最近有款叫 WorkBuddy 的工具上线了升级版 hy4 preview，消息提到它针对复杂任务中“长思考与过度验证”做了优化，在保持同等任务质量的同时减少交互轮次、降低 token 消耗，并称基准测试与人工评估都确认了改进效果，现已向所有用户开放，官方还邀请用户继续反馈。这条动态本身不大，但对准备 AI 产品岗面试的人很有参考价值：它展示了一个团队如何描述“优化”，也暴露了哪些信息需要你继续追问。

面试被问“你怎么评估一次优化”，别只答指标

很多人会背“看转化率、看留存、看 NPS”。问题在于，指标改善不等于用户价值改善。素材里说“保持同等任务质量”，这恰恰说明优化存在取舍：轮次和 token 降了，质量有没有被牺牲？如果面试官问你类似问题，可以先区分两层——业务指标（轮次、成本、时长）和用户价值指标（任务是否真的完成、用户是否愿意继续用）。然后主动说：我会先确认优化前的问题定义是什么，再看用什么指标衡量，最后找反例。这样答，比罗列指标更像做过事的人。

面试官说“我们优化了体验”，追问这三个问题

第一，优化前具体是什么问题？是用户抱怨，还是内部觉得慢？第二，用什么指标衡量，基准测试和人工评估各自看什么？素材只说了“确认改进效果”，没披露测试名称、指标和样本量，所以你可以问：这套评估方法能复现吗？第三，有没有反例或还没解决的场景？比如减少轮次后，哪些复杂任务反而更容易出错？这三个问题不需要你懂技术实现，只需要你关注验证逻辑。如果对方答得含糊，至少说明这个团队对“依据”的重视程度有限。

选公司时，怎么判断团队是否真重视验证

看三点：是否公开讨论验证方法，是否承认局限，是否有持续收集反馈的机制。素材里官方说“keep the feedback coming”，这是一个正面信号，但收集反馈不等于会处理反馈。面试时你可以问：上一次根据用户反馈改掉的功能是什么？改完之后怎么确认没引入新问题？如果对方只能讲宣传口径，讲不出具体案例和取舍，就要谨慎。

一个实际可做的小建议：下次面试前，挑一个你熟悉的 AI 产品功能，用“问题定义—衡量指标—反例”三栏写一遍，面试时自然就能问出有依据的问题。