Day 86：AI+Web3 面试专题（技术）— 16 道核心技术面试题答案集

核心概念

技术面试答案集

16 道 AI+Web3 核心技术面试题，每题 30 秒+2 分钟版本。覆盖 Agent、zkML、算力、隐私、MCP、Intent、数据市场、框架对比八大领域。

AI Agent 技术类

Q1: 链上 AI Agent 和传统 AI 助手的区别？

30 秒：传统 AI 只给建议，Agent 能直接执行链上操作。它有钱包、受限权限（Session Keys）、在授权范围内自主行动（24/7 监控+自动操作）。

2 分钟：三层区别 — 执行能力（输出文本 vs 执行交易）、自主性（一问一答 vs 持续监控决策）、经济参与（旁观者 vs 持有资产/支付 Gas/收费）。技术依赖 Session Keys（ERC-7715）+MCP 协议+安全框架（预算/白名单/熔断）。

Q2: Session Keys 为什么对 AI Agent 重要？

30 秒：传统钱包全有或全无。Session Keys 提供限时+限额+限合约的临时权限，解决"安全-便利"矛盾 — Agent 能操作但不能卷款跑路。

2 分钟：四维限制（时间/金额/合约/操作类型）。ERC-7715 标准化规则格式。配合 EIP-7702 让普通 EOA 也能用。与 approve 区别：approve 单维度，Session Keys 多维度+可撤销。

Q3: 感知-决策-执行循环怎么设计？

30 秒：感知（链上+社交+价格数据）→ 决策（AI 分析+策略生成）→ 安全检查（模拟/限额/确认）→ 执行（签名+提交+监控）→ 反馈（结果优化未来决策）。关键：决策和执行之间必须有安全层。

zkML / 可验证 AI 类

Q4: 什么是 zkML？

30 秒：用 ZKP 证明 AI 推理正确性。AI 预言机说"ETH 会涨"，zkML 证明"这确实是模型对输入的推理结果"。链上验证，无需信任提供者。

2 分钟：将神经网络转为算术电路→ZK-SNARK/STARK 生成证明→链上验证。项目：EZKL/Giza/ORA。三种方案：zkML（密码学/100x+慢）、opML（经济学/快但有挑战期）、TEE（硬件/最快但信任厂商）。实用方案：TEE 实时推理+zkML 事后审计。

Q5: zkML/opML/TEE 怎么选？

30 秒：实时→TEE（快/10%开销）；最强安全→zkML（密码学/慢）；务实→opML（经济学/挑战期）。2026 趋势：TEE 做 99% 实时+zkML 做关键审计。

去中心化算力类

Q6: 去中心化 GPU 能和 AWS 竞争吗？

30 秒：正面不能，但三个场景胜出：AI 推理（容忍不稳定）、突发算力（按需灵活）、长尾小客户（AWS 不愿服务）。杀手级应用可能是 AI Agent 经济 — 百万 Agent 各需少量持续算力。

Q7: Bittensor/Render/Akash/io.net 区别？

30 秒：Bittensor 卖 AI 服务（模型竞争），Render 卖渲染+推理（存量市场），Akash 卖通用云（便宜 70%+），io.net 卖 GPU 集群（虚拟超算）。Bittensor 价值在软件（模型），其余在硬件（GPU）。

隐私计算类

Q8: FHE/TEE/ZKP 怎么选？

30 秒：实时+接受硬件信任→TEE；链上验证正确性→ZKP；加密数据上计算→FHE。趋势：混合方案（TEE 实时+ZKP 验证+FHE 长期安全）。不为隐私而隐私。

2 分钟：TEE（硬件隔离/90%原生速度/但 SGX 被攻破过）→ Secret/Oasis/Phala。ZKP（密码学/不保护计算过程/适合验证）→ zkSync/Aztec。FHE（加密计算/最强但 1000x 慢/量子安全）→ Zama/Inco。

Q9: 公链为什么需要隐私？

30 秒：核心价值是"可验证性"非"完全透明"。MEV 前跑年损 $5亿+、企业不愿暴露策略、GDPR vs 不可篡改。"选择性透明"是正确方向（默认隐私+合规时可证明）。

MCP / 架构类

Q10: MCP 对 Web3 的影响？

30 秒：AI 工具调用的标准协议（AI 界的 USB）。N×M 集成变 N+M。Web3 影响：自然语言 DApp、协议可发现性变了（API>UI）、跨协议组合、数据分析民主化。

Q11: Intent-Based 架构是什么？

30 秒：用户表达意图（"最好价格买 1 ETH"），Solver 竞争找最优路径。从手动路由→系统竞争满足。CoW Protocol $870亿+交易量。与 AI Agent 天然协同：Agent 生成意图/Agent 作为 Solver。

数据与框架类

Q12: 去中心化数据市场能解决 AI 数据危机吗？

30 秒：重要补充非替代。三重危机（数据枯竭/版权诉讼/EU AI Act）→ 去中心化提供合法+独特+持续的数据。Vana 数据 DAO（集体议价=数据工会）最有潜力。瓶颈：冷启动+质量保证。

Q13: 四大 Agent 框架对比？

30 秒：ElizaOS=全栈（社交+链上/最大生态）、GOAT=工具层（DeFi专精）、Virtuals=经济平台（Token化发行）、Olas=协作网络（多Agent）。趋势是融合：MCP 连接+Agent 框架运行+A2A 协作。

Q14: Agent Token 化可持续吗？

30 秒：模式有价值但当前过于投机。16K Agent 中有价值<100。判断标准：服务收入 vs Token 交易量。健康模型应是服务收入→Token 价值（参考 Render BME），非交易投机→Token 价值。

综合类

Q15: AI+Web3 技术架构怎么选？

30 秒：五层决策 — 链→Base；AI→链下推理+链上调用；权限→Session Keys；隐私→按需；数据→MCP Server。原则：够用就好，先验证 PMF 再升级。

Q16: 去中心化 AI vs OpenAI 本质区别？

30 秒：三个本质差异 — 控制权（公司 vs 社区）、数据所有权（平台占有 vs 用户获益）、抗审查（可关闭 vs 不可关闭）。不是替代 OpenAI，是做 OpenAI 不做的事。类比 Linux vs Windows。

面试核心心法

```

1. 不是背答案，是展示判断力 "基于 X 和 Y 的权衡，我倾向 Z" > 复述定义

2. PM 技术深度 = 能做选型决策 不需要写 FHE 实现，需要判断"用 FHE 还是 TEE"

3. 理解问题比熟悉工具更持久 具体工具会被替代，底层问题（可验证/安全/所有权）不变

4. 承认不确定性是加分项 "这个领域变化很快，目前最佳实践是...但可能会变" ```

明日预告

Day 87：AI+Web3 面试专题（产品） — 产品机会/增长策略/风险评估/案例分析面试题。