别报token单价，报一个合格结果的总成本

面试官问“你怎么判断一个AI功能值得做”，很多人开口就是模型单价。这个回答太薄。

有成本优化指南提出一个反直觉判断：更便宜的模型不一定产生更便宜的任务，更强的模型也不一定产生更贵的任务，团队应优化每个合格结果的成本。有行业汇总提到，某公司通过开放权重模型、提示词缓存、更便宜的子Agent和自动token压缩，把单请求成本降低34%、单会话成本降低52%。这些数字来自不同公司、不同任务和不同口径，不能直接比较，但方向值得借鉴：成本要按结果算。

面试时你可以这样讲：一个任务的总成本包括模型调用、工具开销、失败重试、人工核验和基础设施。假设一个模拟场景：让Agent整理一份竞品资料，单次调用很便宜，但它错了三次、每次都要人重新核对来源，那这个任务就不值得交出去。反过来，一个贵模型一次跑对、人工只看五分钟，反而更划算。

面试官想听的不是你背过哪个单价，而是你会不会把“便宜”定义在合格结果上。

完成标准不能由执行者自己宣布

第二个常见问题：“你怎么定义任务完成？”

有创始人圆桌讨论给出一个机制：把期望结果写成评分标准（rubric），再由拥有独立上下文的评估者检查，评估者不沿用生成时的完整轨迹。这个思路对面试很有用。

你可以说：完成不能由Agent自己说“我做完了”。要能指出独立证据是什么——文件差异、测试路径、外部来源，或者真实业务状态。比如让Agent改一份配置，验收不是它回复“已修改”，而是你看到diff、跑通验证路径。

这里有个取舍：证据越独立，核验成本越高。面试时别只讲“我会严格验收”，要讲你怎么按任务风险决定验收强度。低风险任务看结果，高风险任务看过程加结果。

权限不是总开关，接管要有记录

第三个问题：“你怎么设计人机协作边界？”

有一种观点认为，“可托付”更像一份动态合同：系统知道目标、能访问所需事实与工具、行动范围与风险匹配、结果有独立证据、失败时能停下或交回给人。这个定义可以直接拿来当回答骨架。

具体到权限，别讲“开或关”。按只读、受限写入、开放写入分层。比如查资料只读，改草稿受限写入，发消息或动生产数据必须人工确认。

还要讲清什么情况下系统必须停下交回给人。面试时可以说：我会记录人工接管的原因和频率，而不是笼统说“体验好”。接管多，说明任务边界没划清；接管少但出错没人发现，说明验收证据不够。

一个实际可做的小建议：下次面试前，挑一个你做过的AI功能，用“总成本、独立证据、权限分层、接管记录”四句话各写一行，练到能脱稿讲。这比背模型参数更能让面试官记住你。