AI PM 秋招面试准备路线¶
目标不是背完所有 AI 术语，而是形成一套可以被追问的判断链路：
用户问题 → AI 机会 → 技术方案 → 产品机制 → 评估指标 → 商业结果。
阶段 1：技术边界速通¶
输出物：一页“AI PM 技术判断表”。
必须能解释：
- LLM、RAG、Agent、微调分别解决什么问题；
- 为什么 RAG 不是向量数据库的同义词；
- 为什么 Agent 产品需要工具、权限、记忆和控制面；
- 模型效果、延迟、成本和安全之间如何权衡。
推荐入口：
阶段 2：产品 Case 框架¶
输出物：3 个完整 AI 产品 case。
每个 case 用同一结构准备：
- 用户是谁，任务是什么；
- 当前流程为什么低效或不可靠；
- AI 在哪个环节创造增量价值；
- 采用什么产品形态；
- 如何处理错误、拒答和人工介入；
- 用什么指标验证上线效果。
参考：
阶段 3：指标与数据¶
输出物：一张“指标分层图”。
AI PM 面试里不要只说准确率。至少要覆盖：
- 模型质量：准确性、忠实度、拒答质量；
- 任务结果：任务完成率、采纳率、编辑率；
- 体验：延迟、失败恢复、满意度；
- 商业：成本、转化、留存、ROI；
- 风险：幻觉率、违规率、人工接管率。
参考：
阶段 4：项目叙事¶
输出物：30 秒版、2 分钟版、深挖版项目讲稿。
这个 Wiki 项目的主叙事可以这样组织：
- 原始问题：大体量 Word 知识资产难以被人和 Agent 稳定复用；
- 产品判断：事实源应是可版本化 Markdown，RAG 只做索引层；
- 方案设计：canonical 页面、来源追溯、freshness、MCP 工具；
- 结果：公开 Wiki、自动校验、Agent 可调用知识服务；
- 反思：知识库产品的核心不是“回答”，而是可信、可维护、可复核。
阶段 5：公司与业务理解¶
输出物：目标公司业务拆解卡。
对于字节这类内容、推荐、广告、创作工具和 AI 能力都很强的公司，准备时要把 AI 产品问题放回业务系统里：
- 用户增长和内容供给如何互相影响；
- 推荐、搜索、广告和创作工具分别服务什么目标；
- AI 能力是提升效率、增强体验、创造新供给，还是降低成本；
- 指标变化会不会伤害长期生态。
面试回答要避免只讲“模型更强”，要讲“模型能力如何进入业务闭环”。