# 1. AI 平台的核心架构中训练集群、推理服务、数据流水线、特征平台、模型仓库与监控系统的协同及分层？ A 特征平台只负责模型训练阶段的特征计算，不参与在线推理 B 监控系统的漂移信号应能回传给数据流水线与特征平台，触发回流或重训 ✓ 正确答案 C 模型仓库负责存储模型文件即可，无需保存版本与元数据 D 训练集群与推理服务必须共用同一套资源组，否则无法协同
# 2. 数据漂移检测（PSI/KS）与模型性能衰减的关联分析，漂移告警后的人工介入流程？ A PSI 值大于 0.25 表示分布稳定，无需处理 B PSI 用于衡量分布偏移，经验上 PSI>0.25 通常表示显著漂移需介入 ✓ 正确答案 C 数据漂移一旦告警就应立刻回滚模型，无需关联业务指标 D KS 指标只能用于分类模型，不能用于判断分布差异
# 3. 特征平台的在线-离线一致性（training-serving skew）如何检测与治理，特征值校验怎么做？ A 只要离线特征和在线特征使用相同名称，就必然一致 B 在线特征无需做值域校验，只要类型正确即可 C training-serving skew 只会由模型结构问题引起，与数据无关 D 采用"一份特征定义、批流/在线共用"并配合日志回放对账，可有效降低 skew ✓ 正确答案
# 4. 实时特征计算与离线特征批处理如何共享同一份特征定义，双链路如何对账？ A 实时链路与离线链路结果应完全一致，不允许任何差异 B 对账只需比对特征名称是否相同，无需比对数值 C 以离线批处理为基准，按事件时间对齐并设置容忍度进行对比 ✓ 正确答案 D 实时链路可任意改定义，无需与离线对齐
# 5. 模型仓库（Model Registry）中 MLflow Model Registry、Hugging Face Hub、Harbor 等的工程对比与权限治理？ A Harbor 主要管理 ML 元数据与 stage 流转，MLflow Registry 主要存储容器镜像 B 模型仓库只需存权重文件，无需版本与权限控制 C 两者功能完全相同，可任意互换 D MLflow Model Registry 侧重模型版本与 stage 生命周期管理，Harbor 侧重模型/镜像的存储与安全 ✓ 正确答案
# 6. 特征工程自动化的边界中 AutoFE 在结构化数据上的适用性与可解释性风险？ A AutoFE 生成的特征天然具备业务语义，可直接上线 B AutoFE 无需对生成特征做血缘与版本管理 C AutoFE 在强监管场景下生成的复杂特征可能难通过可解释性审查 ✓ 正确答案 D AutoFE 只能用于图像数据，不适用于结构化数据
# 7. 特征平台的分层架构中特征定义、批/流计算、在线存储与服务 API 如何组织 A 特征定义层应针对在线与离线分别维护两套定义 B 在线存储与离线存储必须存储在同一个物理库中 C 特征定义层作为单一事实来源，批/流计算从同一份定义生成特征 ✓ 正确答案 D 服务层只负责训练批量取数，不提供在线查询
# 8. 特征血缘与版本管理中特征变更如何做到可回溯、可回滚并与模型版本对齐？ A 特征定义可直接原地修改，旧版本无需保留 B 特征变更无法影响已训练好的模型 C 特征版本应不可变，变更产生新版本，并将特征版本号与模型版本一起固化 ✓ 正确答案 D 特征血缘只需记录特征名称，无需记录下游模型
# 9. Kubeflow、Metaflow、Flyte 与 Argo Workflows 等 AI 编排框架的工程取舍与适配场景？ A Metaflow 强调数据科学家本地开发与云端平滑运行，适合 Python 优先团队 ✓ 正确答案 B Kubeflow 主要面向非 Kubernetes 的裸机环境 C Flyte 不具备任务缓存与重试能力 D Argo Workflows 天生不适合定义 DAG 工作流
# 10. 批/流一体的数据流水线中离线批处理与实时流计算的特征一致性如何保障 A 使用统一事件时间戳并共享同一份计算逻辑，可有效保障批/流一致 ✓ 正确答案 B 批处理和流计算应各自维护独立的特征逻辑，互不影响 C 时间穿越问题与特征一致性无关，可忽略 D 特征一致性只能通过加大模型冗余来保证
# 11. 特征存储的实时性与一致性中在线特征更新的延迟目标与一致性校验如何权衡 A 在线特征存储通常采用最终一致性，异步写入并带版本号防止旧值覆盖新值 ✓ 正确答案 B 在线特征更新必须做到强一致性，否则不能使用 C 延迟目标对所有业务场景要求完全相同，无需区分 D 一致性校验只能靠人工抽查，无法自动化
# 12. 特征存储选型（Redis/Feast/自研）与特征上线审批流程如何设计？ A Redis 自带特征定义、血缘与一致性校验能力，可直接作为特征平台 B 特征审批只需一次代码评审，无需灰度与回滚 C 自研特征平台运维成本低，适合所有团队 D 常见做法是特征平台（Feast/自研）做管理层，Redis 做在线存储层 ✓ 正确答案
# 13. 特征工程流程中缺失值处理、标准化、类别编码与特征筛选的工程实践 A 缺失值填充完成后无需保留缺失指示信息 B 类别数越高的特征越应使用 one-hot 编码 C 树模型对特征尺度非常敏感，必须全部做标准化 D 标准化的均值/方差应在训练集上统计并固化，避免泄漏到验证集 ✓ 正确答案
# 14. 特征平台（Feature Store）Feast/Tecton 的工程价值，即在线/离线一致性、特征复用与模型开发加速？ A 特征平台会显著降低特征复用，方便各团队独立建设 B 特征平台只服务于训练，不参与在线推理 C 特征平台通过一份定义与批/流同源计算解决在线/离线一致性 ✓ 正确答案 D 特征平台引入后无需再做特征血缘与监控
# 15. 特征监控中特征分布漂移、缺失率与取值异常如何检测并告警 A 分布漂移可用 PSI/KS 对比当前与基线分布，并设置多级告警阈值 ✓ 正确答案 B 特征监控只需关注分布漂移，缺失率不受影响 C 特征取值异常无法自动检测，只能靠人工 D 告警应单次触发即上线，无需滑动窗口去抖
# 16. 训练数据治理中数据版本（Data Version Control, DVC）、数据血缘与数据质量监控的工程实践？ A 数据质量门禁应收紧到训练前阻断，平时无须监控 B 数据血缘只需记录数据量大小，无需追踪上游与下游 C DVC 通过把数据哈希与代码版本关联，使同一 commit 对应同一份数据 ✓ 正确答案 D 数据版本管理会破坏训练的可复现性
# 17. 非结构化数据（文本/图像）特征化的工程链路（embedding 服务化、特征缓存）如何设计？ A 离线与在线 embedding 可使用不同版本的模型，不影响一致性 B 文本/图像特征化只能离线进行，无法在线实时 C embedding 向量无需接入特征平台，只能单独使用 D 对高频静态内容按内容哈希做 embedding 缓存，可降低重复计算与 GPU 成本 ✓ 正确答案
