AI 产品经理面试题库

我有约两年汽车行业 AI 产品经验，目前在奇瑞汽车 NEXTAI 智能研究院担任 AI 产品经理，主要聚焦智能客服、营销线索转化、企业知识库 RAG 和研发智能化。

可以按“职业定位—四个项目—能力总结”展开。

AI 产品的价值不在于接入一个模型，而在于把不确定的模型能力放进可控的业务流程。

数学训练帮助我理解概率、统计口径、模型误差和实验结果，财务背景让我更重视成本、收益和业务可行性。

传统功能通常是确定性输入对应确定性输出，AI 产品则具有概率性、数据依赖和效果漂移。

汽车行业既有营销、客服等高频用户场景，也有研发、供应链和企业知识等复杂专业场景，数据链路长、组织协同复杂，AI 的落地价值比较明确。

我会选择 AI 掘金，因为它同时体现了从 0 到 1、Agent 能力设计、业务转化和上线运营。

我的核心职责是需求澄清、业务流程和产品方案设计、AI 能力拆解、PRD 与验收指标、提示词和对话策略、测试评估以及跨团队推进。

第一是能快速把复杂业务拆成可落地的 AI 产品链路；第二是重视效果指标和反馈闭环，不把上线当作结束；第三是具备汽车营销、研发和企业知识服务的跨场景理解。

我希望进一步增强大规模在线实验和商业化产品经营能力。

我的核心诉求不是简单更换行业，而是希望承担更完整的 AI 产品责任，包括从产品战略、模型与数据闭环到规模化运营和商业结果。

优先考虑具备明确业务闭环的 Agent、RAG、智能客服或企业智能化产品。

业务闭环是从用户输入开始，经过模型或工具处理，产生可以衡量的业务动作，并把结果反馈回来继续优化。

RAG 主要解决外部知识检索与可信回答；工作流强调步骤预先定义、分支可控，适合确定性较强的业务；Agent 则由模型根据目标动态决定调用什么工具、执行哪些步骤。

规则稳定、输入结构化、结果必须百分之百确定且传统系统成本更低的场景，不一定需要大模型。

我会看五点：任务是否存在语言、图像或复杂判断；当前人工成本和痛点是否显著；是否有可用数据或知识；模型效果能否被评估和兜底；收益是否覆盖模型、数据和运营成本。

先画用户任务和业务流程，再标出需要理解、检索、生成、判断或执行的节点。

MVP 应验证最关键的业务假设，而不是把所有 AI 能力做一遍。

验收要分层：功能层验证链路是否可用；模型层验证意图准确率、召回率、回答正确性和安全性；体验层验证延迟、可理解性和转人工；业务层验证留资率、有效通话率或处理效率；运营层验证问题能否定位和迭代。

因为它没有说明对象、样本、分母和错误代价。

评测集应覆盖高频、长尾、模糊表达、口语、错别字、多意图、对抗和安全场景，并按真实线上分布分层抽样。

规则适合硬约束、合规和确定性分支；传统模型适合稳定分类、成本敏感和高并发任务；大模型适合理解复杂表达、生成和开放推理。

从数据、检索、生成和产品四层控制：提升知识质量和版本管理；用混合检索、重排和元数据过滤提高上下文质量；在提示词中要求基于证据回答并设置拒答条件；产品上展示引用、限制高风险动作并提供转人工。

先按场景价值和风险分级。

知识会变化、用户表达会变化、模型版本会变化，效果也会漂移。

核心问题是品牌和经销商私信量大、人工响应不稳定、非工作时间无人接待，以及用户咨询无法稳定转化为可跟进线索。

外部用户是通过品牌渠道咨询车型、价格、活动和门店信息的潜客；内部用户包括厂端运营、经销商客服或销售顾问、品牌管理员和平台运营。

用户进入私信后，系统识别渠道、品牌和会话上下文，判断意图与情绪；需要知识的问题进入检索和生成链路，购车意向类问题通过追问收集车型、城市、联系方式等信息；达到留资条件后生成线索并分发给经销商；高风险、低置信度、用户明确要求人工时转人工。

意图体系能连接业务策略、知识范围、槽位收集和转化动作。

先从历史会话、业务流程和客服标签中归纳，再按“能否驱动不同动作”决定是否拆分。

建立人工标注测试集，观察总体准确率、各意图 Precision、Recall、F1 和混淆矩阵。

情绪识别不是为了展示一个标签，而是驱动策略。

先提供实际价值，再基于意图自然提出留资。

必须先补充简历真实口径。

单看数字无法判断，需要与人工基线、历史版本、不同渠道和不同意图比较。

它们能说明产品已经承接真实流量，但必须补充统计周期和用户定义。

先用置信度、证据数量和问题类型判断是否可回答。

触发条件包括用户明确要求人工、连续多轮未解决、负向情绪、投诉、高风险问题、低置信度以及系统异常。

采用分层配置和权限治理。

V1 已验证核心对话和转化链路，但不同品牌重复建设消息接入、知识配置、运营看板和权限会造成高成本。

首先是数据和权限隔离，包括知识、会话、线索、提示词和运营数据；其次是分层配置、版本发布、品牌差异和配额管理；还要考虑模型成本归属、审计日志和故障隔离。

先确认指标口径和数据链路是否变化，再按渠道、品牌、意图、版本、时段和模型拆分。

先选择一个可控变量，例如留资触发时机或两种追问方式，以用户或会话稳定分桶，保证品牌、渠道和时间分布一致。

我会说明强制回答会增加错误承诺、价格政策错误和投诉风险，并用失败样本展示代价。

可能包括跨品牌调用错误知识、向用户承诺不存在的优惠、泄露其他用户或经销商数据、未按要求转人工等。

战败线索已经发生过购车咨询，理论上比完全陌生用户具有更高意向，同时企业已有 4,800 万+历史线索，重新激活的边际成本可能低于购买新流量。

不能简单定义为“没有成交”。

任务下发量—拨打成功量—实际接通量—有效通话量—识别出意向量—同意顾问跟进量—到店量—成交量。

按现有口径，2,500 条线索约有 820 条实际接通；如果 32.2% 是接通后的有效通话率，则约形成 264 条有效通话。

未必。

适合采用“受控生成”。

提示词应包含角色、业务目标、可用信息、禁止行为、对话阶段、工具调用和退出条件。

需要语音活动检测和可打断播报，用户开口时立即停止 TTS，保留当前对话状态并重新做 ASR 和意图判断。

对车型、姓名、城市和时间等关键槽位设置置信度阈值和二次确认；结合上下文、词表和业务实体纠错；连续低置信度时改用封闭式问题或转人工。

根据未接、忙线、关机、明确拒绝、约定回拨等结果采用不同策略，设置最大次数、间隔、允许时段和用户退订黑名单。

从真实录音转写中构建分层评测集，标注意向等级、证据句和是否需要人工复核。

包括未经适当授权使用联系方式、未清楚说明 AI 身份、超出允许时段拨打、用户拒绝后继续营销、录音和个人信息管理不当，以及模型做出虚假承诺。

通常不是。

需要同时满足效果、经济性、合规和可规模化四类条件。

按线索质量、触达、语音链路、对话策略、意向识别和后续承接拆解。

新增零件审核依赖工程师和三化专员人工检索历史零件、比较参数和判断是否可以复用，数据分散在多个系统，单件耗时长且容易因信息不完整新增冗余零件号。

零部件数据同时包含结构化参数、文本功能描述、图像和 CATIA 数模，用户也可能用自然语言或相似图片检索，单纯精确查询难以覆盖。

CATIA 提供几何或数模信息，TC/PDM 管理零件及研发文档版本，BOM 反映车型与零部件装配关系，KMS 提供标准、经验和知识文档。

通常不是模型，而是实体对齐、版本一致性、参数单位、字段缺失、权限和数据质量。

先将关键参数标准化，包括单位换算、数值区间、类别枚举和缺失值；再用硬条件过滤不可能候选，用加权距离或模型计算相似度。

拍摄角度、背景、尺度、遮挡和外观高度相似都会影响效果，而且外观相似不代表工程可替代。

把功能描述、技术文档和历史应用场景转成语义向量，并结合零件分类、车型、性能边界等元数据过滤。

K 不是固定越大越好。

需要避免用一个模糊数字。

选取不同零件类别、车型、年份、数据完整度和相似难度的历史审核案例，由工程专家标注可复用候选、关键参数和判断理由。

零件复用可能涉及安全、性能、法规、供应和版本兼容，错误代价高，且部分信息难以完全结构化。

按 4 小时基线计算，从 240 分钟降到 30 分钟，时间减少 210 分钟，提升约 87.5%，可四舍五入为 88%；若以 6 小时计算则约 91.7%。

应给出完整公式：预计避免新增零件数乘以单个零件全生命周期平均成本，并说明成本是否包括设计、验证、模具、采购、库存和维护。

先把产品定位为辅助审核而非替代专家，展示参数差异、数据来源、相似理由和历史应用，允许工程师快速反馈。

先评估核心字段覆盖率和数据修复成本，选择数据质量较好的零件类别做 POC。

通用大模型不了解企业内部制度、手册、产品和实时信息，也无法天然满足权限与引用要求。

离线部分包括文档接入、解析清洗、切分、元数据和权限标记、向量化及索引；在线部分包括问题理解、查询改写、权限过滤、关键词与向量混合召回、重排、上下文组装、模型生成、引用展示和反馈记录。

不能只按固定字符数切。

向量检索擅长语义相近和不同表达，但可能忽略精确型号、编码和专有名词；关键词检索擅长精确匹配，但对同义表达不敏感。

第一阶段召回追求速度和覆盖，可能返回语义相关但不能回答问题的片段。

用人工标注的查询—相关文档或片段集合计算 Recall@K、Precision@K、MRR 或 NDCG，并按场景、文档类型和问题难度拆分。

至少评估事实正确性、基于证据程度、信息完整性、引用正确性、可读性和安全性。

回答中的关键结论应能对应到具体文档、章节、版本和原文片段，用户可以打开来源验证。

文档接入时就写入部门、角色、密级和有效期等 ACL 元数据，检索前根据当前用户做权限过滤，而不是生成后再遮挡。

建立数据源负责人、更新频率、版本、生效与失效时间、增量同步和失败告警机制。

先判断问题是否可被现有知识回答，再依次检查查询理解、权限过滤、召回、重排、上下文截断、提示词和生成。

前台提供有用/无用、原因标签和补充说明，后台自动带回问题、回答、引用、检索结果、模型版本和用户角色。

明确这是测算而非已实现结果，说明人工重复咨询量、单次处理时间、参与人员成本、AI 可覆盖比例和年度工作量。

因为目标准确率没有说明评测对象和样本，价值测算金额较大又没有公式。

可以共用底层平台，但不应把所有知识无差别混在一个检索空间。

北极星指标要代表持续创造的用户价值，而不是单纯调用量。

优先采用随机 A/B 测试，保持渠道、品牌、用户和时间分布一致；无法随机时，可做分阶段上线、匹配对照或差分分析。

需要基线转化率、期望检测的最小提升、显著性水平和统计功效。

先判断小品牌下降是否统计显著、是否属于高风险人群以及原因是否可解释。

按业务漏斗、模型效果、体验、系统和成本五层设计。

ROI 可用“新增收益 + 节省成本 - 总投入”除以总投入。

先按场景、租户、模型和请求类型拆成本，判断是流量、上下文长度、重试还是价格变化。

根据任务复杂度、风险、时效和成本选择规则、小模型或大模型。

需要明确可用性和延迟 SLO、渠道消息幂等、会话状态、限流、超时、重试、模型降级、知识服务降级和人工兜底。

提示词应像产品配置和代码一样有版本、负责人、适用场景、变更说明、测试结果、灰度范围和回滚。

系统指令与用户内容分离，把检索文档视为不可信输入；限制模型可调用的工具和参数，对高风险动作做后端权限校验；过滤或检测越权指令，但不依赖单一关键词。

遵循最小收集、目的限定、访问控制、脱敏、加密、保留期限和审计原则。

比较效果、成本、延迟、数据安全、部署能力、可控性和团队维护成本。

先在固定回归集和近期线上困难集上离线比较，覆盖质量、安全、延迟和成本；再小流量灰度，观察业务与护栏指标；对不同场景分别判断，而不是只看总分。

不从概率理论开始，而是用业务场景和错误成本说明：哪些问题可自动处理、哪些需要证据、哪些必须人工。

第一阶段用 1-2 周确定目标用户、Top 问题、知识范围、基线成本和成功指标；第二阶段用 3-4 周完成数据接入、最小检索生成链路和评测集；第三阶段用 3-4 周在一个部门灰度，建立引用、权限、反馈和运营后台；最后 2-3 周优化高频失败并形成扩展方案。

先冻结近期变更并确认评测口径和监控是否异常；按文档源、用户群、问题类型、模型、提示词和索引版本拆分。

保留已经验证的意图、知识、留资和转人工主链路；删除不能驱动动作或没有效果证据的复杂标签和重复配置；增加多租户隔离、版本管理、会话质检、失败样本闭环和下游成交回传。

先确认成本结构和“效果不下降”的关键阈值，按任务拆分模型调用。

把争议转化为场景风险和可量化门槛。

这里必须使用真实案例，建议按 STAR 表达：当时基于什么假设做了什么决定；哪个数据或用户反馈证明判断错误；造成了什么影响；如何止损和修正；以后新增了什么机制。

先说明冲突的具体方案和双方目标，例如业务要求更开放生成，算法担心准确性。

用业务价值、战略必要性、用户影响、验证确定性、风险、依赖和投入综合评分。

先判断差距来自核心假设还是可修复问题，缩小场景和上线范围，优先保证高频与低风险链路。

我会坦诚说明不同项目阶段：AI 掘金是已上线，AI 外呼完成了 POC，TriCore 和部分 RAG 指标仍是方案目标或商业测算。

这不是已节省金额，而是业务方案中的年度潜在价值测算。

我的个人贡献主要是业务问题定义、流程与产品架构、能力拆解、PRD、对话和提示词策略、指标与评测设计、验收及跨团队推进。

AI 产品经理不等于模型研究员，但必须具备与技术团队有效协作的技术理解。

不会把它简化为二选一。

我的差异化在于既有汽车行业复杂业务经验，也完成过智能客服 Agent 上线、AI 外呼 POC、RAG 评测与研发智能化方案，能把模型能力转化为流程、指标和可运营产品。