Un informe de la entrevista, explicado en español

Pregunta

Preséntate y explica tu experiencia práctica más relevante para este puesto, centrado en bases de conocimiento empresariales y en recuperación ante desastres y operaciones.

Lo que dijo el candidato — Original en chino · cita textual

「我看这个岗位是JD里企业知识库和运维栽培的场景跟我的经验对得上。我既有RAG落地,也有私有化部署。我在两家公司都是从零把AI能力做到上线,来你们这边做运维栽培方向的大模型落地,节奏是我熟悉的。」

Traducción al español

“Creo que los casos de uso de base de conocimiento empresarial y «cultivo de operaciones» de la descripción del puesto encajan con mi experiencia. He llevado RAG a producción y he hecho despliegues en infraestructura privada. En dos empresas desarrollé capacidades de IA desde cero hasta su lanzamiento, así que conozco bien el ritmo necesario para aplicar aquí modelos de lenguaje al «cultivo de operaciones».”

El problema

El candidato muestra una falta grave de comprensión del contexto central del negocio: confunde «recuperación ante desastres y operaciones» con «cultivo de operaciones». Además, se limita a afirmaciones generales y no concreta cómo abordaría los pasos esenciales: dividir la base de conocimiento en fragmentos, recuperar información, evaluar resultados o desplegar en infraestructura privada.

Una respuesta mejor

Primero, aclara tu comprensión del negocio. Después, explica el trabajo concreto de ingeniería y las métricas de tu sistema RAG en infraestructura privada para recuperación ante desastres e inspección operativa de centros de datos: por ejemplo, división y limpieza de documentos, búsqueda híbrida vectorial y de texto completo, y manejo de contextos largos con modelos abiertos alojados en infraestructura propia.

Pregunta

Explica un resultado representativo que hayas conseguido ajustando modelos u optimizando su calidad, y las métricas con las que lo evaluaste.

Lo que dijo el candidato — Original en chino · cita textual

「漏洞检测项目,我们标注了六万多条数据,用Lora微调大模型,把静态分析误报率从65%降到25%。另外结合AST和CFG图结构,做代码审计,多任务指令微调加思维链,内部测试准确率到98%。」

Traducción al español

“En el proyecto de detección de vulnerabilidades etiquetamos más de sesenta mil muestras y ajustamos un modelo de lenguaje con LoRA, reduciendo la tasa de falsos positivos del análisis estático del 65 % al 25 %. También combinamos estructuras de grafos AST y CFG para auditar código, con ajuste mediante instrucciones multitarea y cadena de pensamiento, y alcanzamos una exactitud del 98 % en las pruebas internas.”

El problema

Las cifras presentadas, como el 98 % de exactitud en las pruebas de auditoría de código, están muy alejadas de lo habitual en la industria. No se explica cómo se construyó el conjunto de evaluación, no se compara con una referencia y no se analizan fallos reales. Hay indicios claros de exageración del currículum y acumulación de términos de moda.

Una respuesta mejor

Explica de forma objetiva el tamaño del conjunto de evaluación, el diseño de las pruebas comparativas y las métricas utilizadas: precisión, exhaustividad y F1. Describe los fallos reales que encontraste en vulnerabilidades poco frecuentes o alucinaciones, y las medidas que aplicaste para contenerlos, en lugar de citar una cifra de exactitud poco realista.