AI产品面试总结

从去年到现在陆陆续续面了一些AI相关的岗位，主要目的也是为了了解市场上现在对人才的需求画像是怎样的，总结了一些常见问题，希望对正在进行或者即将进行面试的小伙伴有所帮助

目前很多的面试都是AI+业务，很多岗位都在聊怎么用AI赋能业务、以及变现的路径，所以问题的底层逻辑和回答思路上还是基于“传统互联网产品经理”出发的，只不过需要多多了解一些AI产品、模型等等

我过往有一个关于AI情感陪伴的项目，所以很多面试都是基于这个项目在聊

1、自我介绍

答：我是xxx，过往有xxx段工作/实习经历，其中xxx经历和这个岗位非常匹配，都是做xxx方向的，因此我对这个业务方向非常感兴趣，认为自己在这个岗位上会有所发挥，所以来应聘这个岗位，希望可以进入到贵司和大家共同进步

核心是要告诉对方你是谁、以及你很匹配这个岗位

2、撰写prompt的方法

答：RISEN框架，R-角色、I-指示命令、S-步骤、E-最周目标、N-缩小范围(约束条件，可以约束任意方面)

我一般撰写prompt的框架倾向使用“RISEN”，简单来说就是你是谁、你需要做什么、主要通过哪些步骤实现、你需要做成什么事、给到具体的范围设定，我认为这个方法会比较严谨、考虑到各方面的条件，会输出更清晰的指令（这里我的这个回答是基于我个人的项目，我选择的方法论是这样的）

简单基础的说法：“角色-任务-格式”

举例：

角色：你是一名心理咨询师，在心理学领域拥有10年的经验.

说明：请问有轻微抑郁症的患者提供一些帮助和建议

步骤：1.从......开始，2.进行......，3.进行......

最终目标：目标是...

缩小（限制）范围：不要使用......

3、prompt调优策略、质量评估

答：在产品上线前期，我会不断进行迭代测试，观察模型输出结果，并建立case文档，归因分析；这里主要使用A/B测试，对比不同的prompt生成效果、从而进行温度参数调整、或者调整提示词等等；关于质量评估，首先要明确业务目标，制定一个评测标准，在我的项目中，我的标准是人设一致性、对话流畅性、逻辑性、回复多样性，基于标准，进行质量评估。这是我个人对于AI产品的理解，如果有认为不准确的地方可以展开探讨(拉着面试官和你一起聚焦于业务，展现你对业务的主观能动性)

3、介绍xxx项目的从设计到实现

答：这里就按照个人项目的具体实现路径回答就好了，答题框架：切入场景、模型选择、上线效果、商业化机会

4、怎么理解大语言模型，在你之前的实习中是怎么优化语言模型的效果

答：大语言模型本质是通过大规模数据训练出的概率预测工具，其核心价值在于将自然语言转化为结构化输出。

实习优化举例（STAR 法则）：

Situation（场景）：在某 AI 公司实习时，负责优化客服场景的对话模型，初始版本存在 “答非所问”“信息遗漏” 问题，用户满意度仅 65%。
Task（任务）：目标是提升模型在售后咨询场景的回答准确率和完整性。
Action（行动）：数据层优化：清洗训练数据：剔除过时政策、错误案例，补充 3000 条真实客服对话（含多轮追问、模糊提问）；构建 “问题 - 答案” 映射表：将高频问题（如 “退货流程”）拆解为 5 类子问题，标注标准答案要素（步骤、时效、联系方式）。Prompt 工程：设计 “角色 + 场景 + 约束” 三层 Prompt：*“你是某电商平台的售后客服，用户咨询退货问题时，需按以下格式回答：退货申请入口（附 APP 截图指引链接）；审核时效（工作日 / 非工作日区分）；特殊情况说明（如生鲜类商品不支持退货）。回答需简洁，避免使用专业术语。”*反馈闭环：开发 “人工校准界面”：客服可标记错误回答，累计 50 例后重新微调模型；引入 “答案完整性评分”：自动检测回答是否包含所有标注要素（如缺少 “入口链接” 则扣分）。
Result（结果）：2 个月内用户满意度提升至 89%，人工复核工作量减少 40%，模型在模糊提问（如 “怎么退东西”）场景的准确率从 55% 提升至 82%。

5、如何解决模型幻觉问题？

答：

1.技术层（降低幻觉概率）

数据增强：引入 “事实校验数据集”：训练时加入包含矛盾信息的样本（如 “鲁迅写过《哈利波特》吗？”），强化模型对错误事实的识别能力；多源知识融合：对接外部知识库（如维基百科、企业数据库），生成时检索验证（如回答 “2024 年诺贝尔奖得主” 时，调用权威 API 校验）。
模型优化：在 Prompt 中加入 “事实声明”：如 *“以下回答需确保信息准确，若不确定请说明‘无法验证’；使用 “拒绝生成” 机制：当模型置信度低于阈值（如 < 70%）时，自动返回 “该问题需要人工确认”。

2. 产品层（减少幻觉影响）

用户引导：明确告知 “AI 可能出错”：在产品界面添加免责声明（如 “本回答仅供参考，具体请以官方信息为准”）；设计 “信息溯源” 功能：对涉及数据、政策的回答，提供来源链接（如 “根据《2024 年消费者权益保护法》第 X 条…”）。
交互设计：对高风险场景（如医疗、金融），强制人工复核后再输出；提供 “纠错入口”：用户可标记错误回答，积分奖励机制鼓励参与事实校验。

6、使用过哪些AI产品，使用体验最好的是哪一个产品

答：选一个产品，从产品视角、商业化模式等角度分析核心优势、以及改进空间

举例：我最常使用的产品是豆包，有各种对话模式，能够满足C端用户的日常需求：问问题、写代码、生成图片

创作内容等等，还可以根据不同的任务设定进行对话交谈；且内容源更广阔，背靠字节有很多内容的积累，除了网页的信息以外，还有着头条、抖音等PGC/UGC内容，很适合进行问题提问

待改进的地方：专业领域深度不如垂直领域模型（例如图片生成），商业化空间忧虑等等。。。

7、AI产品经理与传统产品经理的核心差异