# 1. 前端工程师理解 ML/AI 基础（模型能力、Prompt、RAG）对职业发展的真实价值 A 前端只需调用 API，无需理解模型能力 B AI 与前端工程师职业发展完全无关 C 只有模型开发者才需要理解 RAG D 理解模型能力、Prompt、RAG 能让前端把 AI 产品化并形成差异化竞争力 ✓ 正确答案
# 2. 跨领域能力的"广度 vs 深度"矛盾如何解决——何时 T 型、何时 π 型？ A 无论何时都应追求广度，放弃深度 B 早期可 T 型深耕，跨领域岗位需 π 型两条深度，广度需有目的 ✓ 正确答案 C 广度与深度不可兼得，必须二选一 D π 型就是什么都浅尝辄止
# 3. 如何通过「数据采集→特征→模型→评估→上线→监控」的完整小项目同时验证技术、数据与 AI 三项能力的真实深度？ A 只需下载数据集跑个模型即可验证能力 B 端到端项目只体现 AI 能力，与技术无关 C 每个环节都真实落地（采集、特征、模型、评估、上线、监控），才能验证技术与数据与 AI 的深度 ✓ 正确答案 D 监控环节与能力验证无关
# 4. 如何在简历与面试中有效展示跨领域能力而非"样样通样样松"？ A 应列出尽量多的技能清单以显得全面 B 跨领域能力越多越好，无需深度 C 面试时只需讲技能名称，无需准备追问 D 应以主线收拢、用成果量化、用深度应对追问，避免样样松 ✓ 正确答案
# 5. 后端工程师补足数据工程能力（SQL/ETL/数据建模）的最低门槛与最高回报 A ETL 是最低门槛 B 数据建模成本最高但回报最低 C SQL 是最低门槛，数据建模与数据驱动思维是最高回报 ✓ 正确答案 D 数据驱动思维与工程决策无关
# 6. "AI 工程师"与"传统开发工程师"的真实能力差异——是融合还是分化？ A 传统开发偏确定性系统，AI 偏数据与评估迭代，趋势是融合为主、分化并存 ✓ 正确答案 B 二者能力完全一致 C AI 工程师不需要工程能力 D 传统开发工程师将被 AI 完全取代
# 7. 数据驱动决策的指标定义、分析框架与实验设计如何组合，常见数据误读有哪些？ A 看到相关性就能断定因果 B 分组数据与整体结论不一致时，以分组为准无需检查 C 只需看整体均值即可决策 D 应组合指标定义、分析框架与实验设计，并警惕相关性误读、幸存者偏差与辛普森悖论 ✓ 正确答案
# 8. 数据管道中采集、清洗与建模的质量问题如何定位，数据血缘怎样维护？ A 数据质量问题只需在最终报表层发现 B 数据血缘与数据治理无关 C 应分层校验采集、清洗、建模，并用血缘追踪数据来源与流向以定位问题 ✓ 正确答案 D 清洗环节无需校验，交给模型即可
# 9. 模型指标好但业务效果差时，如何用数据审计、样本分析与因果检验定位问题，避免盲目调参？ A 指标好说明模型没问题，应继续调参 B 只需把准确率调高业务效果就会好 C 离线指标与线上效果必然一致 D 应先做数据审计、样本分析、因果检验定位问题，避免盲目调参 ✓ 正确答案
# 10. 数据/AI 复合岗位从数据工程到 AI 应用的技能进阶顺序与项目选择如何规划？ A 应直接学模型，无需先学数据工程 B 应遵循"工程→数据→模型→应用"递进，项目从小而完整到贴近业务 ✓ 正确答案 C 只需学理论，无需做项目 D 数据工程与建模能力无关
# 11. 技术人如何建立"数据素养"（Data Literacy）——从读懂指标到用数据驱动决策 A 数据素养就是会看数字大小 B 应从读懂指标、到分析数据、再到用数据驱动决策，形成"先看数据再决策"的习惯 ✓ 正确答案 C 数据素养与工程决策无关 D 数据素养只需看报表，无需质疑数据
# 12. AI 能力的工程化中模型选型、数据准备与部署监控的成熟度如何评估与补齐？ A 应从模型选型、数据准备、部署监控三环节评估，以可复现、可追溯、可自动、可回退为标准补齐 ✓ 正确答案 B 数据准备无需版本化，可复现即可 C 模型选型凭感觉即可，无需流程 D 部署监控在 AI 上线后无需关注
# 13. 数据与 AI 协作中特征工程、训练迭代与上线监控的交接与版本管理如何设计？ A 应通过契约化交接、全链路版本化（数据/特征/模型/代码）与监控回退来设计 ✓ 正确答案 B 只需版本化管理模型，无需管理数据与特征 C 特征工程与训练之间无需对接 D 交接只需口头说明，无需文档
# 14. 数据素养如何用数据沟通与说服？ A 数据沟通无需关注听众关切 B 只需罗列大量数字即可说服对方 C 应先讲结论再讲依据、量化对比、可视化并呼应关切，且诚实避免误导 ✓ 正确答案 D 为说服可选择性忽略口径差异
# 15. AI 落地的场景选择与 ROI 评估中，高价值低风险场景的筛选标准与失败止损机制如何设计？ A 应优先选择高价值高风险场景以博取收益 B 应从价值、风险、数据、技术四维筛选高价值低风险场景，并设明确止损点 ✓ 正确答案 C AI 落地无需评估 ROI，先做再说 D 止损机制会浪费机会，应坚持到底
# 16. 数据与 AI 迭代协作中特征增删、模型版本与效果回退的评估闭环如何建立？ A 应建立"评估前置、版本化、灰度、监控回退"的闭环，保证每次迭代可验证可回退 ✓ 正确答案 B 只需上线后看效果，无需离线评估 C 特征与模型更新后可直接全面上线 D 回退机制无需设定触发条件
# 17. 推荐、风控与成本优化等数据+AI 典型场景的指标体系与工程链路有何异同？ A 三个场景的指标与工程链路完全相同 B 成本优化场景无需模型 C 风控与推荐指标完全一致 D 三者共享通用 AI 工程链路，但指标与工程侧重点由各自业务目标决定 ✓ 正确答案
