面试准备攻略②：大模型技术专家 @ 京北方信息技术股份有限公司

一、岗位速览

平台详情页需登录查看完整 JD，以下岗位画像为基于公司业务与岗位名称的推断，面试前请以实际 JD 与 HR 沟通为准。

二、JD 拆解与岗位画像（推断）

京北方是银行 IT 服务商（工行、建行、农行等大行的系统建设与运营外包主力供应商之一）。在这个背景下，这个「大模型技术专家」几乎可以确定是**“金融行业大模型落地”**岗，而不是通用大模型研发岗。

核心职责（预期）

1. 在银行业务场景（智能客服、合同/凭证审核、信贷尽调、代码辅助、知识库问答）落地大模型应用。
2. 面向客户的方案能力：能直接面对银行客户讲方案、算 ROI、写技术标书。
3. RAG/Agent 链路工程化交付，并满足数据不出行/不出域的合规约束。
4. 内部能力沉淀：模型评测、Prompt 资产、可复用组件、交付 SOP。

这岗的关键词与其他 AI 岗不同：除了技术，还强要求客户交付与方案能力——因为这是 To B 服务商。

必备技能

• 大模型应用工程：RAG、Prompt 工程、Function Call、Agent、微调（LoRA）。
• 能接受驻场/客户现场的工作模式（银行类项目常见）。
• 能写技术方案文档、能做汇报。

加分项

• 金融行业经验（银行、保险、证券）——本项目候选人做过银行业务系统、支付网关与自动对账，是真实加分。
• 持信息系统项目管理师（软考高级）——提高科技类供应商向客户报备人员时的硬分。
• 信创环境交付经验。

三、六维度匹配度分析

强匹配点

• 在职项目就是「大模型 + RAG 知识库 + 推荐系统」的完整落地，能直接讲案例。
• 有银行业务系统背景（中国银行 BL / 联机批量 / 全球托管报表），听得懂银行客户的业务语言——这在金融 IT 服务商里是最硬的门槛。
• 支付与对账系统经验，说明能处理资金相关系统对一致性、可审计性的高要求。

需补强的点

• 需要提前准备一版「金融大模型方案」的演示思路（业务场景选型 → 数据合规 → 架构 → ROI）。
• IT 服务商交付节奏快、文档多，要能接受强文档要求。

四、面试知识体系（按模块）

模块 1：金融行业大模型落地

• 银行 AI 应用的合规边界：客户信息不出域、数据分级分类、模型备案要求
• 典型场景与成熟度：智能客服/坐席辅助 > 知识库问答 > 单证审核 > 信贷尽调 > 代码辅助
• 单证/合同审核的工程做法：OCR → 结构化抽取（LLM + JSON Schema）→ 规则校验 → 人工复核
• 坐席辅助的实时性要求与流式架构

模块 2：RAG 工程（金融变体）

• 金融文档特点：表格多、条款嵌套、复本多、版本频繁
• 条款级引用与可追溯性（必须能定位到具体条款）
• 合规话术约束：模型输出需可审计，不能自由发挥
• 向量库选型与企业级权限过滤（按机构/部门隔离）

模块 3：交付与服务商能力

• 方案书籍写：现状痛点 → 技术路线 → 分阶段交付 → 人员配置 → 报价
• POC 到生产的阶毯式交付（POC 只验能力，生产要解性能、安全、运维）
• 客户预期管理：AI 能力边界的前期对齐

模块 4：大模型技术底座

• 微调 vs RAG 的边界
• Prompt 版本管理与 A/B 评测
• 模型量化与推理成本控制
• 多模型路由与降级容错

五、高频面试题与参考答案

Q1：银行客户最大的顾虑是什么？你怎么解？ A：三顾虑：数据安全、结果可靠、能不能过合规审计。① 数据安全：私有化部署 + 内网模型 + 检索层权限过滤，数据不出域；② 结果可靠：强制引用原文、可追溯，低置信度转人工；③ 合规审计：全链路日志（谁问的、检索到了什么、模型答了什么、引用哪条条款）可回放。这三条能答清，方案就站得住。

Q2：金融单证审核场景怎么做？ A：四段管道：① 版面分析（区分表格、印章、签名区）；② OCR 识别，表格结构保留；③ LLM + JSON Schema 做字段抽取（开户行、金额、日期、账号），强制结构化输出而不是自由文本；④ 规则引擎校验（金额大小写一致、日期区间合理、账号校验位），不通过的进人工队列。整个过程人工只处理异常件，效率提升主要来自此。

Q3：知识库回答怎么保证不胡说？ A：核心是让它有据可依、无据不说。具体：检索阈值不够高就不进模型；Prompt 里强制「只依据以下条款回答，并标出条款号」；输出后做一次引用一致性校验；前端把引用条款可点开。另外，金融语料要做的不是“让模型更聪明”，而是“让检索更准”。

Q4：你们怎么评测大模型应用的效果？ A：建三层指标：① 检索层——TopK 召回率、重排后精确率；② 生成层——忠实度（答案是否全部来自引用）、引用准确率；③ 业务层——坐席平均处理时长、一次性解决率、人工转接率。同时把线下真实问题脱敏后固定成回归集，每次改 Prompt / 换模型都跑，防止“改这坏那”。

Q5：客户要求驻场，你能接受吗？ A：能。我在现公司负责的就是打通运营商（联通/电信/移动/广电）合作关系与交付，也经历过驻场微软工行项目的模式（中讯汉扬外派微软驻场，服务中国银行），熟悉客户现场的节奏与沟通方式。关键是先把交付做到位，驻场只是形式。

Q6：C 端产品经验和 B 端交付经验有什么区别？ A：C 端看的是转化率与体验，允许试错；B 端看的是稳定、合规、可验收，不允许出错。我在现公司既要管 C 端产品的用户体验与转化，也要对运营商合作方交付，两种节奏都带过。

Q7：如果一个方案技术上成立但客户不想买单，你怎么办？ A：先弄清“不买单”的真实原因——是预算、是风险、还是没看到价值。技术人容易陷入“我的方案更好”的误区。正确做法是把方案翻译成业务语言：节省多少人、缩短多少天、避免多少风险、监管怎么交代。我在通信云推动 RAG 知识库时也是这个路径，先用套餐检索转化率的数据说服业务方。

Q8（架构题）：设计一个银行内网智能客服，画出关键链路。 A：渠道层（手机银行/网银/电话）→ 网关（鉴权、审计、限流）→ 会话服务（多轮上下文、Redis）→ 意图路由 → ① 知识问答：RAG 链路（权限过滤检索 → 重排 → LLM 生成 + 引用）；② 业务办理：Agent 调用内部 API（需鉴权、幂等、二次确认）；③ 转人工：坐席工作台 + 上下文透传。旁路：模型网关（多模型路由/降级）、内容安全过滤（敏感词 + 输出审计）、全链路 Trace 落库。部署完全内网，模型私有化。

Q9：为什么想来做金融 IT 服务商而不去甲方？ A：服务商能看到多家机构的真实需求，技术打磨更快，而且交付能力是可迁移的硬能力。对我而言，能把 AI 能力在真实的合规环境里跑通，比在大厂做内部工具更有价值。

Q10：你的技术优势是什么？一句话。 A：我能把 AI 能力从 Demo 做到生产——因为我背后是 16 年后端与架构的底子，知道“能跑”和“能上生产”之间差多少。

六、北京人才引进资格核查

注意：IT 服务商的落户指标普遍少于央企/院所，不要默认有指标。面试时必须当场向 HR 确认：

• 公司是否具备人才引进落户指标？本年度还剩多少名额？
• 挂牌主体与实际用工主体是否一致（外包行业常见主体不一致，影响落户与社保）？
• 该岗位是否为驻场岗位？驻场是否影响落户申报？（重要：部分人才引进要求社保缴纳地与用工主体一致）
• 对年龄与硕士学历的具体要求？
• 历史上是否有成功案例？

若 HR 支支吾吾，可直接假设“无指标”，把它当普通高薪岗处理，不要把落户期望绑在这个 offer 上。

七、反向提问清单

1. 这个岗位对应哪些银行客户？现在处于 POC 还是已上生产？
2. 部门现在有多少人？大模型应用落地的最大阻力是技术还是合规？
3. 需不需要驻场？驻场频率与地点？
4. 模型是私有化部署还是采购云服务？
5. 公司有没有落户指标（见第六节）？
6. 这个岗位过去一年有新招人吗？上一任为什么离开？

声明：本文岗位画像为基于公开招聘信息的推断，不代表用人单位正式 JD。本文不含个人隐私与账号凭据。