本轮 AI 产品经理面试题库（带答案）
【面试题】1. 请解释一下Transformer架构的核心原理，以及它为什么能取代RNN成为大模型的基础架构？
【标准答案】Transformer的核心是自注意力机制，它能让模型在处理序列时并行计算每个位置与其他所有位置的关联度，而不像RNN那样必须按顺序逐个处理。这样做的优势有两点：一是训练时可以并行化，大幅提升训练效率；二是解决了长距离依赖问题，RNN处理长文本时信息会逐层衰减，而Transformer通过注意力机制可以直接捕捉任意两个词之间的关系，无论它们距离多远。另外Transformer还有位置编码来保留序列顺序信息，多头注意力让模型能同时关注不同层面的语义关系。简单说，Transformer解决了RNN的两个痛点：训练慢、长文本效果差，这也是为什么GPT、BERT这些大模型都基于它的原因。
【面试题】2. 什么是提示词工程？作为AI产品经理，你如何设计一个高质量的Prompt？
【标准答案】提示词工程就是通过优化输入给大模型的提示文本，让模型输出更符合预期的结果。设计高质量Prompt我一般遵循四个原则：第一是明确角色和任务，比如"你是一个专业的客服助手，请用温和的语气回答用户问题"；第二是提供具体上下文和示例，Few-shot比Zero-shot效果好很多；第三是结构化输出要求，比如"请用JSON格式返回，包含name和reason两个字段"；第四是设置边界和约束，避免模型胡编乱造。实际项目中我会用思维链（Chain of Thought）引导模型逐步推理，也会用分隔符区分指令和用户输入。最重要的是持续迭代，通过A/B测试不断优化Prompt效果。
【面试题】3. 请解释RAG技术原理，以及它相比纯微调方案有哪些优势和劣势？
【标准答案】RAG全称是检索增强生成，原理是先把知识库文档切成小块存入向量数据库，用户提问时先检索出相关文档片段，再把检索结果和用户问题一起喂给大模型生成答案。优势有三个：第一是知识时效性强，更新知识库就行，不用重新训练模型；第二是成本可控，向量检索比模型训练便宜得多；第三是可解释性好，可以追溯答案来源。劣势也有：检索质量直接影响答案质量，如果检索不准，模型就会基于错误信息回答；另外上下文长度有限，检索内容太多会截断。纯微调的优势是模型可以内化知识、推理更快，但成本高、知识更新麻烦。实际项目我会根据场景选择：知识频繁更新用RAG，需要模型学会特定推理模式用微调，两者也可以结合使用。
【面试题】4. 向量数据库在AI应用中扮演什么角色？选择向量库时你会考虑哪些因素？
【标准答案】向量数据库是专门存储和检索向量嵌入的数据库，在AI应用中主要负责语义检索和相似度匹配。比如用户问"苹果手机怎么用"，传统关键词搜索可能只匹配到"苹果"或"手机"，但向量检索能理解语义，把"iPhone使用教程"也召回进来。选择向量库我会考虑六个因素：第一是性能，包括查询延迟、吞吐量和召回率；第二是扩展性，数据量增长后能否水平扩展；第三是功能完整性，是否支持混合检索、过滤、多向量查询；第四是生态和易用性，SDK文档是否完善；第五是成本，包括存储成本和运维成本；第六是可靠性，是否有成熟的企业级部署案例。常见选择有Pinecone、Milvus、Weaviate、Qdrant，国产有腾讯云向量数据库，选型时要结合团队技术栈和业务规模。
【面试题】5. 你如何评估一个AI产品的效果？会关注哪些核心指标？
【标准答案】AI产品评估我会分三个层次。第一层是模型层指标，包括准确率、召回率、F1分数、BLEU分数（文本生成）、延迟和Token消耗。第二层是产品层指标，包括用户满意度评分、任务完成率、用户留存率、NPS净推荐值。第三层是业务层指标，比如客服机器人关注人工转接率下降了多少、处理时长缩短了多少、成本节省了多少。实际操作中我会建立评估数据集，定期用人工标注的方式校准模型效果，同时埋点收集用户反馈（点赞/点踩/重试）。另外要区分模型效果和产品体验，有时候模型效果好但用户感觉不好，可能是因为回答风格太机械，这时候就需要优化Prompt或调整交互设计。
【面试题】6. 假设你要从0到1搭建一个企业知识库问答系统，请描述完整的产品落地流程。
【标准答案】我会分五个阶段推进。第一阶段是需求调研，明确知识库范围、用户画像、问答场景、预期效果和成功指标。第二阶段是技术选型，确定用哪个大模型、哪个向量库、哪个Embedding模型，是自建还是用API。第三阶段是MVP开发，核心功能包括文档上传、自动切片、向量化存储、问答接口，先跑通主流程。第四阶段是效果优化，包括调优切片策略、丰富Prompt、加入重排序、引入用户反馈闭环。第五阶段是上线运营，建立知识库更新机制、监控告警、定期评估效果迭代。关键里程碑我一般设定：两周出POC验证可行性，一个月上线MVP，三个月达到可用水平。风险控制方面要考虑数据安全、模型幻觉、高并发稳定性等问题。
【面试题】7. 大模型存在哪些局限性？产品设计时如何规避或缓解这些问题？
【标准答案】大模型主要有四个局限性。第一是幻觉问题，模型会一本正经地编造不存在的信息，产品设计时可以通过RAG外挂知识库约束、要求模型标注来源、对高敏感场景引入人工审核来缓解。第二是上下文长度限制，虽然现在有128K甚至更长窗口，但超长文档还是要切片处理，设计时要合理设置检索内容占比和回答长度。第三是时效性问题，模型训练有截止日期，无法回答最新事件，解决方案是联网搜索或接入实时数据源。第四是安全风险，可能输出有害内容或泄露训练数据中的隐私，需要做内容审核、输出过滤、敏感词屏蔽。产品经理要清楚知道AI能做什么不能做什么，在产品宣传和用户预期管理上保持诚实，同时设计兜底机制。
【面试题】8. 如何设计AI产品的交互界面，让用户既感受到智能又不会过度信任？
【标准答案】这是个很好的问题，核心是在体验和预期之间找平衡。我会遵循几个设计原则：第一是明确标识AI身份，不要让用户误以为是真人，比如用机器人图标、加"AI助手"标签；第二是展示置信度或来源，对于关键信息显示参考来源、标注"基于检索生成"等；第三是设计便捷的反馈通道，点赞点踩、一键转人工、报错入口要明显；第四是错误时优雅降级，AI回答不出来时引导用户换种问法或提供替代方案；第五是设置合理边界，明确告诉用户AI不擅长什么，比如"涉及医疗建议请咨询专业医生"。交互上可以借鉴Copilot风格，AI辅助但人是决策者。总之要让用户感觉"有个聪明帮手"，而不是"把一切交给AI"。
【面试题】9. 请举例说明你如何做竞品分析，重点关注AI产品特有的哪些维度？
【标准答案】我拿AI写作助手举例。首先明确分析框架：用户侧看功能覆盖、使用门槛、个性化程度；技术侧看模型能力、响应速度、生成质量；商业侧看定价模式、目标客户、市场份额。AI产品特有的维度我会重点看四个：第一是模型策略，用自研模型还是API、是否支持模型切换；第二是Prompt策略，是否有模板库、能否自定义、Few-shot效果如何；第三是上下文管理，历史对话如何处理、知识库怎么接入；第四是输出控制，能否调节风格长度、是否支持多版本对比。实操方法上，我会深度体验竞品核心功能、用相同提示词对比输出质量、查看技术博客和专利了解技术路线、研究用户评价找痛点。输出成果包括功能对比表、优劣势总结、可借鉴点和差异化建议。
【面试题】10. 面试官问：你之前做的AI项目效果没有达到预期，你是怎么复盘和改进的？
【标准答案】我拿一个智能客服项目举例。上线后发现用户满意度只有65%，远低于预期的85%。复盘我分三步走。第一步是数据诊断，埋点分析发现满意度低的case集中在复杂问题处理，检索召回的文档不够精准，模型在知识不足时容易幻觉。第二步是问题定位，通过抽样标注发现切片策略有问题，长文档切成512 token导致很多上下文被截断，检索用的是关键词匹配而非语义匹配。第三步是制定改进方案：优化切片策略改用512 token但保留段落完整性、升级向量检索引入重排序模型、Prompt中加入"如果不确定请说不知道"的约束、引入用户反馈机制持续优化知识库。一个月后满意度提升到82%，同时人工转接率下降了30%。这次复盘让我学到：AI产品上线不是终点，数据驱动的持续迭代才是关键。