三个能运行、能解释、能查错的技术样例
作者:AI酋长Andy · 星觉科技 · 北京 · 微信号:AIPMAndy 版本:2026-11-13。全部为教学模拟,不代表客户案例、商业部署或求职成绩。
先跑起来
要求:Python 3.10 或以上。本次实际验收环境为 Python 3.12.14 / Linux。只用标准库,不需要安装依赖、下载模型、GPU、账号或 API Key。进入仓库根目录后运行:
bashpython3 --version
python3 examples/run_all.py
Windows 可把 python3 替换为 py -3。最终出现 ALL_EXAMPLES_ACCEPTED 即通过。运行约数秒;服务测试使用本机随机端口,完成后自动关闭。隔离环境如果禁用回环网络,第二个案例会失败,不能把这一项写成已验收。
| 路线 | 样例 | 核心输入 | 要证明的能力 | 不能证明什么 |
|---|---|---|---|---|
| 算法 / ML | 01 文本分类实验 | 51 条合成工单,固定 train/dev/test | 数据划分、基线、参数选择、评测、失败归因 | 研究创新、大模型训练、真实业务效果 |
| AI 工程 | 02 模型 HTTP 服务 | 01 的模型文件、JSON 请求 | 模型产物、接口契约、错误处理、实际 HTTP 测试、延迟测量 | 生产可用性、高并发容量、云部署安全 |
| AI 应用工程 | 03 有引用与拒答的检索应用 | 8 篇虚构实验室文档、24 道问题 | 检索、证据、拒答、评测集、故障定位 | LLM 生成质量、真实 RAG 效果、提示注入防护能力 |
这三项是练习起点。算法研究岗位通常还需要与 JD 对应的研究经历、论文或更深入的实验;工程岗位需要进一步展示代码质量、系统设计与真实规模下的取舍。不要只改项目名就放进简历。
结果在哪里
| 文件 | 用途 |
|---|---|
01_ml_experiment/reports/evaluation.json | 数据哈希、dev 选择过程、test 指标、混淆矩阵、每题结果 |
01_ml_experiment/reports/model.json | 可读 JSON 模型产物 |
02_model_service/reports/verification.json | 14 项 HTTP 验收、真实响应、40 次本地延迟样本 |
03_grounded_retrieval/reports/evaluation.json | 阈值选择、检索与拒答指标、逐题证据 |
两个 failures.json | 必须解释的失败样本 |
verification-summary.json | 全量验收摘要 |
expected_metrics.json | 固定输入的验收值;不固定机器相关延迟 |
不要修改 expected_metrics.json 来让失败变成通过。确实修改了数据或方法时,保留旧结果,记录新实验 ID、修改理由和 test 是否已被查看;建立新的独立测试集再评价泛化能力。
怎么形成自己的证据
- 原样复现一次,记录机器环境、提交号、运行命令和结果。
- 选一个具体失败,先提出原因,再只改一个因素。
- 保留 baseline,用 dev 做选择。已经反复查看的 test 只能作为回归集;新结论需要新测试数据。
- 给出自己新增的代码 diff、数据来源、评测结果和没有解决的问题。
- 用 3 分钟讲清“问题、方法、比较、失败、限制、个人贡献”。
归属与许可
代码为本项目新写的 MIT 教学实现,制作过程中使用 AI 辅助;未复制第三方实现。合成输入见 数据许可。读者需要在 CONTRIBUTIONS.md 区分上游基线、个人修改、AI 辅助和人工验收。不能把本仓库已有代码说成自己从零独立实现,不能把模拟项目写成真实公司业务。
资料免费完整开放。需要外部反馈时,咨询可聚焦“选哪条路线、项目缺哪类证据、面试解释哪里不清楚”;不承诺拿到 Offer。