一、AI PM 面试考什么：四大模块权重地图

技术轮的核心考察不是写生产代码，而是能否与工程师进行有信息量的技术讨论、理解工程权衡、提出关键问题。对 AI PM 而言，这转化为四大核心模块：

模块 核心考点 备考优先级
大模型与生成式 AI 基础 Transformer 与 Attention 机制、预训练到 SFT 再到 RLHF 的三阶段、Token 与上下文窗口限制、Temperature 与 Top-p 采样策略、Scaling Laws 幂律关系 必考
RAG 与知识库产品设计 检索策略对比（关键词 / 向量 / 混合）、重排模型作用、Chunking 切分策略、幻觉兜底机制（溯源 / 转人工）、评测集构建方法 必考
Agent 与工作流产品设计 ReAct 与 Plan-and-Execute 两大范式、工具调用与 Function Calling、多 Agent 协作编排、长任务状态管理、人工介入点设计 高频
AI 需求判断与效果评估 何时引入 AI 的决策框架、ROI 估算模型、离线与在线评测指标体系、A/B 测试实验设计、护栏指标设定、推理成本控制 必考

> 来源说明：文中标注「教学示例」的表格、话术与清单为本文自编，仅供练习参考，不代表任何公司的真实评分表。

二、大模型基础：核心概念速记卡（教学示例）

考点 核心要答出的点（教学示例，假设性）
Transformer / Attention Q/K/V 矩阵构造、多头注意力并行计算、因果掩码防止信息泄露、位置编码注入序列信息
预训练 → SFT → RLHF 三阶段训练目标差异、RLHF 通过奖励模型实现对齐、奖励模型训练流程
Token 与上下文窗口 上下文长度由模型架构与显存共同决定、长上下文带来 KV Cache 显存压力与注意力计算量平方级增长
Temperature / Top-p Temperature 控制输出分布尖锐度、Top-p 截断累积概率实现核采样
Scaling Laws 模型参数量、训练数据量、算力预算三者幂律关系、对产品侧模型选型与成本预估的指导意义

> 教学示例（假设性）：面试官问「如何向非技术同事解释 Temperature？」——可答：「Temperature 相当于『创造性』旋钮，低数值让模型走最可能路径（稳），高数值鼓励探索更多可能（活），产品里按场景锁死或开放调节。」

三、RAG 产品设计：从检索到兜底的完整链路

三、一、检索策略对比（教学示例）

策略 适用场景 典型短板
纯关键词（BM25） 精确匹配、实体编号、代码片段 语义理解能力弱
纯向量（Embedding） 语义模糊查询、长文本匹配 实体识别易丢失、幻觉率较高
混合检索 + 重排（工程首选） 兼顾精确与语义，Cross-Encoder 重排提升 Top-K 质量 实现复杂度最高、延迟最长

三、二、幻觉三层兜底（教学示例）

  1. 检索增强：混合检索召回 + Cross-Encoder 重排，保证 Top-3 命中率达标
  2. 答案溯源：生成强制引用 Chunk ID，前端可点击跳转原文定位证据
  3. 低置信度转人工：设定置信度阈值，低于阈值自动触发「转人工 / 标记需复核」流程

四、Agent 与工作流：两大范式的产品决策

范式 核心区别（教学示例） 产品选型提示
ReAct 思考-行动-观察单步循环，单智能体单步决策 任务链短、工具集小、执行路径可预测时首选
Plan-and-Execute 先规划整条执行链路再逐步执行，支持回溯分支与人工审批 任务长、依赖多、需人工把关节点时首选

> 教学示例（假设性）：设计「自动生成 PRD」智能体 —— 采用 Plan-and-Execute：规划阶段输出大纲 → 各节点并行撰写 Section → 汇总 Review → 人工确认 → 导出。关键决策点：哪些节点必须人工把关？

五、AI 需求判断与 ROI：不做「为了 AI 而 AI」的产品

  1. 业务痛点先行：无 AI 也能高效解决 → 暂不上 AI
  2. 可量化收益：节省人力工时 / 提升转化率 / 降低错误率，必须有基线数字
  3. 成本试算：推理成本 = Token 单价 × 调用量，叠加人工标注成本与维护成本
  4. 护栏指标：延迟 P99、幻觉率、用户投诉率、成本超支阈值，任一触发即熔断

> 教学示例（假设性）：客服场景引入 RAG 机器人 —— 基线：人工日均 5000 会话、均耗 8 分钟；目标：机器人承接 60% 会话、转人工率 < 15%、满意度不降；护栏：单次推理成本 < $0.02、P99 延迟 < 3s。

六、通用产品方法论：AI 场景下的复用与调整

通用方法论 AI 场景调整（教学示例）
CIRCLES / STAR 答 AI 设计题时，Solution 必须显性包含：模型选型理由、评测方案、兜底机制
北极星指标 AI 产品常加「模型质量指标」（F1、召回率、幻觉率）作为先行指标
A/B 测试 需分桶对照模型版本、Prompt 版本、检索策略版本，样本量按最小可检测效应计算

七、一周冲刺清单（教学示例）

> 教学示例（假设性）：按上文四大模块权重安排每日任务。

天数 任务 产出
Day -7 刷大模型基础 30 道、RAG 20 道、Agent 15 道 错题本 + 知识点缺口表
Day -6 背核心 9 问答题框架，录音模拟 2 遍 标准回答音频
Day -5 手写一个 RAG 产品设计：从检索策略到兜底机制完整画图 白板设计图 + 权衡表
Day -4 手写一个 Agent 产品设计：Plan-and-Execute 流程 + 人工介入点 白板设计图 + 状态机
Day -3 算一道 ROI 题：给定业务数据，算出 AI 方案 vs 人工方案盈亏平衡点 试算表
Day -2 复盘错题本，补齐知识点缺口，准备 3 个「反问面试官」问题 反问清单
Day -1 仅复盘、不学新，整理「必背话术卡」 单页速查卡
Day 0 面试日：带笔、带速查卡，心态是「我是来和工程师对齐的产品伙伴」 —

八、FAQ

Q1：非 CS 背景 PM 真的要会讲 Transformer 吗？

A：要讲的是原理层面的理解，不是推导公式。核心是能说清 Attention 为什么能并行、因果掩码为什么必须、位置编码解决了什么问题。

Q2：RAG 评测集怎么构建？

A：教学示例：从真实用户 Query 采样 200 条，人工标注理想检索 Chunk 与理想答案，离线跑 Recall@K / MRR / 答案准确率，在线看转人工率与满意度。

Q3：智能体产品怎么做人工介入点设计？

A：教学示例：把长任务拆成自动执行段 + 人工审批段 + 自动执行段，每个审批段暴露：当前状态、可选动作、风险提示、回滚按钮。关键原则：不可逆动作（下单、发邮件、删除数据）必须有人工确认。

Q4：怎么回答「你对 AI 行业的理解」？

A：建议框架：技术演进 → 应用范式演进 → 商业化瓶颈 → 你的产品在哪一层创造价值。不要背行业报告，要结合你做过的产品说。

九、延伸阅读与工具

  • BestPMJobs《Technical Interview for Product Managers 2026》—— 技术轮定位、五大技术领域权重、公司类型技术深度预期：https://www.bestpmjobs.com/resources/technical-interview-pm
  • 面灵 AI 真题合集—— 四大模块真题、近期出题公司标注：https://www.mianlingai.com/topics/ai-product-manager-interview-questions-2026/
  • 郑国维《AI 产品经理面试准备手册（2026版）》—— 核心问答框架、速答卡、作战地图：https://zhexuexi.com/reports/ai-pm-interview/

十、行动号召：把 AI 面试变成展示「懂技术的产品伙伴」的窗口

当你能用结构化框架拆解 RAG 权衡、用写对的评测方案验证模型效果、用 ReAct vs Plan-and-Execute 的工程语言与工程师对齐时，你就从「需要工程师保护的 PM」变成「能和工程师共创 AI 产品的产品伙伴」。

下一步建议：

  1. 打开目标公司 JD，对照本文四大模块输出你的个性化备考权重图
  2. 选一个你熟悉的 AI 产品场景，完整手写一遍 RAG 与 Agent 设计图
  3. 找一位工程师搭档，这周完成 2 次全真模拟（一次 RAG 设计 + 一次 Agent 设计）

> 产品推荐：明嘉Johnny的简历操作系统 — 面向 PM/TPM/PGM 求职者的全周期简历与面试方法论。

Sources: bestpmjobs.com（Technical Interview for Product Managers 2026）、mianlingai.com（AI产品经理面试题与八股文汇总）、zhexuexi.com（郑国维 AI PM 面试准备手册 2026版）。来源标注的考点、框架、题库结构归属对应来源；教学示例、话术、冲刺清单、对比表为本文自编，不代表任何公司的真实评分表。