算法面试 / JD 面经

阿里即时物流运筹与因果推断面经

这篇基于一个典型 JD：算法工程师 - 运筹 & 因果推断（AI 物流智能决策）。

岗位关键词非常密集：即时物流、AI 智能决策、骑手排班、时间预估、骑手定价、骑手调度、因果推断、运筹决策、出价 / 流量机制、生成式、LLMxUplift、AI Agent。面试不会只问一个模型，而是会看你能不能把业务目标、建模抽象、优化约束、因果识别、在线实验和工程落地串起来。

JD 字眼怎么翻译成面试考点

一分钟自我介绍模板

如果你有相关项目，可以按这个结构讲：

我之前主要做过业务决策类算法项目，重点不是单纯训练模型，而是围绕业务目标做预测、归因和策略优化。项目里我会先定义核心指标，比如履约时效、供需匹配效率、转化率或补贴 ROI；然后拆数据链路和决策链路，判断哪些部分适合做预估模型，哪些部分需要运筹优化或因果评估；最后通过离线回测、A/B 实验和线上监控验证收益。这个岗位里的骑手排班、定价、调度，本质上也是预测 + 决策 + 约束优化 + 因果评估的组合，所以我希望重点往 AI 物流智能决策方向发展。

不要说“我熟悉算法和数据结构，会 PyTorch”。这只能覆盖 JD 的基础要求，不能命中岗位核心。

高频问题与理想回答

1. 你怎么理解“即时物流 AI 智能决策”？

理想回答：

即时物流的智能决策不是一个单点模型，而是一条实时决策链路。上游要预测需求、骑手供给、商家出餐、到店和送达时间；中间要做排班、定价、调度、路径和订单分配；下游要通过实验和因果方法评估策略是否真的提升效率。

核心难点有三类：第一是实时性，订单和骑手状态不断变化；第二是约束多，比如时效、距离、容量、骑手公平性、补贴预算；第三是目标冲突，比如用户体验、骑手收入、平台成本和商家履约不能只优化一个。

2. 骑手调度可以抽象成什么问题？

理想回答：

可以抽象成带约束的动态匹配和路径优化问题。给定一批订单、一批骑手和实时状态，目标是在满足时效、容量、距离、服务范围等约束下，最大化整体履约效率或最小化超时、空驶、等待和补贴成本。

简单版本可以做二分图匹配，边权是订单分给某个骑手的负成本。复杂版本要考虑多单组合、路径顺序、未来订单机会成本，就会接近动态 vehicle routing problem，可以用滚动时域优化、候选动作生成 + 打分、局部搜索或强化学习方法。

3. 如果让你设计骑手排班系统，你会怎么做？

理想回答：

我会分三层做。第一层是需求预测，按区域、时间粒度、天气、节假日、活动、历史订单预测订单量和履约压力。第二层是供给规划，把需求转成需要的骑手工时或班次数，考虑骑手可用时间、最小时长、班次连续性、区域覆盖、成本预算。第三层是在线修正，当实际需求偏离预测时，通过加价、临时召回、跨区调度做实时补偿。

建模上可以用整数规划：决策变量是骑手在某区域某时段是否排班，目标是缺口成本、冗余成本和排班成本的加权和，约束包括骑手可用性、班次长度、休息时间、区域需求覆盖等。

4. 骑手定价和广告出价有什么相似点？

理想回答：

两者都是在预算约束下用价格影响行为。广告出价影响流量获取和转化，骑手定价影响骑手接单、上线、跨区移动或高峰供给。都需要估计“价格变化带来的增量效果”，不能只看出价高的样本效果更好，因为存在选择偏差。

差异是物流定价的约束更强。它不仅影响短期接单，还影响骑手体验、公平性、长期留存和区域供需平衡，所以不能只用 ROI 最大化，还要加上时效、供给稳定性和预算平滑约束。

5. 为什么骑手定价需要因果推断？

理想回答：

因为价格或补贴不是随机发的，通常会给高峰、缺骑手、困难订单更高补贴。如果直接比较高补贴和低补贴订单的完成率，会把场景难度和补贴效果混在一起，得到偏差结论。

因果推断要估计的是“如果同一个订单或同一类骑手在同样条件下补贴不同，行为会发生什么变化”。可以用随机实验最直接；如果不能完全随机，可以用倾向得分、DID、断点、工具变量或 doubly robust 方法做估计。

6. Uplift 建模在这个岗位里怎么用？

理想回答：

Uplift 不是预测谁会接单，而是预测“给激励之后相比不给激励，接单概率或上线概率增加多少”。在骑手定价里，最有价值的人群不是本来就会接单的人，也不是怎么补贴都不接的人，而是对激励敏感的边际人群。

可以把 treatment 定义为某种补贴或价格策略，outcome 定义为接单、上线、到达目标区域或准时履约。模型输出个体级增量效果，再结合成本做 uplift / cost 排序，在预算内投放。

7. LLMxUplift 可能是什么意思？

理想回答：

我会理解成两类结合方式。第一类是 LLM 做特征和语义理解，比如从天气、活动、商圈、骑手反馈、异常事件中抽取上下文特征，辅助 uplift 模型识别异质性。第二类是 LLM 做策略解释和人机交互，比如解释为什么某区域需要加价、为什么某类骑手是高 uplift 人群。

但最终是否加价、加多少，不能直接交给 LLM 决策。核心决策仍然要经过可验证的 uplift 估计、预算约束和在线实验，LLM 更适合做信息抽取、策略辅助、异常归因和运营协同。

8. AI Agent 智能决策在物流里能做什么？

理想回答：

Agent 可以做决策编排，而不是替代底层优化器。比如它可以监控某区域履约压力，调用需求预测模型、供给预测模型、调度模拟器、补贴策略评估器，生成候选动作，再交给规则和优化模块做约束校验。

生产系统里需要非常谨慎：Agent 的动作空间要受限，关键决策要有审批或灰度，必须有回滚、审计、解释和安全边界。物流调度属于强约束实时系统，不能让 Agent 自由生成不可控策略。

9. ETA 时间预估怎么建模？

理想回答：

先拆目标：用户看到的是预计送达时间，系统内部可能还要预测商家出餐时间、骑手到店时间、取餐等待、配送路程、楼宇交付时间。每个阶段的误差来源不同，最好分阶段建模再组合。

特征包括订单、商家、骑手、路网、天气、时段、区域拥堵、历史履约、实时位置。模型可以从 GBDT / DeepFM / Transformer 时序模型做起。关键不是只追 MAE，还要看校准、分位数误差、超时召回和用户承诺时效下的风险控制。

10. ETA 预估的离线指标和在线指标分别是什么？

理想回答：

离线可以看 MAE、RMSE、MAPE、P50 / P90 误差、分桶校准、超时订单召回率。在线更关心承诺时效准确率、用户取消率、投诉率、骑手等待、调度效率和超时率。

如果离线 MAE 降了但在线体验没变，可能是优化了大量低价值样本，或者模型在高峰、恶劣天气、长尾商圈这些关键场景没提升。因此要分场景看指标。

11. 调度系统里的目标函数怎么写？

理想回答：

一个简化目标可以是最小化：

总成本 = 超时成本 + 骑手空驶成本 + 商家等待成本 + 用户等待成本 + 补贴成本 + 公平性惩罚

也可以把准时率、完成率、骑手收入稳定性作为约束，把成本最小化作为目标。实际系统里常用加权目标，但权重不是拍脑袋，需要根据业务优先级、A/B 实验和策略稳定性调。

12. 如果订单分配只看最近骑手，会有什么问题？

理想回答：

最近不等于最优。最近骑手可能正在送多单、方向不匹配、接单意愿低、去商家会等待很久，或者把他分走会导致未来区域缺供给。只看局部距离会造成全局效率下降。

更合理的边权要包括预计到店、出餐匹配、配送路径、骑手负载、未来机会成本、超时风险和公平性。

13. 你怎么做调度的候选动作生成？

理想回答：

不能对所有订单和所有骑手做全量组合，复杂度太高。一般先做候选裁剪，比如按距离、区域、骑手状态、可达时间、订单时效窗口筛出候选骑手；再生成单单、拼单、顺路单等候选动作；最后用打分模型或优化器选择。

候选生成要保证召回率，如果最优动作在候选阶段被剪掉，后面的模型再好也没用。所以要监控候选覆盖率、最优 oracle gap 和不同场景的候选规模。

14. 运筹优化和机器学习在这个岗位里怎么配合？

理想回答：

机器学习负责估计不确定量，比如订单需求、ETA、接单概率、出餐时间、价格弹性。运筹优化负责在这些估计的基础上做满足约束的决策，比如排班、分配、路径和预算。

两者的关键接口是预测值要服务决策。比如 ETA 模型不仅要准，还要能给风险或分位数；接单概率模型不仅要 AUC 高，还要在高补贴决策区间校准。

15. 如果模型预测很准，但调度效果不好，可能是什么原因？

理想回答：

可能是预测指标和决策目标不一致。比如 ETA 平均误差低，但高峰超时风险没预测准；接单率模型 AUC 高，但对边际补贴人群排序不准；需求预测总量准，但空间分布错。

也可能是优化器约束或成本函数设计不合理，比如过度惩罚距离导致骑手利用率低，或者没有考虑未来订单导致短视。需要做端到端决策回测，而不是只看模型离线指标。

16. 怎么做骑手补贴的 A/B 实验？

理想回答：

首先要明确实验单元。按订单随机可能会污染骑手行为，因为同一个骑手同时看到不同策略；按骑手随机可能影响区域供给；按区域随机又有跨区溢出。需要根据策略作用范围选择实验单元，常见是区域 x 时间片、骑手分层或城市分层。

指标要看完成率、准时率、接单率、补贴成本、骑手收入、用户体验和长期留存。还要关注干扰效应，因为物流是 marketplace，一个单元的供给变化会影响另一个单元。

17. 网络效应 / 干扰效应怎么处理？

理想回答：

传统 A/B 假设样本独立，但物流调度里一个骑手接了 A 单，就不能接 B 单；一个区域加价会吸引邻区骑手移动。这违反 SUTVA。

处理方式可以是 cluster randomization，把区域或城市作为实验单元；或者用 switchback experiment，在时间片上切换策略；也可以做地理隔离和溢出监控。分析时要看邻区指标，不能只看实验区。

18. 什么是 switchback experiment，为什么物流常用？

理想回答：

Switchback 是按时间片在同一市场内轮换策略，比如某城市每 30 分钟在 A 策略和 B 策略之间切换。它适合供需强耦合场景，因为同一城市不同时段共享相似结构，可以减少区域差异。

但要注意 carryover effect，上一个时间片的骑手位置和订单积压会影响下一个时间片，所以需要设置缓冲期或拉长时间片，并在分析时控制时段、天气、活动等因素。

19. 因果推断里 selection bias 在这个 JD 中怎么出现？

理想回答：

补贴通常发给更难履约的订单或更缺供给的区域，这些样本本来完成率就低。如果直接比较补贴和不补贴，会低估补贴效果。反过来，如果补贴发给高价值或更活跃骑手，也可能高估效果。

所以要识别 treatment 分配机制，控制混杂变量，或通过随机化、准实验、IV 等方法尽量构造可比样本。

20. PSM、DID、DR 分别适合什么情况？

理想回答：

PSM 适合在可观测混杂较充分时，为 treatment 组找相似 control 组，但依赖 unconfoundedness 假设。DID 适合有策略上线前后和实验 / 对照组时，要求平行趋势。DR 结合了 propensity model 和 outcome model，只要其中一个模型设对就有机会得到一致估计。

在物流补贴场景，如果有自然分区策略变化，可以考虑 DID；如果是历史日志里的非随机补贴，可以先做 PSM / IPW / DR；最可靠的还是设计随机实验。

21. 什么是反事实评估？

理想回答：

反事实评估是问：如果当时采用另一种策略，结果会怎样。调度和补贴系统不能只看线上已经执行的动作，因为日志只记录了历史策略选择过的动作。

可以用 IPS / SNIPS / DR 做 off-policy evaluation，但需要知道或估计历史策略选择概率。物流场景动作空间大、反馈延迟强，所以 OPE 难度高，通常要结合仿真器、回放和小流量实验。

22. 如果历史策略没有记录 propensity，怎么办？

理想回答：

会很难做严格的无偏 OPE。可以尝试重建 logging policy，估计当时各动作被选择的概率；也可以只在候选集和相似策略内做相对评估，避免外推太远。

工程上更好的做法是从现在开始记录候选动作、打分、约束过滤原因、最终选择动作和探索概率，为后续策略评估留日志。

23. 骑手排班里的需求预测怎么做？

理想回答：

按城市、区域、商圈、时间粒度预测订单需求，可以用历史订单、时段、星期、节假日、天气、活动、商家在线情况、用户流量作为特征。模型可以从 GBDT、时序模型、图时空模型逐步升级。

但排班不只看点预测，还要看不确定性。高峰预测偏低会严重影响履约，所以可以预测分位数或置信区间，用风险偏好决定冗余供给。

24. 排班预测错了怎么办？

理想回答：

要有在线补偿机制。需求高于预测时，可以临时加价、召回骑手、跨区调度、限制部分流量或延长承诺时效；需求低于预测时，要减少无效补贴，避免骑手空等。

系统设计上要做滚动预测和滚动优化，比如每 5 到 15 分钟刷新一次需求和供给状态，动态调整策略。

25. 你怎么评价骑手体验？

理想回答：

不能只看平台履约指标。骑手体验可以看收入稳定性、单位时间收入、空驶距离、等待时间、单量公平性、路线合理性、异常申诉、留存和活跃。

如果策略短期提升准时率但显著增加骑手等待或收入波动，长期可能伤害供给。因此目标函数里要有骑手侧指标，至少作为 guardrail。

26. 用户体验和骑手体验冲突怎么办？

理想回答：

先定义底线指标，比如用户超时率不能超过阈值，骑手单位时薪不能低于某个范围，补贴预算不能超。然后在可行域内优化主目标。

如果冲突长期存在，说明供需结构有问题，不能只靠调度算法解决，还需要排班、定价、商家出餐治理、用户承诺时效一起改。

27. 怎么处理多目标优化？

理想回答：

常见方法有三种。第一是加权和，把多个目标转成一个成本函数；第二是主目标 + 约束，比如最大化准时率但补贴成本不超过预算；第三是分层优化，先保证履约底线，再优化成本或体验。

面试里要说明权重不是随便设的，需要通过业务优先级、历史数据、敏感性分析和 A/B 实验调整。

28. 你会用强化学习做调度吗？

理想回答：

可以考虑，但不会一上来就用。调度有序列决策特征，当前分配会影响未来骑手位置和供给，所以 RL 有潜力。但真实系统动作空间大、约束强、探索风险高，直接在线 RL 不现实。

更稳妥的路线是先做 supervised scoring + 运筹优化，再用仿真环境或离线 RL 学未来价值函数，把 value 作为调度打分的一部分，小流量灰度验证。

29. Bandit 在骑手定价里怎么用？

理想回答：

可以把不同补贴档位作为 action，把接单、上线或履约提升作为 reward，在不同区域、时段、人群上做探索利用。Contextual bandit 可以利用上下文特征做个性化定价。

但要加预算、安全和公平约束，不能为了探索给骑手频繁变价造成体验问题。探索流量也要记录 propensity 方便后续因果评估。

30. 怎么设计物流调度仿真器？

理想回答：

仿真器需要复现订单到达、商家出餐、骑手移动、接单行为、配送路径、取消和超时。输入历史订单和骑手轨迹，给定一个策略，模拟执行后得到履约指标。

关键难点是行为模型和环境动态是否可信。仿真器不能完全替代线上实验，但可以用于策略初筛、极端场景压测和安全边界验证。

31. 线上部署这类算法要注意什么？

理想回答：

要有实时特征、低延迟服务、降级策略、监控告警和灰度发布。调度链路通常不能等复杂模型太久，所以需要候选生成、模型打分、优化求解都有耗时预算。

如果优化器超时，要能退化到简单规则或上一次稳定策略。还要监控输入分布漂移、模型输出异常、策略动作分布、履约指标和成本指标。

32. 如果 ILP 求解太慢怎么办？

理想回答：

可以从几个方向优化：缩小问题规模，先做候选裁剪；分区域或分时间窗口求解；用 LP relaxation、贪心、局部搜索、启发式替代精确解；设置求解时间上限，接受可行近似解。

工业系统里不一定追求数学最优，更多是稳定、低延迟、可解释、可控的高质量解。

33. 为什么“模型预估效果”和“决策精准度”是两个词？

理想回答：

模型预估效果是预测准不准，比如 ETA、接单概率、需求量。决策精准度是基于预测做出的动作是否真的提升业务目标，比如派谁、补多少、排多少人。

预测是决策的输入，但不是终点。一个 AUC 更高的模型，如果在关键决策区间校准差，可能让策略变差。所以要同时评估预测指标和决策指标。

34. 如何回答“你熟悉常用算法与数据结构吗”？

理想回答：

不要只说刷过题。可以说：我理解基础数据结构在工程决策系统里的作用，比如优先队列用于实时任务选择，哈希和倒排用于快速召回候选，图算法用于路径和网络流，二分图匹配用于分配问题，堆和滑动窗口用于在线统计。

然后补一句：如果笔试考常规算法，我会按复杂度、边界条件和可读性来写；如果业务面试，我会更关注这些结构怎么支撑低延迟决策。

35. PyTorch / TensorFlow 在这个岗位里会怎么问？

理想回答：

可能问模型训练、特征处理、loss、线上推理和工程部署。回答时不要停在“会用框架”，要说你能完成从样本构造、特征管道、模型训练、离线评估、导出推理、线上监控到回滚的闭环。

如果项目偏运筹，也可以说深度模型主要用于预估环节，优化求解和策略服务不一定都在深度学习框架里完成。

36. 如果问“你有什么大模型相关项目”，怎么贴这个岗位？

理想回答：

不要只讲微调模型参数。要往决策场景贴：大模型可以做异常归因、运营策略解释、自然语言配置策略、从文档和反馈中抽取结构化信号、生成仿真场景，或者辅助 Agent 调用预测和优化工具。

同时强调边界：强约束的调度、定价、补贴不能直接让大模型端到端决定，必须经过规则约束、优化器校验、实验验证和人工审计。

37. 如果问“你怎么看生成式 AI 在物流里的落地”，怎么答？

理想回答：

我会把它分成三个层次。第一是 Copilot，提高运营和算法同学分析效率；第二是 Agent 编排工具，自动调用预测、仿真、归因和监控模块；第三是生成候选策略或场景，但要由优化器和实验体系筛选。

短期最现实的是辅助分析和策略解释，中期是半自动策略编排，长期才可能在受控动作空间内做更自动化的决策。

38. 你怎么证明一个调度策略有效？

理想回答：

先做离线回放，看历史场景下策略是否改善超时、成本和骑手利用率。再做仿真压测，看高峰、恶劣天气、供给不足等极端场景。最后做小流量线上实验，用核心指标和 guardrail 判断。

还要做归因分析：是 ETA 更准、候选更好、匹配目标函数更合理，还是补贴策略更有效。否则只知道结果变好，不知道能否复用。

39. 如果线上指标下降，你怎么排查？

理想回答：

按链路拆：输入数据是否异常，实时特征是否延迟，模型分布是否漂移，候选生成是否漏召回，优化器是否超时，约束是否过严，实验分流是否正确，外部环境是否变化。

排查顺序先看监控和日志，再做分场景切片，比如城市、时段、天气、区域、商家类型、骑手类型。调度系统不要只看全局均值，局部长尾很重要。

40. 你有什么项目可以迁移到这个岗位？

理想回答：

如果你做过推荐 / 广告，可以强调“预估 + 排序 + 策略 + 实验”的迁移：CTR/CVR 预估对应接单 / 到达 / 履约概率预估，出价和预算控制对应骑手补贴和供给激励，多目标排序对应调度目标函数。

如果你做过运筹 / 数模，可以强调建模、约束、求解和敏感性分析。
如果你做过 NLP / LLM，可以强调信息抽取、异常归因、Agent 编排和策略解释。
如果你只做过课程项目，就要主动补一个物流调度 toy project，把订单、骑手、区域、时间窗、匹配、补贴和回放指标做出来。

面试官会抠的细节

“即时物流”和普通配送有什么区别？

即时物流更实时，订单到达不可提前完全确定，骑手状态变化快，用户等待敏感，调度决策影响后续状态。它不是一次性规划问题，而是连续滚动决策问题。

“骑手规划排班”和“骑手调度”有什么区别？

排班偏中长期供给规划，决定某个时间和区域需要多少骑手上线。调度偏实时决策，决定当前订单分给哪个骑手、按什么路径执行。排班解决供给够不够，调度解决供给怎么用。

“出价”和“定价”在物流里分别可能指什么？

定价可能指给骑手的激励、配送费、补贴或任务奖励；出价更像在多个供给或流量机会之间用价格机制做资源竞争。回答时要说清你理解的是哪一侧，不要混。

“个性化”体现在哪里？

不同骑手对补贴敏感度、区域偏好、接单习惯、工作时段不同；不同商圈的需求波动和履约难度不同；不同用户和订单的时效敏感度不同。个性化就是策略不再只按城市 / 时段粗粒度配置。

“实时化”难在哪里？

实时特征延迟、模型推理耗时、优化求解耗时、状态一致性、异常降级、频繁策略变化对体验的影响，都是难点。

“智能化”不要怎么答？

不要说“用大模型自动调度”。更好的说法是：智能化是预测、优化、因果评估、仿真和 Agent 编排的组合，并且必须有约束、安全和实验闭环。

开放 Case 题：如何提升某城市晚高峰准时率？

理想拆法：

1. 先定义指标：准时率、平均延误、P90 延误、取消率、补贴成本、骑手收入。
2. 切分问题：是需求突增、供给不足、商家出餐慢、调度不合理、ETA 不准，还是天气 / 交通异常。
3. 对应策略：需求预测修正、提前排班、峰值补贴、跨区调度、商家等待惩罚、ETA 风险校准。
4. 验证方式：历史回放 + 分区小流量实验 + guardrail。

一句话答案：

我不会先假设是模型问题，而会先做履约链路归因，确定晚高峰超时主要来自供给缺口、出餐等待还是路径调度；再分别用排班、定价、调度和 ETA 校准去解决。

开放 Case 题：如何降低补贴成本但不伤履约？

理想拆法：

1. 找低效补贴：本来就会接单的人、补贴也不接的人、重复补贴区域。
2. 建 uplift 模型：识别真正受补贴影响的边际骑手 / 订单 / 区域。
3. 加预算约束：按 uplift / cost 排序投放。
4. 保护履约：设置准时率、接单率、骑手收入 guardrail。
5. 做实验：按区域时间片或骑手分层灰度。

一句话答案：

降本不是简单砍补贴，而是把补贴从低增量人群转移到高增量人群，用因果增量而不是相关性 ROI 指导投放。

开放 Case 题：如果某区域突然爆单，系统怎么决策？

理想回答：

先判断爆单是否真实，比如流量异常、活动、天气、商家集中出餐。然后估计未来 30 到 60 分钟供需缺口，动作包括临时加价、邻区骑手召回、延长承诺时效、限制低优先级流量、调整批量派单策略。

决策要有优先级：先保护已经承诺的订单，再处理新进入订单；先做低风险动作，再逐步提高补贴或调度强度。

简历项目怎么补

如果你要投这个方向，建议准备一个小项目：

项目题目

即时物流订单分配与骑手补贴仿真系统。

最小可行版本

• 模拟订单、骑手、商家、区域和时间窗。
• 预测每个骑手接某单的完成时间和超时概率。
• 用二分图匹配或 min-cost flow 做订单分配。
• 增加补贴档位，模拟补贴对接单概率的 uplift。
• 对比最近骑手规则、贪心规则、优化分配、uplift 补贴策略。

面试讲法

这个项目的重点不是复刻真实物流系统，而是把 JD 里的几个关键词串起来：ETA 预估、订单分配、补贴 uplift、预算约束和策略回放。通过这个项目，我能展示自己理解预测模型如何进入决策系统，也能解释为什么只看离线预测指标不够。

反问面试官

• 这个团队现在更关注排班、实时调度、定价补贴，还是时间预估？
• 当前策略优化更多依赖运筹求解、机器学习打分，还是仿真 / 强化学习？
• 因果推断主要用于补贴增量评估、策略实验分析，还是用户 / 骑手长期价值建模？
• AI Agent 在团队里是偏运营提效、异常归因，还是已经进入受控决策链路？
• 实习生进去后更可能做离线建模、策略实验、工程服务，还是数据分析和仿真？

最后总结

这个岗位的核心不是“会不会某个模型”，而是能不能把 预测、因果、运筹、实验、工程落地 合在一起讲清楚。

准备时优先补四件事：

1. 会把排班、定价、调度抽象成优化问题。
2. 会解释为什么补贴和策略评估需要因果推断。
3. 会讲模型指标和业务指标之间的差异。
4. 会说明大模型和 Agent 在强约束决策系统里的合理边界。

只要能围绕这些点回答，命中这类 JD 的概率会比泛泛准备“深度学习八股 + LeetCode”高很多。