AI 产品运营面经

我的回答:背景(AI相关经验）→代表项目（一句话说清做了什么）→结果指标（DAU、评分、营收、增长挑重点说）→你亲自负责的关键环节(MVP、Prompt、评估、迭代）。因为二面更看"可迁移能力"，不是履历罗列。

按三个维度讲:商业化—验证了可持续的变现路径；用户——核心体验与留存指标有稳定改善；运营——通过活动与策略迭代带动了阶段性增长。然后具体讲工作内容:市场调研→用户画像→MVP定义→模型选型→转化漏斗分析→搜索链路优化。重点是"为什么这么选"，不是堆功能清单。

按产品拆。简单场景主要是基础SystemPrompt和搜索链路，工程量不大。真正工程量大的在两个方向:一是强RAG场景，要同时控制人设一致性、任务完成度和检索匹配质量；二是社交辅助场景，AI帮用户回复消息，人设和语境控制要求很高。

会。我会做三件事去偏:让运营和市场团队用他们对用户的认知来校验标准；用另一个AI独立出一套方案做交叉对比；上线后拉真实用户input/output，尤其看差的case，反推标准是否太窄。

两个。一是指令不遵循，prompt里写了规则它不照做。二是合规误杀——用模型做前置过滤，敏感内容全屏蔽，结果太严格了，海外用户对边界的理解和国内差很多，正常内容也被拦掉，很影响体验。解法是把"什么算违规、什么不算"拆得更细，补反例。本质是边界定义不清。

核心都是指令不遵循，但更常见的是间歇性遗忘—上一秒还遵循下一秒就跑偏。解法:用代码格式写Prompt(XML标签），比纯自然语言遵循度高，因为模型底层本身是代码结构，它更认标签。多轮对话里关键约束要重复注入。

先做动态话题挖掘，看哪个议题讨论量最大，先压大头；再设计识别规则，把各地政治宗教俚语放进去；然后step-by-step分析——先判断整体是不是对骂形式，再下钻关键词，再逐层细化。关键词库要跟动态话题实时变化。

四步递进: 1. 人工初筛——先过筛少量样本，把明显对错的搞清楚，基础盘先跑通; 2.跑已有标注集—用已知违规/不违规的数据去验证准确率和召回率，确认PE在已有标准下没问题;