🧠 图解记忆： 项目数字必须同时说明指标口径、基线、测试集和统计条件，才经得住面试官继续追问。
💡 答案要点
STAR 法则：Situation / Task / Action / Result
核心原则：量化！量化！量化！
模板（直接可背）
【Situation】项目背景
我负责设计并落地公司知识库问答系统的 RAG 架构，支持 500 万注册用户，日均请求 80 万次。
【Task】核心技术挑战
当时面临三大挑战：① 历史文档超 10 万篇，跨部门检索准确率仅 45%；② 复杂问题（如"对比竞品A和竞品B的技术方案"）需要多跳推理；③ 用户期望秒级响应，但当时的 P99 超过 5 秒。
【Action】具体技术方案
我主导了以下技术优化：
- 引入混合检索（向量 + BM25），召回率从 45% → 78%
- 设计两阶段 Rerank（向量初筛 → Cross-Encoder 重排），准确率提升 35%
- 实现语义缓存层，相同问题命中缓存直接返回，延迟从 800ms → 120ms
- 部署 SGLang + TensorRT-LLM 推理优化，吞吐提升 4 倍
【Result】量化成果
最终系统：检索准确率 91%（+46%），P99 延迟 280ms（-64%），日均承载 80 万次请求，年度为公司节省 API 成本 120 万元。量化指标速查表
| 维度 | 指标 | 差 → 好 |
|---|---|---|
| 检索 | Recall@5 / MRR | 45% → 78% |
| 准确率 | HitRate / NDCG@10 | 55% → 91% |
| 延迟 | P50 / P99 | 800ms → 120ms |
| 吞吐 | QPS / 并发用户数 | 200 → 2000 |
| 成本 | 单次请求成本 / 月度账单 | ↓60% |
| 业务 | 用户满意度 / 解决率 | 65% → 88% |
AI Agent 项目的 STAR 模板
【Situation】
公司的客服场景需要 AI Agent 自动处理用户问题，高峰期排队 1000+ 人，人工成本高。
【Task】
设计一个多 Agent 协作系统，实现：问题分类 → 意图识别 → 工具调用 → 答案生成全流程自动化。
【Action】
- 设计 ReAct Agent 架构，每轮推理包含 Thought/Action/Observation
- 引入 Tool Agent 专门处理 API 调用（日历/订单/库存）
- 实现 Human-in-the-Loop：置信度 < 0.7 自动转人工
- 引入 Conversation Memory Agent，长期记忆用户偏好
【Result】
AI Agent 独立解决率 73%，人工介入率从 85% → 27%，客服团队人效提升 3 倍，用户满意度从 3.2 → 4.6（5分制）。面试话术：
"我习惯用 STAR 法则描述项目，重点是量化成果。比如 RAG 项目，我会说'召回率从 45% 提升到 78%，延迟从 800ms 降到 120ms'，而不是'我优化了 RAG 系统'。数字最有说服力，面试官能立刻判断项目深度。"