说明：这是一篇公开版复盘，重点分享 AI 协作类测评的准备思路、对话方法和能力建设方式。
关键词：安克创新、AI 飞行员试炼、安克面经、AI 协作能力测评、AI 面试、Prompt Engineering、多轮对话、结构化思维、批判性提问。
这篇复盘适合正在准备安克创新 AI 飞行员试炼、AI 协作能力测评、AI 面试或 Prompt Engineering 实战测评的同学。
如果你想提升的是 “如何和 AI 高质量协作”，而不是单纯寻找标准答案，那么这篇内容会更有参考价值。
安克创新的 “AI 飞行员试炼” 是一类偏 AI 协作能力的测评。整体时间大约在 90-120 分钟，候选人需要在指定环境中，根据给定的业务背景、角色设定和交付要求，借助 AI 完成一份解决方案。
这类测评表面上是在看你会不会用 AI，实际上更关注你能不能把 AI 当成一个协作对象来管理：你是否能清晰表达需求、拆解问题、提出判断、质疑输出，并最终把方案收敛成可落地的交付物。
我的理解是，这场测评不适合用 “让 AI 一次性写完答案” 的方式处理。更好的状态是：你像带一个实习生一样带 AI，让它围绕你的思路展开工作，而不是被 AI 的回答牵着走。
我参加后的感受是，评分重点大致可以归纳为四类能力：
- 结构化表达能力：能不能清楚说明背景、目标、约束、角色和输出格式。
- 任务拆解能力：能不能把复杂问题拆成若干可推进的小问题。
- 批判性判断能力：能不能识别 AI 输出里的假设、漏洞和不合理之处。
- 方案收敛能力：能不能把讨论结果整理成业务可理解、技术可执行、结果可验收的方案。
其中很重要的一点是：不要完全 follow AI。AI 可以帮你补充信息、扩展思路、整理表达，但关键判断要来自你自己。
我本人是一名算法工程师，也是 AI 的重度使用者，已经通过了这次测评。
我觉得很多人会卡在两个地方：
- 不知道如何和 AI 进行多轮、高质量对话。
- 对话很容易停留在 “帮我写个方案” 的层面，缺少自己的判断和追问。
所以备考时不要只练习提示词，而要练习一套完整的 AI 协作流程：先定义问题，再提出假设，然后让 AI 补充，接着审查和质疑，最后收敛成方案。
我比较推荐的节奏是：
明确角色和目标 → 提出自己的初步判断 → 让 AI 补充分析 → 挑战 AI 的结论 → 继续细化方案 → 检查风险和验收标准 → 收敛最终交付
这个过程里，最重要的是让对话体现出你的主导性。比如你可以不断提醒 AI：
不要直接给最终方案，先帮我复述目标、约束和关键矛盾。
我先给一个初步判断，你帮我验证这个判断是否合理，并指出可能遗漏的点。
这个方案看起来可行，但我担心它不满足资源、周期或部署约束，请重新评估。
这些追问比 “直接帮我写答案” 更能体现你在管理 AI。
下面是一套通用模板，适合用来练习 AI 协作型测评。正式使用时应根据测评规则和题目要求自行调整，不要机械照搬。
| 轮次 | 可以怎么问 | 体现的能力 |
|---|---|---|
| 1 | “你先扮演相关领域专家，帮我复述题目目标、业务背景和关键约束，不要直接给方案。” | 定义角色和边界 |
| 2 | “我先提出一个初步判断：这个问题的核心可能不是全面优化，而是优先解决影响最大的场景。请帮我验证。” | 主动提出假设 |
| 3 | “请根据已知数据或业务影响，帮我做问题优先级排序。” | 数据驱动 |
| 4 | “你的排序我基本认可，但我担心忽略了某些高风险场景，请重新权衡。” | 挑战 AI |
| 5 | “请把问题拆成数据、模型、工程部署、验证验收四类根因。” | 建立分析框架 |
| 6 | “我不接受明显超出资源、周期或性能约束的方案，请在现有约束内重新设计。” | 约束意识 |
| 7 | “针对优先级最高的场景，给出 3 个可落地优化手段，并说明成本和风险。” | 可执行性 |
| 8 | “针对另一个关键场景，补充数据增强、策略优化或流程改进方案。” | 场景化分析 |
| 9 | “我认为数据闭环可能比单纯改模型更关键，请围绕样本采集、标注、训练和评估细化。” | 输出个人判断 |
| 10 | “在有限标注产能和固定上线周期下，请排一个现实的样本补充计划。” | 资源约束 |
| 11 | “请收敛成一条技术路线，并明确需要满足的核心指标和边界条件。” | 目标收敛 |
| 12 | “这个方案里哪些是假设？哪些需要上线前验证？请列出风险清单。” | 批判性审查 |
| 13 | “验收指标不能只看整体结果，还要看关键场景的分项指标。请重写验收标准。” | 专业性 |
| 14 | “请给出两周执行排期，按 D1-D14 写，每天产出物要明确。” | 项目管理 |
| 15 | “请把方案整理成正式交付结构：背景、洞察、策略、执行、风险、验收。” | 交付导向 |
| 16 | “最后帮我检查方案是否有拍脑袋、不符合约束、或业务不合理的地方。” | 最终调试 |
这 16 轮的意义不是凑数量，而是训练你在对话中持续推进问题。每一轮都应该有明确目的：要么补充信息，要么验证判断，要么收敛方案，要么排除风险。
如果题目是某类 “产品效果不达预期，需要在有限周期内优化并上线” 的业务问题，我会优先按下面的框架思考：
- 先看业务影响：哪些场景投诉最多、影响最大、最应该优先解决。
- 再看技术约束：是否有端侧性能、上线周期、资源投入、数据量等限制。
- 拆解根因：问题到底来自数据分布、模型能力、部署策略，还是验证指标不完整。
- 制定策略：优先选择短周期内能落地、风险可控、收益明显的方案。
- 设计验收：不仅看整体指标，也看关键场景下的分项指标和用户体验改善。
这个框架比直接问 AI “怎么优化” 更稳，因为它能体现你在从业务目标出发管理技术方案。
这场测评给我的最大启发是：AI 协作能力不是把问题丢给 AI，而是让 AI 在你的判断框架里工作。
你需要做的不是等待 AI 给标准答案，而是持续明确目标、拆解问题、提出假设、检查约束、质疑结论、设计验收，并最终把方案收敛成一个能落地的结果。
祝大家准备顺利，也希望这篇脱敏复盘能帮助你更好地理解 AI 协作型测评。