AI 产品经理面经

介绍了目标用户、产品能力，以及Agent相比传统方式可以降低门槛、提升效率。

端到端交付，可以直接部署上线。自评：9/10这类题直接给结论就好。

讲了Multi-Agent协作，比如LeaderAgent、PM Agent、Engineer Agent。自评：6/10问题：面试官问的是质量保障，我回答成了Agent架构。更好的思路应该是“意图识别→需求补全→Planning → Execution → Validation →Retry”。

介绍了几个自己实际参与的产品和增长方向。自评：8/10这一部分比较顺，面试官也认可项目真实性。

需求识别→场景分类→Skill→Prompt增强→视频模型。自评：7.5/10

利用已有项目上下文、针对营销场景设计工作流、做PromptEngineering。自评：8/10这一题发挥相对比较好。

场景、Hook、主体内容、CTA、剧情限制、安全限制等。自评：7/10更标准的表达可以是:Role → Context →Task→Structure → Constraints → Output Format。

分析了Skill触发不准确、简单需求被复杂化等问题。自评：7.5/10

Eval、用户访谈、再生成率、后续对话行为。自评：7/10更完整应该形成“用户反馈 → Bad Case → EvalDataset→优化→A/B Test”的闭环。

介绍了CTA、页面视觉、Pricing等A/B Test。

我的回答：给了灰度比例和大致用户量。自评：5.5/10 问题：数字回答得不够稳定，出现了“大概、应该”。以后实验周期、分流比例、样本量、核心指标、提升幅度都要提前记清。

我的回答：Cold Email、达人、Google、产品平台等。自评：7/10 更好的方式是按Paid /Organic /Influencer /Outbound分类，再看不同渠道的转化质量。

我的回答：先分析用户卡点，再判断页面优化还是AI

高频标准问题、产品功能问题、个性化问题。自评：6.5/10面试官提醒后补救了一部分，但还漏了账户/订单查询、投诉、风险问题和人工客服兜底。

不能。自评：7.5/10

涉及第三方数据或合规问题时，提示无法回答并引导其他渠道。

根据用户输入生成内容，可以写作、代码，但存在幻觉。自评：5.5/10 回答偏浅。更好的表达是：LLM本质上是根据上下文预测下一个Token的模型，因此表现出理解、生成、推理、代码等能力。

模型本质是在预测最可能的内容，不是在判断事实真假。自评：7/10 方向基本正确。

我的回答：当时说“比较难通过工程手段解决”。自评：3.5/10 这题答崩了。正确思路应该是：不能100%消灭，但可以通过 RAG、Tool Calling、Validation、Guardrail、Retry、Human-in-the-loop等方式显著降低。

我的回答：团队做过，但自己不了解具体实现。自评：3-4/10 直接暴露知识盲区。Harness可以理解为围绕模型搭建的一整套稳定性工程，包括Prompt、Context、

RAG、调低Temperature。自评：6.5/10RAG没问题，但Temperature不是最核心的幻觉治理方式。更完整可以从Grounding、Constraint、Verification、Fallback几个层面回答。面试官最后给的反馈比较直接。优点是：项目真实性比较强，听得出来确实自己做过；临场反应比较快；遇到不熟悉的问题能够快速调整；个人项目完整度不错。主要问题有两个。第一，容易直接陷入具体细节，缺少Top-down的体系化拆解。第二，AI产品技术基础还需要补，尤其是PromptEngineering、Harness、模型可靠性、幻觉治理这些。