🧠 图解记忆： 好答案要承担自己的判断，说明影响和根因，并证明 POC、评审、灰度与回滚流程已经因此改变。

💡 答案要点

STAR 法则 + 复盘思维

禁忌：

❌ "我没有失败过"（太假）
❌ "我不记得了"（没有反思能力）
❌ "那不是我的错"（推卸责任）
❌ "失败的项目是别人的原因"（甩锅）

模板（直接可背）：

【项目背景】
在上一家公司，我负责设计一个实时推荐系统，需要在 100ms 内返回推荐结果。

【错误决策】
我选择了 Elasticsearch 做向量检索，原因是我之前用过 ES，比较熟悉。但 ES 的向量检索性能不如专门的向量数据库（如 Milvus），而且 ES 的扩展性有限。

【失败后果】
系统上线后，P99 延迟超过 800ms，用户投诉率上升，最终不得不重构。

【深度复盘】
"回头看，我犯了三个错误：
① 技术选型凭经验而不是数据：我没有做性能基准测试，完全基于熟悉度选型
② 没有请教专家：我应该先咨询向量数据库团队，而不是自己硬扛
③ 忽视业务增长：我只考虑了当前数据量，没考虑 3 个月后的增长"

【改进措施】
"这次失败之后，我建立了技术选型的 checklist：
① 性能基准测试（至少测 3 个候选方案）
② POC 验证（用真实数据跑一周）
③ 架构评审（请资深工程师 review）
④ 制定回滚方案"

【现在的方法】
"我现在做技术选型，会先问自己三个问题：
1. 这个选择的最坏情况是什么？能接受吗？
2. 我有没有遗漏什么更优方案？
3. 如果错了，我怎么知道，怎么回滚？"

AI 应用工程师专属版本：

【项目背景】
我曾经在一个 RAG 项目中选择了小模型（DeepSeek-V4-Flash）来节省成本，认为它足够处理简单问答。

【错误决策】
没有做 A/B 测试，直接全量上线。

【失败后果】
用户反馈"回答太水"，客服投诉率上升，最终不得不换成 GPT-4，成本反而更高（因为换了两次）。

【复盘】
"我错在：① 过度优化成本而忽视了质量；② 没有做灰度测试就全量上线；③ 没有建立评估指标就上线了。正确的做法是：先用 GPT-4 做 baseline → 和小模型做对比评估 → 确认质量差距可接受后再考虑降本。"

【改进】
"现在我的 AI 项目上线流程是：
① 用当前最优模型跑 baseline，记录指标
② 用候选模型跑对比测试
③ 质量差距 < 5% 才考虑换
④ 灰度 5% → 20% → 100%"

面试话术：

"我最失败的技术决策是在 RAG 项目中过早优化成本，用 DeepSeek V4-Flash 替代 GPT-4，结果用户反馈很差，最终成本反而更高（因为换了两次）。这次失败让我建立了'质量优先，分级验证'的上线流程：先用最优模型做 baseline，确认质量可接受后再优化成本。"

📚 参考：Amazon Leadership Principles（Ownership / Learn and Be Curious）

---