AI产品经理面经汇总（含回答思路

AI 产品经理岗考察:大模型能力边界 + 产品方案 + 数据分析 + 商业化理解。技术理解深度比传统 PM 高。

1、产品 / 商业 / 业务

• AI 产品的 PMF 怎么判断
  • 思路:看真实留存(周/月)、付费转化、自然增长;不要被新鲜感骗,30 天留存是硬指标。
• MaaS / PaaS / SaaS / AaaS 的区别
  • 思路:卖模型 API / 卖 AI 平台工具 / 卖成品软件 / 卖能完成任务的智能体;抽象层级逐渐上升。
• AI 产品的 A/B Test 怎么设计
  • 思路:测 prompt/模型/参数/RAG 策略;输出随机性需更大样本量;用置信区间判断显著性。
• AI 产品的护城河有哪些
  • 思路:数据壁垒 > 场景壁垒 > 生态壁垒 > 技术壁垒(通用模型趋同,纯技术护城河弱)。
• 怎么定 AI 产品的 ROI
  • 思路:降本(替代人工时) + 增效(任务完成速度) + 新增收入(新场景);要量化成可对比的财务指标。
• 用户留存指标怎么看
  • 思路:DAU/MAU、次日/7 日/30 日留存、stickiness、使用频次、关键行为留存;AI 产品看长留存能否融入工作流。
• AI 产品的兜底策略
  • 思路:模型失败 → 备用模型/规则/缓存/转人工/明确告知;不要把不确定包装成「自信回答」。
• Token 计费 vs 订阅制怎么选
  • 思路:用量波动大/B 端用 Token;用量稳定/C 端订阅;常做混合(订阅含基础额度+超额按量)。
• AI 产品的冷启动怎么破
  • 思路:借通用大模型快速上线 → 攒种子数据 → 增量微调/优化 RAG → 数据飞轮跑起来。
• 垂类 AI 的核心竞争力是什么
  • 思路:行业理解 + 独有数据 + 流程适配 + 合规能力;通用模型给不出这些。

2、RAG / 检索

• 介绍一下 RAG 的整体流程
  • 思路:Query → 改写(可选) → Embed → 检索(向量+BM25 混合) → Rerank → 组装 context → LLM 生成。强调「检索是为生成服务」。
• RAG 解决了大模型的什么核心问题
  • 思路:幻觉、知识过时、私有数据无法访问;本质是把「事实」从模型权重里拆出来变成可更新的外部知识。
• 文档切片粒度怎么定?切大切小各有什么风险
  • 思路:太大→噪声多+context 浪费;太小→语义不全。500-1500 字常用,按语义边界(段/小节)切,加 overlap。
• 向量召回和 BM25 关键词召回各自适合什么场景?为什么要混合
  • 思路:向量懂语义/同义改写;BM25 对术语/精确匹配强。常做 hybrid + Rerank 取长补短。
• Embedding 模型怎么选?有哪些主流方案
  • 思路:看场景(中英/通用/领域)、维度(算力)、最大输入、benchmark(MTEB);中文常用 BGE/M3E/E5。
• Rerank 在 RAG 链路里起什么作用?什么时候必须加
  • 思路:召回阶段牺牲精度换召回,Rerank 用 cross-encoder 精排 Top N;文档质量参差或召回噪声多时必加。
• 如何评估 RAG 的检索质量?常用指标有哪些
  • 思路:Recall@K / Precision@K / MRR / NDCG;可加 LLM-as-judge 评忠实度。
• RAG 的幻觉怎么治理
  • 思路:提高召回质量 + Prompt 约束「基于上下文回答」 + 校验生成是否能在 context 找到依据 + cite 来源。
• 如何处理长文档?切片 / 摘要 / 父子文档怎么选
  • 思路:短问题→直接切片;信息分散→摘要+索引;语义连贯重要→父子块。常常组合用。
• 多模态 RAG 怎么做?有什么坑
  • 思路:文/图/表分别 embed → 统一/分库召回 → LLM 多模态理解;坑: 模态对齐、混合排序、上下文长度。
• 知识图谱和 RAG 怎么结合
  • 思路:实体识别后查图谱拿关系 + 向量检索拿描述;适合金融/医疗强关系场景,弥补纯文本 RAG 关系缺失。
• RAG 召回率低怎么排查
  • 思路:看 query 改写质量 → 切片粒度 → embedding 模型适配度 → 索引参数 → 数据覆盖度;逐层定位。
• Top K 怎么定?太大太小各有什么问题
  • 思路:太小漏召回;太大噪声+token 浪费。常 K=5-10,配合 Rerank 取 Top 3-5 送 LLM。
• RAG 上下文压缩有哪些方法
  • 思路:LLMLingua 类 token 压缩 + 句子级抽取 + Rerank+截断 + Map-Reduce 归纳。

3、Agent / 工具调用

• 介绍一下 Agent 的核心组件
  • 思路:LLM(规划+推理) + Memory(短/长期) + Tools(外部能力) + Planner + Executor + Reflection;关键区别是「循环执行」而非一次调用。
• ReAct 的执行流程是什么
  • 思路:Thought → Action(选工具+参数) → Observation(工具结果) → Thought 循环,直到 Final Answer 或达步数上限。
• Function Calling 和 MCP 的区别
  • 思路:FC 是模型↔工具的协议(OpenAI 起源);MCP 是工具/数据源标准协议(Anthropic),目标让工具跨模型/跨 Agent 复用。
• 多 Agent 系统怎么协作?常见架构有哪些
  • 思路:中心化(Orchestrator+Worker) / 去中心化(消息总线) / 分层(Manager→Specialist);讲清「分配/避免循环/聚合」。
• Agent 的规划能力怎么实现
  • 思路:显式规划(先输出 plan 再执行) vs 隐式(边想边做);常用 ReAct/Plan-and-Execute/ToT;复杂任务先 plan 后 reflection。
• Agent 的记忆机制有哪些(短期 / 工作 / 长期)
  • 思路:短期=对话上下文;工作=本任务中间状态;长期=向量库存历史/