你可以直接这样回答
我把 AI 当候选生成器，不当交付 owner。它可以帮我生成法线/UV/材质初稿或整理规则，但我会记录输入、模型/规则版本、provenance、diff 和置信度，先过静态 QA，再由人工复核和目标平台验证；没有来源或证据就 blocked，接受和拒绝都保留 rollback。
这道题真正想听什么？
先确认比较对象和回答边界，再决定要不要展开公式、工程实现或性能取舍。
它不是在考你会不会喊“AI 会提高效率”，而是在看你有没有工程责任感：AI 输出是什么类型的候选、输入和来源能不能追溯、置信度和质量规则怎样区分、谁做人工验收、结果怎么进入版本控制、错了怎样回滚。法线、UV、材质风格都可能改变资产契约；AI 可以加速探索，但不能替你承担平台约束、版权/隐私、风格一致性和最终交付责任。
把答案讲到 2 分钟面试必答 · 约 2 分钟 · 补足因果、输入和取舍
我会按风险分层 AI 任务：重复整理和低风险候选可以自动化更多，高风险资产、Shader 和发布配置需要更强的规则与人工 Gate。置信度只决定复核强度，不当正确率。流程是生成 proposal、检查输入/格式/预算、人工看 diff 和限制、接受或拒绝、版本化写回；错误时能用 token 恢复。网络、版权和隐私边界也会在进入团队前先确认。
面试官可能继续追问什么？补充自测 · 约 3 分钟 · 检查自己是不是真的懂了
- 问：AI 生成的法线贴图看起来对，就能交付吗？ 答：不能。要检查输入色彩空间、切线基、通道约定、分辨率/压缩、镜像 UV、版权和目标设备；还要和原始参考做固定光照对照。
- 问：置信度 0.99 是否等于正确？ 答：不等于。它只是模型对候选的信心，不能替代项目规则、人工判断和真机/渲染验证。
- 问：是不是所有 AI 都要人工逐像素检查？ 答：不是。可以按风险分层：低风险候选做抽检，高风险资产/Shader/发布配置需要更严格的规则和人工 Gate，但都保留 provenance、diff 和回滚。
- 因果链： 本地输入 fixture → AI proposal → provenance/规则/置信度 → 人工 review → 接受或拒绝 → 版本化交付与 rollback。
如果概念还是悬空，就去做实验关键证据 · 约 5–15 分钟 · 预测 → 单变量 → 观察
实验不是第二份答案，它只负责证明答案
如果上面的解释已经听懂，可以直接跳过。卡住时，再沿着这三步把抽象词变成画面证据。
- 先猜 目标和约束是什么？你亲自做了哪个判断？哪条证据能证明结果不是团队叙事？
- 去取证 固定其他条件，只改一个参数。先写下变化，不用“更真实”“更高级”这种空词代替证据。
- 再追问为什么 是哪一步造成这个结果？如果结果相反，先检查输入、空间、算法，还是显示输出？
我完全没头绪，给我一个起点
先截下默认状态，只动页面当前开放的那个参数。你只需要说清楚“原来怎样 → 改了什么 → 现在怎样”。
1. 先预测
打开 AI × TA Workbench，先保留 proposal=material、provenance=local-fixture:rules-v1、confidence=0.82、humanReview=false、decision=accept。预测即使置信度很高，未人工复核仍然不能写回；把 provenance 清空，状态应直接 blocked。再切到 Production Case Lab 的 caseId=ai-tool-delivery、includeAiStep=true。输入 → 变化 → 输出： AI 候选/来源/规则 → 置信度与人工 Gate → accept/reject/needs-review、报告和 rollback token。
老师追问
先别急着查答案： 先把回答当成一个可验证的决策：目标、约束、职责和证据分别在哪里？
为什么： 你刚才的预测依赖哪个前提？如果把“AI 辅助 TA 工作流”里最关键的变量或约束关掉，回答或决策会先坏在哪里？
如果结果相反： 先排除哪一层，再谈结论？这个规则的边界是什么？
2. 再动手
在 AI Workbench 固定 proposal=naming，依次只改 confidence、humanReview、decision 和 provenance。记录 proposal、状态、拒绝原因、输入来源和 rollback token。用两个故意错误预设：无来源也接受、高置信度跳过复核；说明为什么系统必须阻断。Production Case 中打开 includeAiStep，写清 AI 只负责候选生成/整理，规则 QA、人工批准、目标设备验证和发布 owner 仍由团队承担。最后把一条候选的输入、diff、规则版本和决定保存进学习日志。
3. 最后对证据
AI Workbench 使用本地 fixture，不调用网络模型；来源缺失或未复核时，接受动作会进入 blocked/needs-review，而不是静默通过。接受或拒绝都会留下可追踪的决定和回滚信息。这个实验解释“AI 如何进入可审计流程”，不证明某个模型能稳定生成生产级法线、UV 或风格资产；真实项目还要加数据脱敏、版权/授权、目标平台和回归测试。
答案在代码哪里发生？实现定位 · 约 3 分钟 · 变量、函数和关键行
- 候选输入约束：AI proposal 先对齐平台、预算和成功指标。
- AI human Gate：QA 或人工未批准时返回 blocked。
- 证据计划：baseline、单变量和目标设备验证不能省。
- 风险取舍：AI 建议也要放进质量、性能、交付和风险的同一张表。
- Interview follow-ups：把未验证的 AI 结果变成下一步追问。
完整 5 分钟版本面试扩展 · 约 5 分钟 · 项目边界、验证与降级
生产落地需要 proposal schema、脱敏输入、模型/提示词/规则版本、目标平台、依赖、验收人和监控。代表性资产与设备做回归，按 cohort 灰度，记录拒绝原因和接受后的真实效果；高风险改动可以双人批准。没有 provenance、授权、证据或 owner 时宁可慢一步。题目没有提供我的 AI 项目数据，我会把本地 Workbench 的状态当教学证据，并明确哪些结论必须在真实项目复测。
哪些说法最容易答歪？必看陷阱 · 约 1 分钟 · 面试前最后检查
- 把置信度当正确率，把模型输出当最终资产。
- 没有 provenance、diff、规则版本和人工责任人。
- 只说效率，不说版权、隐私、风格一致性和平台约束。
- 让 AI 直接写回生产分支，失败后没有回滚。
- 用“AI 生成过”冒充真正的 TA 工程交付经验。