AI 面试追问的深度设计：表面答案正确，追问一层就露馅-尧图网络科技

AI 面试追问的深度设计：表面答案正确，追问一层就露馅

一、回答正确 ≠ 理解透彻

面试中有一个经典场景：候选人给出了算法题的正确答案，但面试官追问一句"为什么选择这个数据结构？"时，候选人支支吾吾说不出理由。

这说明他对题目的理解停留在「我知道答案」的层面，没有到达「我理解为什么是这个答案」。AI 面试模拟器要模拟的，正是这种追问能力——不仅验证答案对不对，还要检验理解深不深。

二、追问的设计框架

flowchart TD A[用户给出答案] --> B[第一层追问: 选型依据] B --> C[第二层追问: 复杂度推导] C --> D[第三层追问: 边界与反例] D --> E[第四层追问: 扩展与变体] B --> B1["为什么用哈希表而不用排序+双指针？"] C --> C1["你的 O(n) 是怎么推导出来的？"] D --> D1["如果数组中有重复元素，解法还成立吗？"] E --> E1["如果要求 O(1) 额外空间，怎么改？"]

每层追问对应不同的能力考察：

选型依据：考察算法决策能力。
复杂度推导：考察分析严谨性。
边界与反例：考察思维的完整性。
扩展与变体：考察灵活应变能力。

三、实现

from dataclasses import dataclass, field from typing import Optional @dataclass class FollowUpQuestion: """追问题目""" question: str depth: int # 追问层级 1-4 expected_keywords: list[str] # 期望回答中包含的关键词 category: str # algorithm_selection | complexity | boundary | variation class FollowUpGenerator: """AI 面试追问生成器 根据用户对算法题的原始回答，自动生成多层追问。 追问的深度基于用户回答的质量动态调整。 """ # 追问模板库：不同考察维度的通用追问框架 FOLLOWUP_TEMPLATES = { "algorithm_selection": [ FollowUpQuestion( question="你为什么选择这个算法？有什么替代方案？", depth=1, expected_keywords=["复杂度", "空间", "时间", "权衡"], category="algorithm_selection", ), FollowUpQuestion( question="如果用另一种数据结构（如用数组代替哈希表），会有什么问题？", depth=2, expected_keywords=["查找", "O(n)", "遍历"], category="algorithm_selection", ), ], "complexity": [ FollowUpQuestion( question="请详细推导你的时间复杂度，不要只说 O(n)。", depth=2, expected_keywords=["循环", "嵌套", "每个元素", "恰好一次"], category="complexity", ), FollowUpQuestion( question="最坏情况下的时间复杂度是多少？什么时候会出现？", depth=3, expected_keywords=["哈希碰撞", "退化", "O(n²)"], category="complexity", ), ], "boundary": [ FollowUpQuestion( question="你的解法在输入数组为空时是否还能正常工作？", depth=2, expected_keywords=["空数组", "边界", "判断"], category="boundary", ), FollowUpQuestion( question="如果数组中有大量重复元素，你的解法效率会受影响吗？", depth=3, expected_keywords=["重复", "去重", "不影响"], category="boundary", ), ], "variation": [ FollowUpQuestion( question="如果要求使用 O(1) 的额外空间，你的解法需要怎么调整？", depth=3, expected_keywords=["原地", "不需要", "打乱"], category="variation", ), FollowUpQuestion( question="如果输入数据量非常大（如 10^9 级别），不能全加载到内存，怎么处理？", depth=4, expected_keywords=["分块", "流式", "外部排序"], category="variation", ), ], } def generate_followups( self, user_answer: str, problem: dict, max_depth: int = 3, ) -> list[FollowUpQuestion]: """根据用户回答生成追问序列 策略： 1. 先分析用户回答中暴露的薄弱点 2. 优先追问薄弱点对应的维度 3. 控制追问深度，避免过度追问 """ followups = [] # 分析用户回答的质量，确定从哪个维度开始追问 weaknesses = self._analyze_weaknesses(user_answer) # 按优先级生成追问 for category in weaknesses[:max_depth]: templates = self.FOLLOWUP_TEMPLATES.get(category, []) if templates: # 选择适当深度的追问 template = templates[0] # 从浅层开始 followups.append(template) return followups def _analyze_weaknesses(self, answer: str) -> list[str]: """分析回答中的薄弱点，决定追问优先级""" weaknesses = [] # 检查是否解释了算法选择 if "因为" not in answer and "原因" not in answer: weaknesses.append("algorithm_selection") # 检查是否包含复杂度分析 if "O(" not in answer: weaknesses.append("complexity") # 检查是否提到了边界情况 if "边界" not in answer and "空" not in answer: weaknesses.append("boundary") # 总是包含一个变体追问 weaknesses.append("variation") return weaknesses def evaluate_followup_answer( self, followup: FollowUpQuestion, answer: str ) -> dict: """评估用户对追问的回答质量""" score = 0.0 matched = [] # 关键词匹配（基础评估） for keyword in followup.expected_keywords: if keyword.lower() in answer.lower(): score += 1.0 / len(followup.expected_keywords) matched.append(keyword) # 回答深度评估 if len(answer) >= 50: score += 0.1 # 回答足够详细 return { "score": min(1.0, score), "matched_keywords": matched, "quality": "good" if score >= 0.6 else "needs_improvement", } # ---- 追问示例 ---- if __name__ == "__main__": generator = FollowUpGenerator() problem = { "title": "两数之和", "description": "给定整数数组和目标值，找出和为目标值的两个数。", } # 用户回答：只有代码，没有解释 user_answer = """ def two_sum(nums, target): seen = {} for i, num in enumerate(nums): if target - num in seen: return [seen[target - num], i] seen[num] = i """ followups = generator.generate_followups(user_answer, problem) print("面试官追问：") for i, fq in enumerate(followups, 1): print(f"\n追问 {i}（深度 {fq.depth}）：{fq.question}") print(f" 考察维度：{fq.category}") print(f" 期望关键点：{', '.join(fq.expected_keywords)}")