通过增加迭代的上下文，提升最终答案的稳定性和准确率；若不让模型输出思考过程，模型无法“分步思考”，只能直接蒙答案，易出错/产生幻觉。防幻觉的核心永远是“留退路、设边界、限输出”，零基础设计提示词时，围绕这9个字即可，不用追求复杂的术语和结构。：每个TOKEN基于注意力机制，计算与前面所有TOKEN的相似度，调整自身向量（仅往前看，遮罩机制作用）；：将新生成的TOKEN加入后，重新执行步骤③-④，直

当AI从A推理出错误的C，而非正确的B时，为了“自圆其说”，会在C的基础上编造虚假的信息/逻辑，强行完成推理，这就是AI“胡说八道”的核心原因。：工程师在微调控时给了模型大量“思考过程的语料”，模型只是模仿这些语料的特征，并非真正的思考，其核心价值是让模型构建更多上下文，提升回答质量；，而AI的推理是基于训练语料的规律，其“创意”只是概率随机性带来的“偶然匹配”，并非真正的灵感；，包含大量的信息，

当AI从A推理出错误的C，而非正确的B时，为了“自圆其说”，会在C的基础上编造虚假的信息/逻辑，强行完成推理，这就是AI“胡说八道”的核心原因。：工程师在微调控时给了模型大量“思考过程的语料”，模型只是模仿这些语料的特征，并非真正的思考，其核心价值是让模型构建更多上下文，提升回答质量；，而AI的推理是基于训练语料的规律，其“创意”只是概率随机性带来的“偶然匹配”，并非真正的灵感；，包含大量的信息，

比如“我想吃苹果”，先拆成TOKEN，再每个TOKEN对应一个箭头（初始向量），这一步完成后，人类语言就变成了模型能处理的数学形式。大模型没有“知识库”，只是基于TOKEN和向量的概率预测，所有“知识”都是训练阶段固化在向量中的；模型上线前的工作，核心是让模型学习语言规律，生成TOKEN对应的初始向量。讲解“大模型是如何回答问题、完成任务的”，核心考察对推理流程的理解，

自研模型部署：数据采集（共有）→ 数据标注（协同处理模块）→ 特征工程（独有）→ 模型训练（共有）→ 上线（共有）将多种AI能力（智能搜索、文档摘要、图像识别等）聚合为一个独立的“智能助手”（如悬浮球、面板），用户按需调用。在现有业务系统（如导航栏、工具栏）添加一个“跳转入口”，用户点击后直接进入独立的AI应用/外部系统。客服场景：文本识别（共有）→ 意图分类（共有）→ 话术推荐（独有模型）→ 结

当前团队是基础开发能力，能做API整合，若要做小模型微调需补充1名AI工程师”“灵感提取方向目前AI分析能力有限，可能需要3个月测试期，效果不确定”“先做AI视频编辑，预计每年节省人力成本50万，获客提升20%”输入“制作产品宣传视频”，AI自动找素材、剪视频、加字幕。想靠AI“干掉某个团队、颠覆流程”，不了解AI能力边界。主体元素无偏差=5分，少量偏差=3分，严重偏差=1分。我们能做什么、不能做

注：国内主流实际应用中，Stable Diffusion和Flux占比最高，其他国内模型商用效果和可控性相对较低。需开放多参数控制（如temperature、top P、JSON mode等）即将全量开放200万上下文，支持缓存定价、自动选模型，灰度测试多模态能力。必须解决具体问题，有明确体验提升（用户需感知AI价值）新增视觉理解能力，版本众多，适配场景丰富（需查看官网。较高（用户可接受少量错误，

低参数模型先行：同时调用低参模型（快速输出基础响应）和高参模型（输出精准内容），后续替换/追加。iframe嵌入（将AI页面打包为无头iframe，通过开放API嵌入现有页面）整篇文档直接扔给AI查错，AI无法逐字逐句校验，易遗漏或编造错误。预加载通用回复（如“已收到需求，正在分析”），毫秒级响应。大模型是生成式，需整体读完再输出，无法回溯校验。文本内容占比高，对AI上下文影响强于用户指令。H5嵌

①预设提示词（“根据场景和受众，润色文本，保留核心信息，长度控制在原文本的±20%”）；考察RAG系统的工程化认知，区分“玩具级知识库”（比如COZE上搭的简单知识库）和“生产级系统”（可落地、无bug、响应快）的差异。②对大模型“能力边界”的认知（区分是模型做不到，还是提示词/工程问题）。考察产品经理的“需求拆解+落地能力”，核心是讲清“从需求到智能体落地的每一步”，而非只说“我搭了个智能体”。

考察“AI工程化落地思维”，核心是“场景需‘零容错’，AI输出直接影响后续流程”，注意避开误区（不是“教育、医疗”等场景，而是“能用AI且需严格控制”的场景）。考察产品经理的“细节描述能力”和“兜底思维”，核心是“你能想多细，AI就能做多好”，本质是考验产品设计基本功。考察提示词攻防能力，核心是理解“如何打破AI的预设规则”，以及“如何通过攻防优化AI产品的稳定性”。考察“问题定位能力”和“信息传