面试 · AI 产品 · 第 2 篇
AI PM 面试和传统 PM 面试最大的区别在于：面试官不只想听你讲需求、讲优先级，还要确认你真的理解 AI 能做什么、不能做什么，以及你能不能把这种理解转化成产品决策。
这篇文章把高频面试题分成四大类——AI 认知、产品设计、评测、场景开放题，每道题都给出具体的回答思路和关键得分点。建议你不要死背答案，而是理解每道题背后面试官真正想考察的东西。
AI 认知类
这类题目考的是你对 AI 技术的基本理解。面试官不要求你能写模型代码，但需要你能准确地描述技术边界，并且能和产品决策挂钩。
“大模型和传统机器学习有什么区别？”
这道题几乎是 AI PM 面试的“开胃菜”，出现频率极高。
新手答： “大模型参数量更大、效果更好。” 这个回答不能说错，但太浅了，面试官听完会觉得你只是看了几篇科普文。
高手答： 从三个维度去拆——
- 范式区别： 传统 ML 是“一个任务训一个模型”，比如做情感分析就训一个分类器，做推荐就训一个推荐模型。大模型是“预训练+提示/微调”，一个基座模型通过不同的 prompt 就能处理多种任务，这从根本上改变了产品开发的方式。
- 数据需求： 传统 ML 严重依赖标注数据，标注成本高、周期长。大模型可以 zero-shot 或 few-shot 完成任务，大幅降低了冷启动门槛。
- 产品影响： 这才是面试官最想听的部分。传统 ML 时代，PM 需要等数据积累、等模型训练才能上线新功能；大模型时代，PM 可以快速验证想法，产品迭代周期从月缩短到周甚至天。但同时也带来了输出不可控、成本高、延迟大等新挑战。
得分点： 不要只停留在技术对比，一定要落到“这对做产品意味着什么”。
“RAG 和 Fine-tuning 什么时候用哪个？”
这道题考的是你对两种主流大模型定制方案的场景化判断能力。
RAG（检索增强生成）适用场景：
- 知识库更新频繁，比如企业内部文档、新闻资讯类产品
- 需要引用来源、可追溯，比如法律、医疗等对准确性要求极高的领域
- 预算有限、需要快速上线
Fine-tuning 适用场景：
- 需要模型学会特定的语言风格或输出格式，比如品牌调性统一
- 任务模式相对固定，不需要频繁更新知识
- 对延迟和成本敏感（fine-tuned 模型推理时不需要额外检索步骤）
实际项目中的判断： 很多时候答案不是“二选一”，而是“先 RAG 验证需求，再考虑要不要 fine-tune”。RAG 的优势是灵活、快速；fine-tuning 的优势是效果上限更高、推理成本更低。作为 PM，你要根据项目阶段、预算、数据量来做权衡。
得分点： 给出具体的判断标准，而不是泛泛地说“各有优劣”。如果能举一个自己项目中的决策案例，更加分。
产品设计类
产品设计题是 AI PM 面试的重头戏。面试官想看的是你能不能把 AI 能力和用户需求结合起来，设计出完整且可落地的方案。
“设计一个 AI 客服系统，你会怎么做？”
这道题的陷阱在于，很多人上来就讲技术方案——用什么模型、怎么做意图识别。面试官更想看到的是你作为 PM 的系统性思考。推荐用五步框架回答：
第一步：用户分层。 先搞清楚用户是谁。电商客服和 SaaS 客服面对的用户诉求完全不同。假设是电商场景，用户大致分三类：查物流的（高频、简单）、要退换货的（中频、流程化）、投诉/纠纷的（低频、复杂且情绪化）。
第二步：AI 能力边界。 不是所有问题都适合 AI 回答。查物流这种结构化查询，AI 能处理得又快又好；退换货有标准流程，AI 也能搞定大部分；但投诉纠纷涉及情绪安抚和灵活判断，必须有人工介入。PM 要做的就是划清这条线。
第三步：交互流程。 用户进来先做意图识别，根据意图路由到不同的处理分支。关键细节：不要让用户感到被“踢皮球”，AI 到人工的切换要顺滑，上下文要完整传递。
第四步：兜底策略。 这是面试中最容易加分的部分。当 AI 回答不了怎么办？不能让用户卡住。设计明确的兜底规则：AI 置信度低于阈值时自动转人工；用户连续两次表达不满时立刻转人工；涉及资金纠纷一律优先人工。
第五步：评估指标。 问题解决率、首次响应时间、用户满意度（CSAT）、转人工率、AI 回答准确率。注意：不能只看 AI 回答率高不高，还要看用户的问题是不是真的被解决了。
得分点： 结构清晰，有取舍意识（什么让 AI 做、什么不让），有兜底方案。
“AI 生成内容有幻觉问题，产品上怎么解决？”
这道题考的是你对 AI 局限性的理解和产品化应对能力。直接开聊解法：
方案一：检索增强（RAG）。 让模型基于检索到的真实文档来生成回答，而不是纯靠“记忆”。这是目前最主流的降低幻觉的产品方案。
方案二：输出约束。 限定模型的输出范围。比如客服场景下，只允许模型从预设的答案库中选择，而不是自由生成。牺牲一些灵活性，换来可控性。
方案三：置信度标注 + 用户提示。 在 UI 上明确告诉用户“AI 生成的内容可能存在错误，请自行核实”。像 ChatGPT、Perplexity 都在这么做。虽然看起来是“甩锅”，但从产品诚实度的角度来说，这是必要的。
方案四：人机协同审核。 高风险场景（医疗、法律、金融）下，AI 生成初稿，人工审核后再发布。速度会慢一些，但安全性有保障。
方案五：后置校验。 生成内容后，用另一个模型或规则引擎去校验事实准确性。比如检查生成内容中的数字、日期、人名是否与知识库一致。
得分点： 不要只给一种方案，面试官想看你在不同场景下的判断力。最好能根据风险等级做方案选择——低风险场景用提示就行，高风险场景必须加审核。
评测类
AI 产品的评测比传统产品复杂得多，因为 AI 的输出具有不确定性。这类题目考的是你能不能建立合理的评估体系。
“你怎么衡量一个 AI 功能做得好不好？”
很多人回答这道题会直接列一堆指标，但面试官更想看到的是你的评估逻辑。
定量指标（看数据）：
- 任务成功率： 用户使用 AI 功能后，目标任务是否完成了？比如 AI 搜索的点击率、AI 写作助手生成的内容是否被用户采纳。
- 效率提升： 和不用 AI 相比，用户完成同样任务花的时间少了多少？这是 AI 产品最直接的价值衡量。
- 留存和频次： 用户用了一次之后还会不会再用？这能反映 AI 功能的真实价值，而不只是新鲜感。
- 模型层指标： 准确率、召回率、延迟、成本。这些是底层指标，PM 要关注但不必执迷。
定性评估（看感受）：
- 用户访谈： 用户觉得 AI 帮上忙了吗？哪里觉得不靠谱？定性反馈能发现数据发现不了的问题。
- Bad case 分析： 定期看 AI 回答错误的案例，分析错在哪里、能不能系统性解决。这是 AI PM 日常工作中非常重要的一环。
- 标注评测： 找标注员对 AI 输出打分，用于模型迭代前后的对比。
得分点： 定量+定性结合，并且能解释为什么单看某一类指标不够。额外加分项：提到评测中的“古德哈特定律”——当你把某个指标变成目标时，它就不再是好的指标。
“AB 测试在 AI 产品中有什么特殊挑战？”
这是一道进阶题，能答好的人不多。
挑战一：输出方差大。 传统产品的 AB 测试，实验组和对照组的体验是确定的。AI 产品每次输出可能不一样，这导致需要更大的样本量才能得到统计显著性。
挑战二：评估维度复杂。 一个按钮的 AB 测试看点击率就行；AI 功能的 AB 测试，你可能需要同时看准确率、响应速度、用户满意度、留存等多个维度，而这些维度之间可能互相矛盾。
挑战三：用户学习效应。 用户会逐渐学会怎么和 AI 交互（比如学会写更好的 prompt），这意味着早期数据和后期数据的分布不一样，短期 AB 测试的结论可能不适用于长期。
挑战四：版本切换成本。 如果用户已经习惯了 A 版本的 AI 交互方式，突然切换到 B 版本，体验落差本身就会影响实验结果。
得分点： 提出挑战的同时，给出应对思路。比如针对方差大的问题，可以延长实验周期或增加样本量；针对学习效应，可以只看新用户的数据。
场景/开放题
开放题没有标准答案，面试官考察的是你的思维过程是否结构化、是否有产品直觉。
“如果让你负责豆包的一个新功能，你会做什么？”
这种题千万不要上来就说“我想做 XX 功能”。展示你的思考过程远比结论重要。
第一步：明确产品定位。 豆包是字节跳动的 AI 对话助手，核心用户是 C 端大众用户，定位是通用型 AI 助手。
第二步：找机会点。 从用户场景出发，看看哪些高频需求还没被很好满足。比如：用户经常拿 AI 助手帮忙处理工作文档，但现在的体验是——把文档内容复制粘贴进来、再复制粘贴出去，流程很割裂。
第三步：提出方案。 比如做一个“文档工作台”功能：用户可以直接上传文档，AI 在文档上下文中进行修改、批注、总结，处理完可以直接导出。
第四步：评估可行性。 技术上需要长文本处理能力（豆包背后有云雀模型，支持长上下文）；产品上要和现有对话模式做好切换；商业上可以作为付费功能。
第五步：定义成功指标。 功能使用率、文档处理完成率、用户 NPS。
得分点： 思考过程比结论重要。面试官要看到你是“从用户需求出发”而不是“从技术能力出发”来构思功能。
“AI 会替代产品经理吗？”
这道题本质上是在考察你对 AI 能力边界的理解，以及你对 PM 这个角色价值的认知。
推荐回答思路：
AI 会替代 PM 的一部分工作，但不会替代 PM 这个角色。
能被替代的： 竞品分析中的信息收集、PRD 文档撰写、数据看板搭建、用户反馈归类——这些信息处理和文档生成类工作，AI 已经能做得很好了。
不能被替代的： 对用户需求的深层洞察（用户说要更快的马，你要想到造汽车）、跨部门的沟通协调（涉及人际关系和组织政治）、模糊场景下的优先级判断（资源有限时先做什么后做什么）、对商业模式的战略思考。
更深一层： AI 时代的 PM 反而更重要了，因为 AI 能力需要有人来定义“用在哪里”“怎么用”“用到什么程度”。技术可以自己迭代，但产品判断力——什么该做什么不该做——永远需要人来拍板。
得分点： 不要走极端。说“完全不会替代”显得你不了解 AI 的能力；说“很快就会替代”显得你不了解 PM 的真正价值。关键是说清楚边界在哪里。
面试技巧总结
经过上面这些题目的拆解，你应该能感受到一个核心信息：AI PM 面试最看重的不是技术深度，而是 AI 认知和产品判断力的结合。
几条实操建议：
-
每道题都要落到产品上。 不管是解释 RAG 还是讨论幻觉问题，最后一定要回到“这对产品意味着什么”“PM 应该怎么决策”。面试官招的是 PM，不是工程师。
-
用框架但不要被框架绑住。 回答产品设计题时有结构很重要，但不要机械地套模板。面试官能看出来你是真的在思考还是在背框架。
-
敢于说“不知道”和“取决于”。 AI 领域变化很快，没人什么都懂。当你不确定时，说出你的判断依据和需要验证的假设，这比硬编一个答案强得多。
-
准备 2-3 个自己的案例。 不管是工作项目还是个人实践，能用真实案例来佐证你的观点，说服力会翻倍。如果还没有相关经验，可以自己动手做一个小项目——用 AI API 搭一个小产品，跑一次评测，写一份分析报告。
-
保持对最新动态的关注。 面试官可能会问“你最近关注到 AI 领域什么新进展”，如果你能聊到最近一两周的事情，说明你是真的在持续关注这个领域，而不是临时突击。
最后一点：AI PM 面试的本质是一场“认知对齐”。面试官想确认你和团队在 AI 认知层面处于同一水平，这样你加入后才能顺畅地合作。所以，比起背答案，更重要的是真正去理解 AI 产品——多用、多想、多拆解。