怎么办？

• 考察点：是否知道格式可靠性不能只靠自然语言。
• 回答方向：优先用结构化输出或 function calling；其次给 schema、示例、解析失败重试和自动修复链路。

追问二：模型老是编造不存在的信息怎么办？

• 考察点：幻觉治理思路。
• 回答方向：要求基于来源回答，缺信息说不知道；加引用约束、RAG 召回检查和事实核验；严重场景用人工审核或工具校验。

追问三：Prompt 越改越长怎么办？

• 考察点：可维护性意识。
• 回答方向：合并重复规则，抽成模板字段；把规则、示例和上下文分层；能用程序校验的不要写进 Prompt；用评估数据决定保留哪些规则。

扩展知识

“加一句规则”为什么危险

规则堆叠会带来三类副作用：

• Prompt 变长，成本和延迟上升。
• 规则之间冲突，模型不知道优先级。
• 对当前样本有效，对其他样本造成误拒或啰嗦。

排障优先级

数据是否正确 -> Prompt 是否清楚 -> 输出约束是否可解析 -> 模型是否适合 -> 是否需要工具