面试宝典

Appearance

AI应用 + AI工具（电商业务版） ​

这部分主要讲两件事：

  1. AI 在电商业务里能落到哪里；
  2. 开发时怎么把 AI 工具真正用起来，而不是只停留在“会问一句”。

一、AI 应用落地：电商场景怎么做 ​

1. 智能客服 ​

电商里最常见的 AI 场景就是客服，核心不是“会聊天”，而是“能把业务接住”。

常见能力包括：

  • 订单查询
  • 退换货规则判断
  • 发货/物流查询
  • 商品咨询
  • 活动规则答疑
  • 售后分流
  • 催付、挽留、转人工

1.1 角色定义 ​

先让 AI 知道自己是谁。

比如：

你是电商售后助手，只处理订单、物流、退换货、优惠券、活动规则相关问题。

这样可以减少 AI 跑题，比如用户问“尺码推荐”时，不让它去扯别的业务。

1.2 记忆存储 ​

电商客服最重要的是上下文。

比如用户说：

我想退刚买的那件衬衫。

系统要记住：

  • userId
  • sessionId
  • orderNo
  • productId
  • returnReason
  • afterSaleStatus

这样下一轮用户再问“现在到哪一步了”，AI 不用重新追问一遍。

1.3 Function Calling ​

AI 不能靠猜。

像这些事情都要调工具：

  • 查订单
  • 查商品类目
  • 查退货规则
  • 查库存
  • 查物流状态

做法就是把业务接口包装成工具，让 AI 先判断再调用，而不是直接编答案。

1.4 MCP ​

多轮对话很容易乱，所以要把流程固化。

比如电商退货流程可以拆成：

  1. 识别意图
  2. 查询订单
  3. 判断商品是否可退
  4. 生成退货地址
  5. 写入售后记录

MCP 的作用就是让 AI 按步骤走，不跳步，不乱问。

1.5 RAG 知识库 ​

电商规则太多，不能只靠 Prompt 记。

适合放进知识库的内容有：

  • 退换货规则
  • 运费险规则
  • 活动说明
  • 发货时效
  • 退款时效
  • 商品类目规则

做法一般是：

  1. 把规则切成小片段
  2. 转成向量
  3. 存到向量库
  4. 用户提问时先检索，再让 AI 组织答案

这样 AI 回答才有依据。

二、AI 编程工具：怎么真正用到开发里 ​

1. 常用工具 ​

我现在常用的主要是：

  • Cursor
  • Windsurf
  • CodeX
  • Claude Code

另外，写方案、写文档、做总结时，也会用通用模型。

2. 我对 AI 编程的使用方式 ​

我不会直接丢一句：

帮我实现这个功能

然后就等它写完。

我的习惯是先规划，再实现，再校验。

2.1 先 Plan ​

也就是先让 AI 帮我拆需求：

  • 业务边界
  • 输入输出
  • 异常情况
  • 风险点
  • 验收标准

比如做“订单售后退款”，我会先把：

  • 状态流转
  • 退款条件
  • 库存影响
  • 异常回滚
  • 重复提交

这些问题先理清。

2.2 先写规格 ​

复杂需求我会先写清楚规则，再让 AI 动手。

比如：

  • 要做什么
  • 不做什么
  • 输入是什么
  • 输出是什么
  • 异常怎么处理
  • 怎么验收

这一步能明显减少 AI 跑偏。

2.3 固定能力 ​

像这些高频动作，我会尽量整理成固定规则：

  • 先读代码再改代码
  • 改完必须 Review
  • 复杂任务先 Plan
  • 写完必须补测试
  • 出错必须把原因暴露出来

这样 AI 才像一个受约束的开发助手，而不是随时乱飞的自动机。

2.4 工程化配套 ​

AI 不是只写提示词。

真正要配套的是：

  • 代码上下文
  • 调用链
  • 实体类
  • Mapper
  • 测试用例
  • 日志
  • 静态检查

它写完之后，还是要靠人去跑测试、看日志、确认业务没偏。

三、AI 编程的标准流程 ​

我现在基本按下面这套走：

  1. 先让 AI 拆需求
  2. 再让 AI 结合现有代码出方案
  3. 方案确认后再生成代码
  4. 代码写完后让 AI 自查
  5. 再补单元测试、接口测试
  6. 最后人工 Review

1. 先读上下文 ​

AI 参与编码前，先让它看：

  • 相关代码
  • 业务接口
  • 数据结构
  • 调用关系
  • 约束条件

不然它容易凭空猜。

2. 再写代码 ​

对复杂需求，最好不要一口气让 AI 直接改全链路。

更稳的方式是：

  • 先改 Model
  • 再改 Service
  • 再改 Controller
  • 最后补测试

这样改动更可控。

3. 必须 Review ​

AI 写完不代表能交付。

至少要看：

  • 边界条件
  • 异常处理
  • 并发问题
  • 安全问题
  • 业务完整性

4. 必须补测试 ​

重点不是“测过了”，而是“为什么要这么测”。

比如售后退款，要测：

  • 正常退款
  • 已发货退款
  • 超时退款
  • 重复提交
  • 外部接口失败

四、在电商业务里的具体用法 ​

1. 客服场景 ​

AI 可以做：

  • 订单查询
  • 退货引导
  • 活动规则解释
  • 物流状态答复
  • 转人工分流

2. 运营场景 ​

AI 可以做：

  • 商品文案生成
  • 活动公告整理
  • 用户评价总结
  • 商品卖点提炼
  • 违规内容初筛

3. 售后场景 ​

AI 可以做：

  • 自动识别售后类型
  • 读取订单状态
  • 判断是否支持退货
  • 生成退货地址
  • 记录售后原因

4. 开发场景 ​

AI 可以帮：

  • 写接口
  • 写 SQL
  • 写测试
  • 查 bug
  • 看日志
  • 做代码 Review

五、我的结论 ​

我对 AI 的理解是：

  • 它能大幅提升效率
  • 也能覆盖很多重复劳动
  • 但前提是要把业务规则、上下文、流程和测试都配好

在电商里，AI 最适合做的是：

  • 能接住规则的问题
  • 能做流程判断的问题
  • 能做重复查询的问题
  • 能做整理和总结的问题

但最终的业务判断、风险兜底、结果负责，还是要开发和业务一起兜住。