本文基于八股精的「AI提效与实践」题库约 854 条有效面试记录 （覆盖 2025-2026 年），统计了各大厂在 AI 提效方向的考察侧重与代表真题，帮助求职者看清"公司在招人时考什么、怎么考"。
写在前面：这份数据能告诉你什么
近两年，"你会不会用 AI"已经从加分项变成了不少研发岗位的基础考察项。从字节跳动到京东，面试官不再只问算法和八股，而是频繁追问：你怎么用大模型提效？Prompt 怎么设计？AI 生成的代码你敢不敢直接上线？
下面按代表题量降序逐一拆解各家公司的考察侧重，每家均按「核心结论 + 常考知识点 + 真题示例 + 避坑/得分点」组织，方便对照准备。
一、字节跳动（代表题量 23）：重"真实使用经验"，从认知问到落地
核心结论：题量第一，考察口径最宽------从大模型基础认知到日常提效实践都问，明显偏好有真实使用经历的候选人。
常考知识点： 提示词工程、大语言模型、AI辅助编程、人工智能应用、开发效率、效率提升、Token优化、系统架构一致性
代表真题：
- 请介绍一下你对大模型的了解。
- 除了在大模型缺陷检测过程中使用AI提效，你在平时学习或实习中是如何使用AI来提升效率的？
- 请分享你使用AI辅助编程的感受，以及它对编程效率的提升情况。
避坑/得分点： 字节的题目看似开放，实则筛人。第 2、3 题都在追问"你自己的经历"，泛泛而谈"AI 很强大、效率提升很多"基本拿不到分。建议提前准备 1-2 个有细节的场景：用了什么工具、解决了什么问题、效率提升有没有量化（比如"写单测的时间从 2 小时缩短到半小时"）。第 1 题则考查基础认知，Transformer 架构、预训练/微调、幻觉问题等要能讲出层次。
二、腾讯（代表题量 20）：最爱追问"边界"------AI 能做什么，不能做什么
核心结论：腾讯不只问"你会不会用 AI"，而是进一步追问 AI 使用的边界与风险，Token 优化与架构一致性是其鲜明特色。
常考知识点： 提示词工程、大语言模型、AI辅助编程、人工智能应用、人工智能辅助编程、开发效率、效率提升、Token优化
代表真题：
- 如何优化提示工程（Prompt Engineering）以减少前端请求的Token消耗？
- 既然已有AI能够自动生成代码，为什么不将所有代码都交由AI编写，而需要开发者自己实现部分代码？
- 在开发过程中，你是如何使用AI编码辅助工具的？如何避免其生成的内容导致系统架构偏离原有设计？
避坑/得分点： 这三道题有一个共同内核------批判性思维。第 2 题不要顺着"AI 全能"说，考点在于：AI 生成代码的可维护性、对业务上下文理解的局限、安全与责任归属等。第 3 题的得分点是把 AI 定位成"辅助"而非"主导"：核心架构和关键逻辑由人把关，AI 负责样板代码、单测、重构建议，并通过 Code Review 和架构约束（如 lint 规则、模板规范）防止架构漂移。第 1 题偏工程实操，可从精简指令、结构化输出、缓存复用、按需裁剪上下文等角度作答。
三、快手（代表题量 16）：Prompt 工程考得最深，从设计问到评测
核心结论：快手是样本中对提示词工程挖掘最深的公司------不只问"怎么写 Prompt"，还问"效果不好怎么排查""上线前怎么评估"，形成了完整闭环。
常考知识点： 提示词工程、大语言模型、开发效率、AI辅助编程、思维链、人工智能应用、效率提升、Token优化
代表真题：
- 当大语言模型的提示（Prompt）较长但输出效果不佳时，通常可以从哪些方向排查问题？
- 简述大语言模型（LLM）中的提示词工程（Prompt Engineering）技巧，并说明如何设计有效的提示词以提升模型输出质量。
- 在上线前，你会如何评估Prompt的效果？具体怎么进行测试？
避坑/得分点： 准备快手的同学要把 Prompt 工程当作一门"工程"来复习，而不只是背技巧清单。第 1 题的排查思路可以类比调试程序：是输入问题 （指令冗长矛盾、上下文噪声过多、关键信息被淹没），还是模型问题 （超出能力边界、位置偏差），或是输出约束问题 （格式要求不明确）？长 Prompt 未必效果好，"少而准"往往优于"多而杂"。第 2 题要能系统说出：角色设定、Few-shot 示例、思维链（CoT）引导、输出格式约束、任务拆解等技巧，并结合场景说明取舍。第 3 题最容易被忽视------很多候选人只会写 Prompt 不会评 Prompt。得分点是构建评测集 + 多维度指标（准确率、格式合规率、稳定性），做 A/B 对比与人工抽检，而不是"看着感觉不错就上线"。
四、百度（代表题量 11）：Prompt 设计 + 主动学习经历 + 业务场景赋能
核心结论：百度的考察有三个抓手------高质量 Prompt 的设计能力、主动学习 AI 的实践经历，以及 AIGC 在具体业务链路中的赋能思路。
常考知识点： 提示词工程、AI辅助编程、人工智能应用、大语言模型、开发效率、效率提升、Token优化、系统架构一致性
代表真题：
- 你提到使用大模型辅助生成测试用例，请谈谈如何设计出一个高质量的prompt。
- 请分享一次你主动学习AI相关知识并实践的经历（例如自学AI工具、尝试小实验），该经历的关键思路是什么？
- 在广告投放的整个生命周期中（创意制作 → 投放设置 → 效果优化 → 复盘分析），除"创意制作"环节外，AIGC可在哪些环节赋能广告主，以进一步提升投放效率与效果？
避坑/得分点： 第 1 题是典型的"顺着简历深挖"------写在简历上的每段 AI 实践经历都要经得起追问，能讲清 Prompt 的设计逻辑（明确任务、给定输入输出示例、约束边界条件）。第 2 题考的是学习力与自驱力，关键思路比结果更重要：如何发现问题、如何选工具、如何验证效果、如何迭代。第 3 题带明显业务色彩，可结合投放设置（智能出价、定向建议）、效果优化（素材迭代、异常归因）、复盘分析（自动报告生成）等环节展开，体现"用 AI 解决业务问题"的意识。
五、京东（代表题量 9）：最重"端到端落地"，一道题考完整个项目
核心结论：京东的代表题量虽不及前三家，但单题信息密度极高------直接用一道结构化大题考察你用 AI 工具解决真实问题的完整能力，并关注低代码与工作流自动化。
常考知识点： 开发效率、AI辅助编程、人工智能应用、提示词工程、效率提升、系统架构一致性、大语言模型、低代码
代表真题：
- 请描述一个你使用AI工具（如Dify、n8n、飞书多维表、Notion AI、Zapier或自行编写的脚本）解决过的真实重复性问题，需包含：①原始人工流程的痛点；②工具选型及原因；③具体实现步骤（字段设计、触发逻辑、API对接点等）；④上线后效果（流程是否可追踪、是否被他人复用）。（无正式项目可用课程作业、社团运营等场景替代，需提供截图、链接或清晰的过程描述）
- 结合你的开发经历，你认为引入大模型技术相比传统开发方式，主要在哪些方面提升了开发效率或系统能力？
避坑/得分点： 京东第 1 题几乎是一份微型项目答辩提纲 ，四段式结构就是评分标准：痛点要具体（"每周手工整理 200 条数据、耗时 3 小时"远好于"流程繁琐"）、选型要有对比理由、实现要讲到字段与触发逻辑级别的细节、效果要可验证。这道题临时抱佛脚很难，建议面试前真的动手搭一个自动化流程（Dify 工作流或 n8n 都是低门槛选择），并留存截图和链接。第 2 题可结合代码生成、测试用例编写、文档产出、需求理解等维度，对比传统开发方式谈提升。
六、Shopee虾皮（代表题量 3）：样本不足，仅能看出关注方向
核心结论：Shopee 在本统计周期内代表题量仅 3 条，样本不足以归纳出题规律，仅从常考知识点可见其关注开发效率、AI辅助编程与人机协作。
常考知识点： 开发效率、AI辅助编程、人工智能辅助编程、人机协作
代表真题： 样本不足，素材中未收录具体真题。
避坑/得分点： 由于数据量有限，不做过度解读。但"人机协作"这一知识点值得注意------它与腾讯第 2、3 题的考察方向一致，可参考腾讯部分的准备思路：想清楚在开发流程中，哪些环节适合交给 AI、哪些必须由人把关。
横向对比：五家公司的考察共性与差异
把数据放在一起看，能发现几个有数据支撑的规律：
- 提示词工程是绝对高频：字节、腾讯、快手、百度、京东五家公司的常考知识点中均出现"提示词工程"，可以说是本方向的"必复习项"（Shopee 因样本不足未体现）。
- Token优化出现在头部四家：字节、腾讯、快手、百度的知识点列表中均有 Token 优化，说明公司不只看"会不会用"，还看"用得省不省"------成本意识正在成为考察点。
- 系统架构一致性是进阶考点：字节、百度、京东均涉及该知识点，腾讯的代表真题更是直接追问"如何避免 AI 生成内容导致架构偏离"，反映出大厂对 AI 代码质量的担忧。
- 考察风格各有侧重：字节偏"真实经历"，腾讯偏"边界与批判"，快手偏"Prompt 工程闭环"，百度偏"学习力 + 业务赋能"，京东偏"端到端落地"。
备考建议
结合以上数据，给出 5 条可操作的建议：
1. 把"提示词工程"复习成体系，而不是技巧清单。 五家头部公司全部考察该知识点（Shopee 样本不足除外），且快手直接考到"排查---设计---评测"的完整闭环。建议按「设计技巧（Few-shot、CoT、格式约束）→ 问题排查 → 效果评测」三层框架准备。
2. 准备 1-2 个有量化结果的 AI 提效案例。 字节第 2、3 题、百度第 2 题、京东第 1 题都在追问真实经历。案例要有细节、有数据（耗时对比、复用情况），最好有截图或链接可佐证------这正是京东真题中明确要求的。
3. 练习"批判性回答"：AI 的边界在哪里。 腾讯的代表题集中体现了这一倾向。对"为什么不把代码全交给 AI""如何防止架构漂移"这类问题，提前想好自己的立场和论据，避免一边倒地吹捧 AI。
4. 补上 Token 成本与工程化意识。 字节、腾讯、快手、百度四家均考察 Token 优化。至少要能说出：精简指令、结构化输出、上下文裁剪、缓存复用等降本手段，以及 Prompt 上线前的评测流程。
5. 动手搭一个真实的自动化工作流。 京东的大题点名了 Dify、n8n、Zapier 等工具。哪怕用课程作业或社团场景，完整走一遍"痛点 → 选型 → 实现 → 效果"，面试时就有据可讲。
数据来源于八股精（AI提效与实践）约 854 条真实面试记录，覆盖 2025-2026；结论基于统计，仅供参考。