AI 算法项目在面试里很容易讲散。候选人熟悉模型、论文和参数，但面试官追问时，问题往往不是“你用了什么模型”，而是“为什么这个任务需要模型”“数据怎么来”“指标为什么这样定”“上线后业务有没有变化”。如果回答只停在调参和分数，项目会像实验记录，不像业务工程。
更好的讲法是先把任务讲清楚。比如这是分类、排序、召回、生成、预测，还是异常检测。输入是什么，输出是什么，业务使用这个输出做什么决策。如果模型输出只是一个分数，那么这个分数会影响推荐排序、风险拦截、客服回复，还是运营策略。任务定义越清楚，后面的模型选择才有上下文。
数据比模型更能体现经验
算法面试里，数据处理经常比模型结构更能区分真实项目经验。面试官会问标签怎么来、样本是否偏、正负样本比例、训练集和测试集怎么切、是否有未来信息泄露。未来信息泄露是指训练时不小心用了预测时拿不到的信息，离线分数会虚高，上线后效果会掉。
回答时可以讲一次具体数据问题：某些用户行为日志缺失，导致模型误判；热门类目样本过多，导致长尾场景效果差；人工标注口径不一致，导致训练目标不稳定。再讲你怎么处理：清洗异常样本、按时间切分数据、分场景评估、补充人工复核或重新定义标签。
指标要对应业务动作
很多候选人会说准确率、召回率、排序区分能力等指标，但说不清业务为什么看它。面试里可以这样回答：如果是风控误杀，召回坏样本重要，但误杀好用户也很贵，所以要同时看通过率和投诉；如果是推荐，点击率不是唯一目标，还要看停留、转化、负反馈；如果是检索，命中率之外还要看首条结果是否满足用户。
指标不是为了展示模型多强，而是为了帮助业务做取舍。能讲出指标之间的冲突，比单纯报高分更可信。
失败样本要主动准备
算法项目很少没有失败样本。高质量回答应该能说出模型在哪里容易错。比如短文本意图识别容易混淆相近表达，推荐模型对冷启动用户不稳定，图像检测受光照和遮挡影响，大模型问答在资料不足时容易编造。
讲失败样本时，不要只说“数据不够”。要讲具体改进：补充样本、分场景建模、增加规则兜底、改标签口径、引入人工复核、调整阈值或让模型在低置信度时拒答。面试官听到这些，会更相信你做过完整闭环。
一段可复用的表达
可以这样说：这个项目不是单纯追求模型分数，而是要提升某个业务环节的判断效率。我的工作先从任务定义开始，把输入、输出和业务动作对齐；数据上按时间切分训练和验证，避免使用未来信息；指标上既看主指标，也看业务保护指标；上线前分析失败样本，给低置信度场景加兜底策略；上线后看业务转化、误判反馈、人工介入比例和模型耗时。
这类表达能把“我会训练模型”升级成“我能把模型放进业务系统里负责”。算法项目面真正考的，正是这个跨度。
算法项目要讲业务闭环
算法项目不是从模型开始，也不应该在指标结束。面试官会追问任务为什么值得做、数据怎么来、指标是否代表业务、上线后如何反馈。把闭环讲清楚，项目才有价值。
任务定义：要讲清楚是解决谁的问题，常见空泛说法是提升效果，更具体的表达是降低人工审核量或提升召回准确度。数据：要讲清楚是来源、清洗、标注，常见空泛说法是数据很多，更具体的表达是说明噪声和标注一致性。
- 指标：要讲清楚是为什么选它，常见空泛说法是准确率提升，更具体的表达是对应业务误判成本。
- 上线：要讲清楚是如何观察，常见空泛说法是上线后效果不错，更具体的表达是讲灰度、坏例、反馈闭环。
读者可以直接按这个表准备项目：每个算法点都问自己一句“这对业务动作有什么影响”。答得出来，项目就不会只是调模型。