题目结构说明：每题五部分。考点定位讲面试官在观察你的哪个判断环节；正方论点和反方论点都带具体数字和案例，两边都要能打；推荐立场给分场景的决策规则，明确「什么条件下选 A、什么条件下选 B」；追问链是面试官顺着你立场往下戳的问题，附一句话答法。标记：⭐ 高频（出现率过半）、🔥 近两年新增。Q1 开源模型 vs 闭源 API，企业怎么选？⭐考点定位：考察你能不能把「技术选型」拆成约束条件，而不是报菜名说「闭源强开源省」。面试官在等你主动提数据合规、迭代速度、成本结构这三个维度，谁先提谁占主动。正方论点（选闭源 API）：能力领先仍是事实，前沿闭源模型在复杂推理和长程 Agent 任务上对开源保持半个身位；API 按量付费，没有前期投入，一家 50 人的团队一年几十万就能跑起来；模型每季度自动升级，不用自己跟进。适合数据不敏感、需求变化快、没有 GPU 运维能力的团队。反方论点（选开源）：合规和数据出域是硬约束，金融、医疗、政务基本没得选；成本在规模化后反转，日均千万 token 级别的调用，API 账单会超过自建推理的 GPU 成本；开源可微调可控输出格式，供应链不被单一供应商锁死。Qwen2.5/Qwen3 7B 量化后 4 到 6G 显存单卡可跑，中文 token 效率还高（词表 152K，同样的中文比 LLaMA 少一半 token），国产开源在国内价格战里已经能打。推荐立场：决策规则三条。数据不能出域，直接开源私有化，没得辩论；用量小或业务快速试错，先 API，把工程成本省下来；用量大且需求稳定，算一笔账：API 月账单连续三个月超过一台 8 卡 A100 的租赁加人力成本，就启动自建。成熟做法是混合：闭源 API 做复杂任务，开源小模型承接高频简单任务，中间加一层模型路由。追问链：「开源模型落后闭源多少？」- 公开榜单差距在收窄（部分代码和数学项已经追平），但复杂 Agent 长链路任务上闭源仍稳，差距是「成功率 85% 对 75%」这种量级，不是代差。「API 供应商挂了怎么办？」- 多供应商路由加降级链，主用 A、备 B、兜底开源自建小模型，这也是很多公司留一台自建推理的真实理由。Q2 微调 vs RAG vs 长上下文，知识注入三条路怎么选？⭐考点定位：考你知不知道三者的成本结构和失效场景。把 RAG 当万能药、或者一上来就说「微调注入知识」的，都是没实际做过知识问答系统的人。正方论点（各自的最强场景）：微调适合改「行为」：输出格式、领域话术、风格，几千条数据 LoRA 微调一晚上就能见效，推理成本不增加。RAG 适合注入「事实」：知识可随时更新、可溯源引用、文档改了立刻生效。长上下文适合「一次性分析」：把 50 页合同整个塞进 128K 窗口问要点，不用建检索系统，当天就能上线。反方论点（各自的死穴）：微调注入事实性知识效果差且会加剧幻觉，模型记住的是表面模式不是数据库，知识更新要重训；RAG 有检索失败问题，多跳问题（答案需要组合两份文档）召回率掉得厉害，系统复杂度高（切片、embedding、重排全套）；长上下文有「中间遗忘」，关键信息埋在长文中间时命中率明显下降，且按 token 计费，每次调用都为全部文档付费，成本随文档规模线性涨。推荐立场：决策规则按知识性质分。事实性、常更新的知识，RAG，没有例外；风格、格式、领域行为，微调；一次性、小规模文档的临时分析，长上下文。生产系统的主流组合是 RAG 打底加轻量微调调行为，长上下文只用在文档量小到全部塞进窗口还很便宜的场景。三件事不是三选一，是三个正交的层次。追问链：「RAG 召回不准怎么救？」- 混合检索（向量加 BM25）加重排模型，多跳问题上加 query 改写或拆解，召回率是 RAG 系