标准回答
回答框架：STAR + 决策展开
S 背景（Situation）：一句话说清业务场景和痛点——是什么问题、规模多大、为什么值得做。例：日均千万级信息流，人工审核成本高且漏判率上升。
T 目标（Task）：明确量化目标与约束（SLO）。例：把漏判率压到 1% 以下，单条推理延迟 < 50ms，预算不超过 X。这里就把成功标准定下来了。
A 方法与你的角色（Action）：这是面试官最关心的部分。讲清你个人负责什么（区分团队与自己），以及关键技术决策：
- 数据怎么来、怎么清洗与标注，遇到的类别不平衡/噪声如何处理；
- 为什么选这个模型/方案，对比过哪些备选（如规则 vs 树模型 vs 深度模型），为什么放弃；
- 上线方案：A/B 测试、灰度、回滚、监控；
- 踩过的坑：线上线下不一致、特征穿越、冷启动等，以及你怎么定位和解决。
R 结果与影响（Result）：用数字说话——漏判率从 5% 降到 0.8%，节省人力 N 人月，带动业务指标提升 X%。再补一句反思：如果重做会怎么改进。
常见误区
⚠️ 常见踩坑
只堆技术名词、不讲为什么选和踩了什么坑，会显得像背简历；用「我们」模糊个人贡献、或只报模型指标却答不出对业务的影响，都是减分项。
追问
追问 1：如果面试官追问「这个项目里最难的技术决策是什么」，该怎么答？
挑一个有真实取舍的决策，按「问题→备选方案→约束→最终选择与代价」展开。例如在延迟约束下要不要上大模型：备选是小模型+规则兜底 vs 大模型蒸馏版，约束是 50ms 延迟和成本上限，最终选了蒸馏小模型并用难例走级联，代价是难例延迟略高。关键是展示你权衡的维度，而不是答案本身对不对。
追问 2：项目效果不好或失败了，面试时还能讲吗？
可以，而且往往加分。重点放在「你如何定位问题、做了哪些假设验证、学到了什么」。例如上线后效果不及离线预期，你通过分群分析发现线上线下特征分布不一致（特征穿越），据此建立了线上线下一致性校验流程。面试官看的是你的工程判断和复盘能力，不是项目本身是否成功。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。