快手实习-直播ai产品面经

继续来分享下之前的面经~欢迎友好讨论，信息共享1.重点复盘一个AI项目，请阐述你的核心贡献、如何评估模型效果及与算法的协作流程。2.如何从0到1规划一个AI功能（如智能客服）？或如何设计一个优质的提示词模板？3.解释大模型微调（SFT）或提示工程（Prompt Engineering）的基本概念。如何评估AI生图质量？4.体验过腾讯元宝等产品吗？有何具体优化建议？5.用 STAR法则 清晰讲述项目细节，展现执行力与技术沟通能力。

最近刷牛客，看到好多老哥在焦虑“AI会不会抢开发饭碗”，转身就去报了个什么“高级提示词工程师”的课。说句实在话，作为每天在业务需求里打滚的后端开发，站在面试官的角度来看：没人关心你Prompt写得多有诗意，大家只关心你能不能用AI解决真实的业务痛点。如果你想在简历里加上亮眼的“AI含金量”，建议把精力砸在这几个方向：1. 掌握 AI 工作流编排与自动化落地（核心竞争力）现在单纯调一个大模型的 API 已经不稀奇了，稀奇的是工程化落地。 把 AI 接入现有的自动化流程中才是王道。比如，你能熟练使用 Dify 这类平台，把复杂的操作编排成流水线——哪怕是搭一个自动生成内容并推送到小红书等平台的发布...

一、基础必问（每家都考）1. 数据产品经理和普通产品经理有什么区别？2. 你理解的数据产品核心价值是什么？3. 日常工作流程：需求→埋点→报表→迭代→复盘4. 你做过最核心的数据产品是什么？二、埋点 & 数据采集（必考）1. 什么是埋点？事件、属性、用户ID怎么设计？2. 前端埋点、后端埋点、全埋点区别？3. 数据异常怎么排查？（漏报、多报、延迟）4. 如何保证数据口径统一？三、指标体系 & 数据分析（高频）1. 常用核心指标：DAU、MAU、留存、转化率、LTV、CAC2. 如何搭建一套指标体系？（北极星指标→模块→子指标）3. DAU突然下降，你怎么分析？4. 如何判断一个功能上线后有没有效果？5. 什么是漏斗分析、留存分析、分布分析？四、报表 / 看板 / BI工具1. 如何做一个好用的数据看板？2. 报表常见坑：口径乱、更新慢、没人用3. 你用过哪些BI工具？（Tableau、FineBI、DataEase、Superset）4. 如何推动业务用数据做决策，而不是拍脑袋？五、用户画像 & 标签体系1. 什么是用户标签？基础属性、行为标签、业务标签2. 如何设计标签体系？3. 标签怎么用在推荐、运营、营销？4. 数据隐私、合规你怎么考虑？六、数据中台/数据仓库（基础概念）1. 数据仓库分层：ODS→DWD→DWS→ADS2. 元数据、数据字典、数据血缘是什么？3. 数据质量靠什么保证？4. 你和数据开发、算法怎么配合？七、SQL基础（80%公司会考）1. 增删改查：SELECT、WHERE、GROUP BY、ORDER BY2. JOIN、LEFT JOIN 区别3. HAVING 和 WHERE 区别4. 开窗函数：ROW_NUMBER、RANK（进阶）5. 经典题：日活、连续登录、留存率怎么算八、业务/场景题（决定你过不过）1. 给你一个APP，你怎么设计数据监控？2. 业务说数据不准，你怎么处理？3. 产品功能上线，如何用数据证明价值？4. 如何平衡“数据驱动”和“用户体验”？九、AI/大模型相关（现在必加）1. 数据产品和AI产品有什么交集？2. 大模型需要哪些数据：语料、prompt、标注、评测3. RAG、向量库、知识库你怎么理解？4. 如何做AI效果评估：准确率、流畅度、幻觉率十、面试必背万能话术我做数据产品的逻辑：定目标→拆指标→建看板→查异常→给结论→推落地任何问题都按：定义→原因→方案→落地→数据结果 回答不会就老实说，但要讲：我会怎么学、怎么查、怎么解决

现在在AI领域的实际工作中，Skill设计是最核心的。不是提示词工程，不是模型微调，而是给Agent写"技能说明书"的能力。 结合百度输出的skill文章整理了下： 什么是Skill？ 简单说，Skill就是一份结构化的任务说明，告诉AI Agent：  你能做什么 什么时候该触发你 具体怎么一步步执行  它不是代码，更像是一份"超级SOP"。写得好，Agent就能自动识别用户意图并执行复杂任务。 Skill的文件结构 一个完整的Skill长这样： my-skill/ ├── SKILL.md # 核心文件：描述+工作流程 ├── scripts/ # ...