3级
除技能创建和设计说明外，还考查工具的安装、配置和更新命令。 选一个例子，把你的设计和理由大声讲出来。
报考条件
年满8周岁可报考。
屏幕共享面试
通过SONUB视频功能共享整个屏幕后进行作业。
3级面试任务示例
- 收到创建技能的要求后，立即开始输入并在30秒内完成。完成后，在60秒内验证技能实际运行。为防止借助作弊，技能创建限时30秒，另给60秒证明其实际运行。
- 考查、、、、、等工具的安装、配置和更新命令。 必须毫不犹豫地亲自输入命令，完成安装和配置。
- 被问及如何制作指定主题的AI时，应毫不犹豫地立即作答，并在3分钟内讲完制作的全部过程。
验证时间60秒从技能创建完成后单独计算，不包含在30秒的创建时间内。
考试会给出多道同等难度的题目。这就是入门3级的水平。
各级通用说明
面试问题示例：猜下一个词的人工智能
考官 如果要做一个，在学生写学习笔记时猜出下一个词，你会怎么做？又怎样确认它好用？请一步一步说明。
按下面四个步骤回答。每一步都写了要说什么，并附一个简短例子。
-
1. 目标
说清这个人工智能为谁做什么——输入什么、输出什么。例如：“学生输入‘机器’，它推荐‘学习’。”
-
2. 数据
说清它从什么学、学多少、留出什么用来测试。例如：“我自己笔记里的 2,000 个句子——80% 用来学习，20% 留作测试。”
-
3. 做法
说清它内部怎样工作、用什么来做。例如：“一个 统计哪个词后面跟哪个词，推荐最常出现的下一个词。”
-
4. 检验
说清怎么知道它好用——一个要测量的数字和一个局限。例如：“在测试句子上，统计真正的下一个词落在前三个推荐里的比例。它只看前面一个词，所以长句子会出错。”
考官可能会换题目——例如过滤垃圾短信或推荐午餐菜单——但你仍按同样的四个步骤回答。级别越高，每一步说得越详细；面试里除了这道题，还有符合各级别的其他问题和任务。
学什么
- 立即开始输入，在30秒内完成指定技能。
- 技能创建后，在60秒内验证其实际运行。
- 立即说明指定主题的AI设计，并在3分钟内讲解完整制作过程。
如何评分
- 是否在30秒内完成技能？
- 是否在创建后60秒内验证实际运行？
- 是否独立、迅速地完成多道同等难度的题目？
面试预测问题
以下11道题是考官在面试中可能提出的问题示例。不要只想猜中一个正确的词，请把答案大声说明出来。展开每一题可以看到说明示例和追问。这些不是正式试题。
人工智能的名字和公司
-
1
考官 请说明 是什么的缩写，以及 G、P、T 这三个词各是什么意思。
查看说明示例
说明示例 GPT 是 Generative Pre-trained Transformer 的缩写。Generative（生成式）的意思是它能写出新的文字，Pre-trained（）的意思是它事先已经用海量文字过， 是一种设计的名字，2017 年首次发表在 Google 研究人员的论文 " Is All You Need" 中。 的名称（GPT-4、GPT-5 等）和 中的 GPT 都来自这里。
追问 ChatGPT 和 GPT 是同一个东西，还是不同的东西？
-
2
考官 请列出至少五家开发公司及各自的主要人工智能，说明人工智能是由谁做出来的。
查看说明示例
说明示例 例如： — 、 和 ； — ；Google（）— ；Meta — ；xAI — ； — DeepSeek；Mistral AI — Mistral 和 Le Chat；Alibaba — 。一家公司常常给和使用该模型的应用起不同的名字（例如 OpenAI 的 GPT 模型和 ChatGPT 应用）。
追问 为什么不同公司的人工智能对同一个问题可能给出不同的回答？
学习、数据与向量
-
3
考官 请说明（Machine Learning）和（Deep Learning）有何不同。
查看说明示例
说明示例 机器学习是指一整类方法：不是由人一条条写规则，而是给计算机看大量例子（），让它自己找出规则。深度学习是其中的一个分支，用一层层叠得很深（Deep）的来学习。传统机器学习往往需要人来挑选要看哪些，而深度学习能从图片或文字等原始材料中自己学会这些特征——代价是需要多得多的数据和计算。
追问 今天的 属于机器学习还是深度学习？如果两者都是，为什么？
-
4
考官 请用“小狗”和“狗”的例子，说明（Embedding）和（Vector）有何不同。
查看说明示例
说明示例 向量只是按固定顺序排列的一串数字，例如 [0.2, -1.5, 3.0]，它本身没有意义。嵌入是把词语、句子或图片的意思变成这样一个向量的方法（或用这种方法得到的向量）；它经过学习，让意思相近的词，比如“小狗”和“狗”，变成彼此接近的数字。所以每个嵌入都是向量，但并不是每个向量都是嵌入。搜索、推荐和都用嵌入来比较意思。
追问 为什么即使用词不同，嵌入也能找到意思相同的文字？
-
5
考官 请说明（Training Data）是什么，以及为什么好的很重要。
查看说明示例
说明示例 训练数据是给 看、让它学习的大量例子（照片、文字、声音等）。AI 的回答会和它的训练数据相似，所以用错误的数据学习，就会给出错误的答案。
追问 如果要做一个能认出猫的 AI，你会收集什么样的照片？
提示词与智能体
-
6
考官 请说明（Prompt）和（System Prompt）有何不同。
查看说明示例
说明示例 提示词是用户每次输入的问题或指令。系统提示词是应用或开发者在对话开始前事先放进去的指令，用来设定的角色、语气和规则（例如：“你是一位亲切的英语老师。请用中文回答。”），并在整个对话中一直有效。用户通常看不到它；当它和用户的提示词冲突时，通常被成优先遵守系统提示词。
追问 如果你要为学生做一个英语会话，你会在系统提示词里写什么？
-
7
考官 请说明（Agent）和外壳（）有何不同。
查看说明示例
说明示例 智能体是一种系统：接到目标后自己制定计划，使用工具（读取文件、运行命令、搜索），并检查结果，直到把事情做完。外壳程序（Harness）是包在外面、让它作为智能体运行的外部程序：它加入，连接并真正执行工具，把结果循环送回给，并管理和。简单地说，智能体 = 语言模型 + 外壳程序； 和 就是外壳程序的例子。同一个模型，配上不同的外壳程序，可能成为更强或更弱的智能体。
追问 为什么使用同一个模型的两个智能体，能力可能不一样？
-
8
考官 请说明（Agent）和（Language Model）有何不同。
查看说明示例
说明示例 语言模型就是本身：输入一段文字，它接着写出下一段文字（）。它自己不能打开文件或运行命令，问一次就答一次。智能体把语言模型当作大脑，再加上使用工具、多步重复和检查结果，所以能接下“帮我修好这个 ”这样的目标，自己多次行动直到完成。例如 是语言模型，而 是使用 Claude 的智能体。
追问 为什么语言模型可能把“今天的天气”说错？智能体又能怎样解决这个问题？
神经网络、语言模型与上下文
-
9
考官 请说明（Neural Network）是什么，以及它和人脑有哪些相同和不同之处。
查看说明示例
说明示例 神经网络（人工神经网络）是受人脑神经细胞（）启发的。它把简单的计算单元一层层连接起来：每个单元把输入乘以后相加，再经过传给下一层。就是根据调整这些权重，让网络学会规律。它受大脑启发，但并不像真正的大脑那样工作。
追问 神经网络的“层”是什么意思？
-
10
考官 是 。请逐一说明 、 和 是否也是 LLM。
查看说明示例
说明示例 Gemini（Google）、Claude（）和 Grok（xAI）都是 LLM（Large Language Model，大语言模型）系列的名字，而且各自都有同名的应用。Codex 不一样：如今 Codex 是 的（Codex CLI 和应用）。它本身不是 LLM，而是以 系列为大脑的，其中包括 GPT-5-Codex 这类为编程调整过的模型。2021 年也曾有一个名叫 Codex 的生成模型。你需要分清一个名字指的是模型、应用还是智能体。
追问 是 LLM 还是应用？在它里面运行的是什么？
-
11
考官 请说明把支持 1M（100 万） 的缩减到 400K（40 万）token 上下文后，会有什么变化。
查看说明示例
说明示例 （Context window）是一次能看到的文字量（token 数）。缩减到 400K 后，一次能放下的对话、读过的文件和工具结果减少到 40%，大型库或长文档就无法一次放进去了。在长任务中空间更快被占满，前面的内容会更频繁地被总结（compact）或删掉，这个过程中可能忘记先前收到的指令或细节。因此只读需要的文件、搜索（）、笔记文件和拆分任务变得更加重要。另一方面，每次请求放入的 token 变少，可能降低费用和响应时间。模型本身并不会变笨。
追问 如果把一个长任务交给上下文变小的智能体，你会怎样拆分它？