Zero2PM

面试 · AI 产品 · 真题

小红书 AI 产品实习面试真题

这是一份小红书 AI 产品实习岗位的三轮面试完整复盘，23 道真题覆盖产品基本功、AI 技术理解、业务深度思考和个人价值观。面试整体风格偏“实战派”——不考空洞的方法论，而是围绕 Agent、RAG、数据验证等具体场景深度追问。

信息 详情
面试岗位 AI 产品实习生
面试公司 小红书
面试轮次 三轮
考察侧重 一面产品基本功 · 二面业务深度 · 三面稳定性价值观

一面：产品基本功

这一轮主要考察你对 AI 产品（尤其是 Agent）的基础理解和实操经验。

1.“简单的自我介绍。”

回答要点： 实习面试的自我介绍要短而精，60-90 秒就够。

核心要说三件事：你是谁（学校 + 专业）、你做过什么（和 AI 产品相关的项目/实习）、你为什么来面这个岗（对小红书 AI 方向的兴趣和思考）。

对于 AI 产品实习，重点突出你的 AI 实操经验——哪怕是个人项目也行。“我用 Dify 搭过一个 xx Agent”比“我对 AI 很感兴趣”有说服力十倍。

2.“在这个 xx 项目中，聚类分析你具体是怎么做的？你如何定义有效性？”

回答要点： 考察数据分析的实操能力和指标意识。

回答结构：

  1. 数据准备： 用了什么数据源，做了哪些预处理（清洗、特征工程）
  2. 方法选择： 为什么选 K-Means / DBSCAN / 层次聚类？对比过哪些方法？
  3. 有效性定义： 这是关键——不能只说“聚出来了就有效”。好的回答要包含：
    • 内部指标： 轮廓系数、SSE 等
    • 业务指标： 聚类结果能不能指导产品决策？比如聚出的用户群在行为上是否有显著差异？
    • 可解释性： 聚类结果能不能用业务语言解释清楚？如果连你自己都说不清“这一群用户有什么共同特征”，那聚类就是无效的

3.“如果让你给小红书内部的内容审核环节设计一个 AI Agent，你会规划哪些 Node？”

回答要点： 考察你对 Agent 工作流（Workflow）的理解和业务场景拆解能力。

以 Dify/n8n 的工作流思维来拆：

  1. 输入节点： 接收待审核内容（图片 + 文字 + 标签 + 用户信息）
  2. 多模态理解节点： 图片识别（OCR + 图像分类）+ 文本理解（NLP 语义分析）
  3. 规则引擎节点： 关键词过滤、黑名单匹配、敏感信息检测（手机号、二维码等）
  4. 大模型判断节点： 对灰色地带内容（擦边、软广、争议性观点）做语义级判断
  5. 置信度路由节点： 高置信度直接通过/拒绝，低置信度转人工
  6. 人工审核节点： 人工复核 + 标注反馈
  7. 结果记录节点： 审核结果写入数据库 + 反馈到模型训练

关键洞察：不是所有内容都需要过大模型——简单的关键词过滤能拦截 80% 的明确违规，大模型只处理“拿不准”的灰色地带，这样才能控制成本和延迟。

4.“假设你负责的一个 Agent 在回复准确率上突然下降，你会怎么排查？”

回答要点： 考察故障排查的结构化思维。

分层排查：

  1. 数据层： 最近有没有数据源变更？知识库有没有更新？向量索引有没有异常？
  2. 模型层： 底层模型有没有版本升级？Prompt 有没有被修改？Token 限制有没有被调整？
  3. 用户层： 是所有用户都下降还是某类用户？是某类问题准确率下降还是整体？
  4. 环境层： API 调用有没有超时或限流？缓存有没有过期？
  5. 对比分析： 拉取下降前后的 bad case，对比差异，定位具体是哪个环节出了问题

5.“你提到过 Vibe Coding，你认为这种开发模式在定义产品边界时有什么影响？”

回答要点： 考察你对 AI 开发新范式的思考深度。

Vibe Coding（用自然语言“感觉”来驱动 AI 写代码）带来两个产品边界影响：

正面： 降低了原型验证的门槛。产品经理可以快速用 Vibe Coding 做出 MVP 原型，验证想法是否成立，而不用等开发排期。这意味着“产品定义”和“技术实现”之间的界限在模糊——PM 可以更深度地参与到实现层面。

风险： 容易产生“能做 = 该做”的幻觉。因为实现成本变低了，团队可能会跳过需求验证直接做功能。产品边界反而更需要 PM 来把控——不是“能不能做”的问题，而是“值不值得做”的问题。

6.“你认为评价一个 Agent 的好坏，除了准确率，还有哪些关键的数据指标？”

回答要点： 考察你的 AI 产品指标体系思维。

Agent 评估指标可以分四个维度：

  • 效果指标： 准确率、召回率、幻觉率、任务完成率
  • 效率指标： 响应时间、Token 消耗量、API 调用次数
  • 用户体验指标： 用户满意度（评分/点赞率）、多轮对话保持率、用户主动纠正频率
  • 业务指标： 用户留存、功能渗透率、人工兜底率（越低说明 Agent 越独立）

加分思考：不同场景的指标权重不同。 客服 Agent 最看重“人工兜底率”，创作 Agent 最看重“用户满意度”，审核 Agent 最看重“准确率 + 召回率”。

7.“你在过往的项目经历中是如何发现并修补一个逻辑漏洞？”

回答要点： 考察你的细节把控能力和问题发现能力。

回答框架：

  1. 场景： 在做什么项目/功能时
  2. 发现： 怎么发现的（用户反馈？数据异常？自己测试？Code Review？）
  3. 分析： 漏洞的根因是什么（边界条件没考虑到？逻辑分支缺失？数据流断裂？）
  4. 修复： 怎么修的，修完怎么验证
  5. 复盘： 这个漏洞暴露了什么系统性问题？后续怎么预防？

面试官想看到的是你的“质量意识”——不是等问题爆发才处理，而是能主动发现潜在风险。

8.“你平时最常使用的 AI Agent 是哪个？如果让你给它提一个优化建议，你会从哪个维度切入？”

回答要点： 考察你的产品分析能力和 AI 工具敏感度。

回答结构：

  1. 选一个你真正用过的： 比如 Claude Code、Cursor、豆包、Coze 等
  2. 说清楚你的使用场景： 不是“我用过”，而是“我每天用它做 xx”
  3. 优化建议要具体： 不能说“体验可以更好”，要指出具体的痛点和方案

示例：“我最常用的是 Cursor。它在代码补全上很强，但在处理跨文件的上下文理解时经常丢失关键信息。我的优化建议是增强项目级的上下文索引能力——让它在补全时自动关联相关文件，而不是只看当前文件。”

二面：业务深度与商业思考

这一轮难度明显上升，考察你对 Agent 业务的深度理解和商业判断。

9.“你认为应该如何通过产品手段规避 Agent 输出的风险？”

回答要点： 考察你的 AI 安全意识和产品化思维。

产品手段（不是纯技术手段）规避风险：

  • 输入层： 用户输入预处理——过滤注入攻击（Prompt Injection）、敏感词前置拦截
  • 输出层： 输出内容安全审核——关键信息脱敏、违规内容过滤、置信度低时加“免责提示”
  • 交互层： 限制 Agent 的行动权限——分级授权，高风险操作需要用户二次确认
  • 反馈层： 用户举报 + 自动检测，bad case 快速回收用于模型迭代
  • 兜底层： 设定“不回答”的边界——让 Agent 在不确定时说“我不确定，建议你 xx”而不是胡编

10.“请你分析一下目前市场上主流 Agent 平台与小红书内部 Agent 平台可能存在的差异化方向。”

回答要点： 考察你对 Agent 市场格局和小红书业务的理解。

主流 Agent 平台（Coze、Dify、GPTs）的共同特点：通用化、平台化、开发者导向。

小红书内部 Agent 的差异化方向可以从三个角度思考：

  1. 场景深耕： 小红书的核心场景是“种草 + 消费决策”。Agent 可以深度嵌入用户的购物决策链路——不是通用的问答 Agent，而是“帮你做消费决策”的专属 Agent
  2. 内容生态： 小红书有海量的 UGC 笔记，这是独家数据优势。Agent 可以基于真实用户笔记而非通用知识库来回答问题，“可信度”是核心差异化
  3. 社区属性： 通用 Agent 是“人和 AI 对话”，小红书 Agent 可以是“人和社区智慧对话”——Agent 的回答背后链接的是真实用户的经验分享，而不是模型编造

11.“简单解释一下 RAG 和 Fine-tuning 的区别，在什么样的工作场景下会优先选择 RAG？”

回答要点： 经典 AI PM 考题。

维度 RAG Fine-tuning
本质 检索外部知识 + 生成回答 用数据修改模型参数
知识更新 实时（更新知识库即可） 需要重新训练
成本 低（不改模型） 高（需要 GPU + 标注数据）
适用场景 知识频繁变化、需要引用来源 需要模型掌握特定风格/能力

优先选择 RAG 的场景：

  • 知识库更新频繁（比如产品文档、政策法规）
  • 需要回答有明确来源引用（比如客服场景）
  • 预算有限，无法承担微调成本
  • 需要快速上线验证（RAG 搭建周期远短于微调）

12.“如果业务方想要一个万能的 Agent，但技术实现周期很长，你会如何通过 MVP 的思路去和他们沟通？”

回答要点： 考察你的需求管理和跨团队沟通能力。

MVP 沟通框架：

  1. 先对齐目标： “万能 Agent”背后，业务方最核心想解决的 1-2 个问题是什么？
  2. 拆解优先级： 把“万能”拆成具体的能力列表，按业务价值 × 技术可行性排序
  3. 提出 MVP 方案： “我们先做一个只解决 xx 问题的 Agent，用两周上线验证效果。如果效果好，再逐步扩展能力”
  4. 用数据说话： “MVP 上线后我们看 xx 指标，如果达到 xx 水平，就证明方向对了，再投入资源做完整版”

关键原则：不要说“做不了”，要说“我们先做这一步”。 业务方要的不是“万能”，而是“解决问题”。你帮他找到最小化的解决方案，比争论“能不能做万能的”有价值得多。

13.“在 xx 项目中，你通过什么方法验证你的‘个性化推荐策略’确实是提升 12% 的核心原因，而非其他干扰因素？”

回答要点： 考察因果推断意识和数据验证能力。

验证因果关系的方法：

  1. A/B 测试： 最直接的因果验证——实验组用新策略，对照组用旧策略，其他变量控制一致
  2. 排除干扰因素： 检查同期有没有其他变量变化（季节性波动、营销活动、版本更新、渠道变化）
  3. 分群验证： 不同用户群（新用户/老用户、高活/低活）是否都有提升？如果只有某一群提升，说明可能不是策略本身的功劳
  4. 时间维度： 效果是持续性的还是短暂的？上线第一周提升 12%，第四周回落到 3%，说明可能是新鲜感而非策略有效

14.“当研发认为 Agent 的某项能力无法量化，而你需要这个指标来写 PRD 时，你会如何解决这种冲突？”

回答要点： 考察跨团队协作和指标拆解能力。

解决步骤：

  1. 理解研发的顾虑： 先问清楚“无法量化”具体指的是什么——是技术上没法采集数据，还是这个能力本身就模糊？
  2. 拆解指标： 如果直接指标无法量化，用间接指标替代。比如“Agent 的理解能力”无法直接量化，但可以用“用户主动纠正次数”、“多轮对话轮次”等间接指标
  3. 约定评估方式： 和研发一起定义一个可执行的评估方案——比如抽样人工评估 + 用户反馈打分
  4. PRD 中标注限制： 在 PRD 里说明“当前指标为近似量化，后续随技术能力提升再迭代”

15.“请谈你对 Agent 落地边界的理解，哪些任务适合 Agent 做，哪些任务目前还是需要人工干预？”

回答要点： 考察你对 AI 能力边界的判断力。

适合 Agent 的任务：

  • 信息检索和汇总（从海量内容中找答案）
  • 重复性高、规则明确的操作（格式转换、数据清洗、模板生成）
  • 辅助决策（提供选项和分析，但最终由人决定）

仍需人工干预的任务：

  • 高风险决策（涉及资金、法律、安全的操作）
  • 强情感交互（投诉处理、危机公关）
  • 创造性判断（品牌定位、内容调性把控）
  • 边界模糊的场景（Agent 无法确认自己是否理解正确时）

核心判断标准：“出错的代价有多高？” 代价低的任务可以大胆让 Agent 做，代价高的任务必须有人工兜底。

16.“你如何看待多模态对小红书 Agent 产品的潜在赋能价值？”

回答要点： 考察你对多模态技术和小红书业务结合的思考。

小红书是“图文 + 视频”为主的内容平台，多模态能力对 Agent 的赋能场景：

  1. 图文理解： 用户发一张穿搭照，Agent 能识别单品并推荐相似款——从“搜索”到“拍照问 Agent”
  2. 视频摘要： 长视频笔记自动生成图文摘要和关键帧，提升内容消费效率
  3. 跨模态检索： 用户描述一个场景（“秋天适合去哪拍照”），Agent 能从图片库中匹配相关笔记
  4. 创作辅助： 用户上传产品图片，Agent 自动生成种草文案 + 排版建议

多模态让 Agent 从“只能聊天”变成“能看懂小红书的世界”，这是小红书 Agent 和通用 Agent 最大的差异化机会。

三面：稳定性与价值观

这一轮主要看你的人格成熟度、自我认知和稳定性。

17.“为什么选择从法律转到 AI 产品方向？你转型的长期规划是怎样的？”

回答要点： 考察转型动机的真实性和规划的合理性。

回答要点：

  • 动机要真实： 不要说“AI 是风口”，要说你发现了 AI 产品和你之前经历的具体连接点。比如“法律背景让我对规则引擎和合规问题有天然的敏感度，而 AI 产品恰好需要这种能力”
  • 规划要具体： 不是“我想做 AI PM”，而是“短期希望在 Agent 产品方向积累实操经验，中期目标是能独立负责一个 AI 功能模块”
  • 展示已有行动： “我已经自学了 xx、做了 xx 项目、拿到了 xx 认证”——行动比规划更有说服力

18.“描述一次你面临的最具挑战性的任务，你是如何应对其中的压力和挫折的？”

回答要点： 考察抗压能力和逆商。

用 STAR 框架：

  • Situation： 什么背景，挑战在哪
  • Task： 你需要做什么
  • Action： 你具体怎么应对的（重点说你的心理调适 + 实际行动）
  • Result： 结果怎么样，你学到了什么

关键：面试官不想听“我克服了困难”这种空话，想听的是你在压力下的具体思维过程和行为方式。

19.“请分享你过去一个月内新学到的一个 AI 知识点，以及你获取信息的渠道。”

回答要点： 考察学习习惯和信息获取能力。

要说一个具体的、有深度的知识点——不是“我了解了 GPT-4”这种层面。比如：

  • “我最近在研究 MCP（Model Context Protocol），它让 Agent 能标准化地接入外部工具，我觉得这会改变 Agent 的插件生态”
  • “我关注到 Qwen3 支持思考模式切换，这意味着未来 Agent 可以根据任务复杂度动态调整推理深度”

渠道要真实：arXiv、Twitter/X、机器之心、YouTube 技术博主、GitHub Trending 都行，关键是说出你从哪个渠道看到了什么。

20.“你的合作过的伙伴通常如何评价你？如果他们要给你提一个缺点，你觉得会是什么？”

回答要点： 考察自我认知和人际洞察。

  • 优点部分： 说一个和工作直接相关的评价，比如“他们通常说我逻辑清晰、文档写得详细”
  • 缺点部分： 说一个真实的、不致命的缺点，而且要展示你知道这是缺点。比如“他们可能会说我有时候太纠结细节，在需要快速决策的时候反应偏慢——我也在有意识地改进，现在会给自己设‘决策时限’”

21.“这份实习你能保证多久的入职时间？每周能出勤几天？能否接受互联网大厂的工作强度？”

回答要点： 如实回答，不要过度承诺。

面试官问这个问题的核心关切是“你来了能不能产出”。如果你只能实习三个月每周三天，那就如实说——然后补充“虽然时间有限，但我会在入职前做好准备工作，确保上手快”。过度承诺然后做不到，比坦诚说时间有限更糟糕。

22.“在做产品决策时，你更倾向于直觉还是数据？如果数据和直觉相悖，你会怎么办？”

回答要点： 考察决策思维的成熟度。

好的回答不是选边站，而是说清楚两者的关系：

  • 数据是基础： 大多数情况下，数据比直觉靠谱。尤其是可以量化的决策（定价、功能优先级、A/B 测试），必须用数据说话
  • 直觉是补充： 当数据不足或者数据指向的方向违背用户常识时，直觉有参考价值——但直觉需要用“为什么我有这个感觉”来理性化
  • 相悖时怎么办： 先检查数据是否有问题（采集偏差、样本量不足、指标定义错误）。如果数据没问题，优先信数据，但可以设计一个小实验来验证直觉

23.“对我们团队或者这个岗位，有什么想进一步了解的吗？”

回答要点： 这不是客套，是最后的加分机会。

好的反问展示你的思考深度：

  • “目前团队在 Agent 方向的核心优先级是什么？是提升现有 Agent 的效果，还是探索新的 Agent 场景？”
  • “实习生在团队中通常会独立负责一个模块还是跟着导师做子任务？”
  • “小红书的 Agent 产品目前最大的技术瓶颈是什么？”

避免问薪资、福利、假期等纯 HR 问题——这些留给 HR 轮或 Offer 阶段。

面试总结

小红书 AI 产品实习面试有几个明显特点：

  1. Agent 是核心考察主题： 从工作流设计到效果评估到落地边界，几乎每道题都和 Agent 相关。如果你对 Agent 没有实操经验，会非常被动
  2. 重视数据验证能力： 不只是“你做了什么”，更关注“你怎么证明你做的有效”
  3. 业务感知要求高： 面试官期望你理解小红书的内容生态、社区特性和商业模式，而不是泛泛谈 AI
  4. 三面考察真实性： 转型动机、学习习惯、自我认知——这些没法准备“标准答案”，只能靠真实的积累

备考建议

  • 动手搭一个 Agent： 用 Dify 或 Coze 搭一个完整的 Agent 工作流，面试时能直接聊你的实操经验
  • 准备 2-3 个数据验证案例： 每个案例都要能说清楚“指标是什么、怎么验证因果关系、排除了哪些干扰因素”
  • 深度体验小红书的 AI 功能： 搜索、推荐、内容创作辅助——找到你觉得可以优化的点，形成自己的产品观点
  • 关注 Agent 行业动态： MCP、Function Calling、多 Agent 协作这些概念要能用自己的话解释
  • 准备好转型叙事： 如果你是跨专业背景，提前想清楚“为什么转”和“凭什么你能做好”