本轮 AI 产品经理面试题库（带答案）
生成时间：2026-05-24 22:03
【面试题】1. 大模型的 Temperature 参数调高和调低分别适用于什么场景？作为产品经理你怎么决定？
【标准答案】Temperature 控制模型输出的随机性。调低（0-0.3）输出更确定性，适合客服问答、数据抽取、代码生成这类要求准确稳定的场景；调高（0.7-1.0）输出更多样，适合创意写作、头脑风暴、营销文案这类需要发散的场景。我的决策逻辑是三步：第一看用户预期，是要"对"还是要"新"；第二看容错空间，错了代价大就压低；第三看数据反馈，上线后 A/B 不同温度值，用用户满意度和任务完成率来定最优值。不是拍脑袋选个数字，是场景驱动+数据验证。
【面试题】2. 什么是 RAG？和直接让大模型回答相比，RAG 解决了什么核心问题？
【标准答案】RAG 是检索增强生成，核心流程是：用户提问→从知识库检索相关文档片段→把片段作为上下文拼进 Prompt→再让大模型生成回答。它解决三个大模型原生问题：一是知识过时，大模型训练数据有截止时间，RAG 能接入实时数据；二是幻觉问题，有检索结果做锚定，模型编造的概率大幅下降；三是私有知识，企业内部文档大模型根本没见过，RAG 让模型能基于企业专有数据回答。产品经理要理解 RAG 不是万能的，检索质量是天花板——检索召回不到，再强的模型也生成不出正确答案。
【面试题】3. 你怎么设计一个 AI 功能的 PRD？和传统功能 PRD 有什么区别？
【标准答案】AI 功能 PRD 要多写三块东西。第一是"效果指标"，传统功能讲能不能用，AI 功能还要讲好不好用——准确率、召回率、响应时间、用户采纳率，这些必须量化。第二是"边界说明"，明确 AI 能做什么不能做什么，用户预期管理是 AI 产品的命门，写清楚"不支持的场景"比写"支持的场景"更重要。第三是"数据闭环"，上线后怎么收集 Bad Case、怎么标注、怎么迭代模型，这是持续改进的基础。其他部分跟传统 PRD 一样：用户故事、交互流程、验收标准。区别在于 AI 产品的不确定性更高，所以 PRD 里要明确"可接受的误差范围"，而不是写死每一条规则。
【面试题】4. 向量库选型时你会考虑哪些因素？Milvus、Pinecone、Weaviate 各自适合什么场景？
【标准答案】选型看四个维度：数据规模、查询性能、运维成本、生态兼容。Milvus 是开源的，支持大规模数据，适合对成本敏感且有自己的运维团队的场景，私有化部署首选。Pinecone 是全托管服务，开箱即用，适合初创团队或快速验证阶段，不想折腾基础设施。Weaviate 也是开源但更强调语义搜索能力，内置多种嵌入模型集成，适合对搜索质量要求高的场景。我的选型思路是：先看数据量级，百万级以下 Pinecone 省事；百万到亿级 Milvus 更稳；再看合规要求，数据不能出境就排除 Pinecone；最后看团队技术栈，谁好招人好维护选谁。
【面试题】5. 用户反馈 AI 回答"不靠谱"，你怎么排查和解决？
【标准答案】分四步排查。第一步定位问题类型：是幻觉（编造事实）、偏差（方向对但细节错）、还是拒答（该答不答）。第二步看数据链路：Prompt 有没有写清楚约束？RAG 检索召回的片段是否相关？上下文是不是被截断了？第三步复现 Bad Case，拿同样的输入跑一遍，看是偶发还是必现。第四步针对性解决：幻觉就加强检索质量+加事实校验链路；偏差就调 Prompt 增加约束条件；拒答就调整 System Prompt 降低安全阈值或补充知识。关键是建一个 Bad Case 沉淀机制，每类问题归类统计，迭代时优先修最高频的问题。
【面试题】6. 提示词工程中，System Prompt、Few-shot、Chain-of-Thought 分别在什么场景下用？举例说明。
【标准答案】System Prompt 定人设和规则，适合所有场景的基础配置，比如"你是一个专业的法律顾问，只基于提供的法规文本回答"。Few-shot 是给几个范例让模型模仿，适合输出格式固定、风格要求明确的场景，比如"请按以下格式输出：问题|答案|置信度"然后给两三个例子。CoT 是让模型把推理过程写出来再给结论，适合逻辑推理、数学计算、复杂判断这类需要"思考过程"的场景，比如"请一步步分析这个合同条款是否存在风险"。实际工作中经常组合使用：System Prompt 设底线规则 + Few-shot 定格式 + CoT 处理复杂推理。不是哪个更好，是场景决定策略。
【面试题】7. AI 产品从 0 到 1，你第一步做什么？很多人说先写 PRD，你同意吗？
【标准答案】不同意。第一步不是写 PRD，是验证需求和技术可行性。具体来说三件事：第一，找到核心假设——这个 AI 功能能不能解决真实痛点？去跟目标用户聊，不是问"你要不要 AI"，是看他现在怎么解决问题的，痛点在哪。第二，做技术可行性验证——拿少量数据跑个 Demo，看效果能不能达到最低可用标准。很多 AI 功能 Demo 阶段就翻车，准确率只有 60%，那写 PRD 也没用。第三，算 ROI——AI 调用有成本，模型训练有成本，标注数据有成本，这些成本能不能被商业价值覆盖？三步走完，确认值得做，再写 PRD。PRD 是确认要做之后的产物，不是启动动作。
【面试题】8. 竞品分析时，AI 产品和传统产品的分析维度有什么不同？
【标准答案】传统竞品分析看功能覆盖、交互体验、商业模式、市场占有率。AI 产品要多看三个维度：第一是模型能力边界，同样叫"智能客服"，背后用的是 GPT-4 还是小模型，效果天差地别，要搞清楚竞品的模型底座和参数规模。第二是数据飞轮，竞品有没有用户使用数据的闭环，越用越准和永远不准的差距会随时间拉大，这是护城河。第三是 AI 特有的用户体验指标，比如首次响应时间（TTFT）、答案采纳率、用户纠错频率。传统产品看日活留存，AI 产品还要看"用户信不信你"——信了才持续用，不信就流失。所以竞品分析报告里我会加一张"AI 能力对比表"，把模型效果、数据规模、迭代速度放进去。
【面试题】9. 大模型有 Token 限制，你怎么在产品层面处理长文本场景？
【标准答案】四个策略，根据场景组合使用。第一是分段处理，把长文档按章节或段落拆分，每段单独处理后合并结论，适合文档摘要。第二是检索式，不把全文塞进 Prompt，而是先检索相关片段再让模型回答，这就是 RAG 的思路，适合问答场景。第三是压缩摘要，先用一次模型生成中间摘要，再用摘要作为上下文，适合超长对话场景。第四是产品分流，不是所有场景都需要模型读全文——结构化信息用规则提取，只有需要理解语义的部分才走大模型。产品经理要做的关键是：在 PRD 里定义清楚"最大支持多长的输入"，超出后给用户明确提示，而不是默默截断导致回答质量下降用户还不知道为什么。
【面试题】10. 面试官问：你做过最有挑战的 AI 产品项目是什么？请用 STAR 讲一下。
【标准答案】S（情境）：我在上一家公司负责一个智能合同审查产品，目标是让 AI 自动识别合同中的风险条款。T（任务）：法务团队要求准确率 90% 以上，但初期 Demo 只有 65%，老板给了一个月时间必须达到可上线标准。A（行动）：我做了三件事。第一，拆解 Bad Case，发现 70% 的错误集中在三类条款：违约金、竞业限制、知识产权，于是针对性补充标注数据，从 500 条加到 2000 条。第二，调整 RAG 策略，原来用纯向量检索，改为向量+关键词混合检索，召回率提升 15%。第三，加了一个"低置信度人工兜底"机制，模型不确定的就转给法务，不硬上。R（结果）：准确率从 65% 提升到 92%，上线后法务团队采纳率 85%，审查效率提升 3 倍。复盘最大的经验是：AI 产品不能只靠模型能力硬扛，产品层面的兜底策略同样关键——该兜底就兜底，别让用户替你试错。