一句话总结
XPeng的AI产品经理不是在做车机功能，而是在做移动空间内的智能体。这个岗位要的不是懂车的人，而是能在物理世界部署推理链路的人。面试里你简历上写的“独立负责xx模块”不如你能说清楚一次模型延迟从800ms压到300ms的具体决策——前者是过去时，后者是这个岗位的现在进行时。
适合谁看
三类人应该读这篇文章。第一，你正在面XPeng的AI产品岗，或者准备投递，想知道面试桌上到底在发生什么。第二，你在大厂做AI产品（推荐、搜索、对话）但觉得软件层的天花板到了，想转进硬软一体赛道。第三，你在自动驾驶公司做产品，但你的工作更像项目管理和标注需求，你想知道自己离真正的AI产品决策者还差多远。
不适合谁看：你只是想了解XPeng的企业文化、福利、或者“值不值得去”——这篇文章不讨论这些。这篇文章只解决一个问题：这个岗位到底要什么样的人，以及面试怎么筛掉不合格的人。
XPeng AI产品经理到底做什么：不是做功能，而是做判断链
很多人以为XPeng的AI产品经理是在定义智能座舱的功能——比如“我们要不要做一个自动泊车后的车内模式切换”。不是。这个岗位的核心任务是定义AI系统的判断链：什么时候让模型自己做决策，什么时候把控制权交回给驾驶员或乘客，以及这个交接的时机、方式、和失败后的回退逻辑。
举个例子。2025年底XPeng推送的跨楼层记忆泊车，产品经理要决定的不是“要不要做这个功能”，而是当车辆在地库B2层失去GPS信号、视觉里程计出现累计误差、而超声波雷达检测到一个移动物体时，系统应该在哪个置信度阈值下继续执行、哪个阈值下暂停并请求人工接管。这个阈值不是工程师定的，是AI产品经理基于用户容忍度和安全边界算出来的。
如果你在面试里说“我跟工程师配合得很好”，面试官不会接话。但如果你说“我们当时把接管率从每百公里1.2次压到了0.7次，代价是平均每次泊车多了9秒的犹豫时间，但用户投诉下降了40%”——他会开始记笔记。
所以这个岗位的日常不是写PRD，而是在debrief会议室里回放接管日志。XPeng内部有一个机制叫“接管复盘会”，每周一次，AI产品经理、感知算法工程师、规控工程师、和测试负责人一起坐在屏幕前，逐帧看用户接管的那几秒钟发生了什么。
产品经理的角色不是解释“用户为什么接管”，而是判断“系统当时的决策逻辑是否合理”。比如有一次，一辆G9在珠海的情侣路上被一辆突然变道的摩托车触发紧急制动，接管数据显示系统在检测到摩托车后的380ms内做出了制动决策，但用户同时踩了刹车。
复盘会上，工程师认为系统反应已经够快，但AI产品经理指出：系统在检测到摩托车后的前200ms内做了一个“等待观察”的动作，因为模型对摩托车的轨迹预测置信度只有0.74，低于0.8的自动制动阈值。这个“等待观察”是工程师的逻辑——先确认再行动。
但产品经理的判断是：在横向距离小于1.5米、相对速度大于15km/h的场景下，即使置信度不够，也应该触发预警级别的减速，而不是什么都不做。这不是技术判断，这是产品判断。
这就是XPeng AI产品经理的真实工作内容：不是在定义功能清单，而是在定义AI系统在具体场景下的行为边界。你如果简历上写的都是“负责xx模块从0到1”，面试官只会礼貌点头。但如果你能讲出一个类似的阈值决策案例，你已经领先了80%的候选人。
> 📖 延伸阅读：XPengPM晋升时间线和评审标准深度解读2026
面试流程拆解：每一轮都在筛什么
XPeng的AI产品面试通常四到五轮，不是三三制。第一轮是简历深挖，但不是让你自我介绍，而是让你讲一个你做过的AI产品决策的完整故事。注意，是“决策”，不是“项目”。面试官会打断你，追问你在某一个节点的具体输入是什么、你当时有多少数据、你做的判断后来被证明是对的还是错的。
如果你说“后来数据验证了我的判断是对的”，他会问“那如果当时数据不支持你呢”。如果你说“我们AB测试了”，他会问“样本量够吗，置信度多少”。这不是刁难，这是这个岗位的日常——你的每一个决策都会在几周或几个月后被接管率、用户投诉、或事故报告验证。
第二轮是场景题，通常是自动驾驶或智能座舱的具体场景。比如：“车辆在高速上检测到前方200米有静止障碍物，但视觉和激光雷达的检测结果不一致——视觉认为是纸箱，激光雷达认为是硬物。系统应该怎么做？你现在作为产品经理，定义这个场景下的行为策略。
”这个题目没有标准答案。面试官在看你如何拆解不确定性：你会先问车速和天气吗？你会考虑误刹车的后果（后车追尾）和不刹车的后果（撞上去）之间的权衡吗？
你会怎么定义这个场景下的用户预期？你说“先减速再让用户接管”——不够。他会追问“减速到多少？给用户几秒接管时间？如果用户不接管呢？”这是这个岗位的核心能力：在信息不完整的情况下做出有逻辑的产品判断，并且能为这个判断负责。
第三轮是跨部门协作模拟。面试官会扮演一个感知算法工程师，告诉你“这个场景我们做不到，数据不够”。你的任务不是说服他，而是和他一起定义“什么情况下算做到”。比如他说“夜间雨天对静态异形障碍物的检测准确率只有82%”，你不能说“那能不能提升到95%”——这是废话。
你应该问：“82%对应的误检率和漏检率分别是多少？我们能不能把场景切得更细——比如只在有路灯的夜间雨天场景下开启自动紧急制动，全黑路段只报警不制动？”这是XPeng内部每天都在发生的对话。产品经理不是提需求的人，而是拆场景的人。
第四轮是Hiring Manager面，通常是高级产品总监或VP级别。这一轮不看你的具体技能，看你的判断力和价值观。他会问“你觉得自动驾驶应该先追求L3的法规合规还是先追求L4的用户体验”，或者“如果特斯拉的FSD在中国落地，你觉得XPeng的核心差异化应该是什么”。这些问题没有对错，但你需要有一个清晰的框架，而不是“我觉得两者都重要”。
这一轮最容易挂的人有两种：一种是过度迎合面试官，不断修改自己的观点；另一种是固守自己的观点，即使面试官给出了新的信息也不调整。正确的姿态是：有自己的判断框架，但展示出你在新信息下的推理过程。
第五轮可能是加面，通常是交叉面试或者其他部门的负责人。这一轮的存在本身就是一个信号：前四轮你的评价有分歧，需要另一个人来打破僵局。如果你到了这一轮，不要慌，但要认真对待——这意味着你前面某一轮的表现不够有说服力。
XPeng AI产品经理的薪资结构：base、RSU、和签字费怎么算
2026年的行情，XPeng AI产品经理的薪资分三个级别：P7、P8、P9。P7是3-5年经验的AI产品经理，base在35万-50万人民币之间，RSU是4年总计价值40万-80万人民币的股票（授予价按入职时股价，分4年归属，每年25%），签字费5万-10万人民币一次性发放。P7的总包在50万-85万之间。
P8是5-8年经验，有自动驾驶或AI产品落地经验，base在55万-75万，RSU 4年总计80万-150万，签字费10万-20万，总包在90万-160万。P9是8年以上，带过团队，有量产项目经验，base在80万-110万，RSU 4年总计150万-300万，签字费可能到30万，总包在150万-280万。
这些数字不是从招聘网站抄的，是从offer letter里总结的。注意几点：第一，XPeng的RSU是美元计价但在港股交易，汇率波动会影响实际到手价值。第二，RSU的4年归属是标准条款，但如果你在2年内离职，未归属的部分直接作废，不会有加速归属。
第三，签字费通常要求你在公司待满一年，如果不到一年离职需要按比例退还。第四，年终奖不算在总包里，按绩效发放，P7级别通常是2-4个月base。
还有一个隐形的薪酬因素：如果你从互联网大厂跳过来，你的base可能会降，但RSU的潜在增值空间更大。XPeng的股价波动很大，2024年最低点到2025年高点差了将近3倍。这意味着你的RSU实际价值可能在4年内翻倍，也可能腰斩。这是你需要在接offer前算清楚的风险。
> 📖 延伸阅读：XPengPM系统设计面试思路与真题解析2026
XPeng AI产品面试的评估维度：HC会议到底在争什么
XPeng的AI产品面试评估不是打分制，是讨论制。每一轮面试官在面试结束后24小时内写一段评语，扔进系统里。评语不是“推荐/不推荐”的勾选，而是一段具体描述：“候选人在场景题中展示了较强的拆解能力，能够把‘夜间雨天’拆解成‘有路灯’和‘无路灯’两个子场景分别定义策略。
但在被追问接管率的数据来源时，回答不够具体，可能缺乏量化决策的实战经验。”这段评语会被HC会议上的所有人看到。
HC会议通常在周四下午。参与的人包括Hiring Manager、前几轮的面试官、HRBP、以及可能的一位交叉面试官。会议的第一件事不是讨论候选人，而是对齐评估标准。HRBP会念一段岗位的核心能力要求，然后Hiring Manager会说“我们这轮重点看的是场景拆解能力和数据决策习惯，前几轮筛掉的人基本都是这两个维度不够”。然后开始一个个过候选人。
一个候选人在HC会议上被讨论的时间通常不超过15分钟。前5分钟是面试官们轮流说自己的评语，中间5分钟是Hiring Manager提问和追问，最后5分钟是做决定。决定不是投票，是Hiring Manager听完所有人的意见后拍板。
但Hiring Manager很少推翻面试官的一致意见——如果三个人都说“场景拆解能力不够”，他不会硬说够。他更可能做的是在意见分歧时做出判断：比如两个面试官说“很好”，一个说“一般”，他会仔细看说“一般”的那个人的评语里有没有具体例子。如果有，他会倾向于相信具体例子。
所以你在面试里的每一次回答，都可能成为HC会议上的具体例子。如果你回答得模糊，面试官在评语里写“候选人对数据不够敏感”，HC会议上没人能为你辩护。如果你回答得具体，即使你的观点有问题，面试官至少会写“候选人在xx场景下给出了具体的判断逻辑”，这已经是正面信号。XPeng的HC会议不是一个“选最优”的过程，而是一个“排除有风险”的过程。
面试官不是在找录取你的理由，而是在找不录取你的理由。你如果没被录取，往往不是因为你不够好，而是因为你在某一个问题上暴露了一个具体风险。这个风险可能你自己都没意识到。
准备清单
- 准备三个你亲手做过的AI产品决策案例，每个案例必须包含：场景、你手头的数据、你的判断逻辑、结果验证。不是项目总结，是决策复盘。如果你没有三个，这个岗位可能不适合现在的你。
- 把自动驾驶和智能座舱的基础技术栈梳理一遍：感知（视觉、激光雷达、毫米波雷达各自的优劣势）、定位（GPS/IMU/视觉里程计/高精地图）、规控（规则-based vs learning-based）、人机交互（接管机制、置信度显示、多模态交互）。你不用会写代码，但你得知道每个模块的输入输出和不确定性来源。
- 去B站看至少10个XPeng车主上传的真实接管视频，注意看每次接管的场景、时机、和车机的提示信息。然后自己试着判断：这个接管是系统主动发起的还是用户主动干预的？如果是系统发起的，原因是什么？如果是用户干预的，系统当时的行为合理吗？这个练习比你刷任何面经都有用。
- 练习“场景拆解”的面试技巧：拿到一个场景后，先定义关键变量（车速、天气、道路类型、周围交通参与者），再定义不同变量组合下的策略差异，最后定义边界条件（什么情况下系统不做任何动作）。系统性拆解面试结构（PM面试手册里有完整的自动驾驶场景题实战复盘可以参考）。
- 准备三个你曾经和算法工程师产生分歧并最终达成一致的真实案例。XPeng的面试官会直接问“你有没有和工程师吵过架”。不是考验你的沟通能力，而是考验你能否在技术约束下做出产品判断。
- 了解XPeng的产品矩阵和最新推送的功能：G6、G9、X9的定位差异，XNGP的城市覆盖率，端到端大模型的进展，以及2026年的产品路线图。不要在面试里问“你们现在用的是规则还是学习”——这个问题在公开信息里就有答案。
- 最后一条：准备好回答“你为什么选择XPeng而不是蔚来或理想”。你的答案不能是“因为XPeng的智驾更强”——这是粉丝逻辑。你应该说的是你对XPeng的产品策略和技术路线的判断，以及你认为自己能在哪个具体方向上做出贡献。
常见错误
错误一：把“用户需求”挂在嘴边，但给不出一个你拒绝过的用户需求。
BAD：“我做过用户调研，收集了200份问卷，提炼出5个核心需求，然后排了优先级。”面试官内心OS：这是用户研究员的工作，不是产品经理的决策。产品经理的决策是“这个需求我们不做，原因是……”。GOOD：“我们当时收到了大量用户反馈要求在泊车过程中增加一个‘暂停’按钮，让用户可以在泊车中途下车取东西。我拒绝了。
因为泊车过程中的状态机一旦被打断，恢复的复杂度不是加一个按钮能解决的——车辆的姿态、周围环境的变化、和用户在车外的安全风险都需要重新评估。我给出的替代方案是让用户在泊车开始前可以选择‘泊车后留出驾驶位空间’，这样覆盖了80%的场景，而不引入中途暂停的风险。”区别在于：前者在展示你收集需求的能力，后者在展示你做判断的能力。XPeng要的是后者。
错误二：在场景题里给出一个“完美方案”，而不承认方案的代价。
BAD：面试官问“高速上检测到静止障碍物怎么办”，你回答“系统应该提前500米就开始减速，同时通过HUD和语音提醒用户，如果用户不接管则自动变道避让。”面试官追问：“如果旁边车道有车呢？”你说“那就继续减速直到停在障碍物前。”面试官再问：“如果后面有大货车呢？”你卡住了。这个回答的问题是：你在追求一个覆盖所有情况的完美方案，但物理世界里没有完美方案。
GOOD：“首先定义场景优先级：高速场景下，追尾风险通常大于碰撞风险，所以我不倾向于急刹。如果视觉和激光雷达不一致，我会先判断哪个传感器的置信度更高——比如白天光线好，视觉置信度高，可能是真纸箱，轻刹或不刹；夜间或雨雾天，激光雷达更可信，可能是硬物，需要减速并提示用户。
如果用户不接管，系统会在距离障碍物50米时启动紧急制动，但这不是最优解，只是最不坏的解。这个策略的代价是：可能因为误刹车导致后车追尾，但相比撞上硬物导致乘员受伤，这个代价是可以接受的。”区别在于：前者在给“正确答案”，后者在展示你的权衡逻辑和代价意识。
错误三：简历上写“负责xx模型的迭代优化”，但说不出一次模型迭代后指标没涨的案例。
BAD：“我负责智能座舱的语音助手意图识别模型迭代，通过优化训练数据和调整模型结构，将意图识别的准确率从89%提升到93%。”面试官问：“有没有过迭代之后指标反而下降了？”你说“嗯……基本上每次迭代都有提升。
”这个回答直接判死刑。任何一个做过AI产品的人都知道，模型迭代不是一条向上的直线。GOOD：“我们有一次把意图识别的模型从BERT换成了更大的LLM，离线指标涨了4个百分点，但上线后用户投诉反而增加了。
原因是LLM的推理延迟比BERT多了300ms，在高频意图比如‘导航到xxx’上，用户已经习惯了秒回，突然变慢会让他们觉得系统卡了。我们最后回滚了，然后做了一个分流策略：高频简单意图用BERT，低频复杂意图用LLM。这个教训让我明白：AI产品的指标不在离线数据集上，在用户的真实体感里。
”区别在于：前者在展示你的成功，后者在展示你的反思。XPeng的面试官更在意后者，因为这个岗位的日常就是应对失败和不确定性。
FAQ
Q：XPeng的AI产品经理和互联网公司的AI产品经理有什么区别？
A：最大的区别是容错率。互联网AI产品——推荐系统、搜索、对话机器人——做错了用户可以刷一下屏、换一个query、或者关掉app。一辆车在高速上做错一个决策，后果不是用户流失，是事故。所以XPeng的AI产品经理需要建立一套“失败模式分析”的思维框架：每个功能上线前，你要穷举所有可能的失败场景，定义每种失败的最低可接受结果，然后反推系统的行为边界。
这不是互联网产品经理的习惯。举个例子，做语音助手的唤醒词，互联网公司的指标是唤醒率和误唤醒率，做错了用户骂一句。车上如果误唤醒导致车窗在暴雨中打开，或者语音指令被后排小孩误触发导致导航目的地被改掉，后果就严重得多。所以XPeng的AI产品经理不仅要定义功能的成功标准，还要定义功能的失败模式和安全回退——这是两个完全不同的技能树。
Q：没有汽车行业背景，能面XPeng的AI产品经理吗？
A：能，但你需要证明你的AI产品决策能力是可以跨领域迁移的。XPeng的面试官不会因为你没做过车就挂你，但他们会追问你更底层的东西：你如何定义不确定性？你如何在信息不完整时做决策？你如何衡量一个AI产品的用户体验？这些问题的答案和行业无关。
举个例子，一个做过电商推荐系统的候选人，如果能在面试里说清楚“当用户的实时行为和离线画像冲突时，我如何定义置信度切换的阈值”，他比一个在车企待了5年但只会写PRD的人更有竞争力。但前提是：你得花时间把汽车场景的约束条件搞明白。
物理世界的AI和数字世界的AI最大的区别是：数字世界你可以回滚，物理世界你不能。你如果不能展示出你对这个区别的理解，你的互联网经验反而是减分项——面试官会认为你用做推荐系统的思维来做自动驾驶，这很危险。
Q：XPeng AI产品经理的面试里，技术深度要到什么程度？
A：你不用写代码，但你必须能看懂模型输出的概率分布图。具体来说，你需要能理解：precision和recall在自动驾驶场景下的真实含义——误刹车和漏刹车哪个更不可接受？
你需要能看懂ROC曲线和PR曲线，并且知道在样本不均衡的情况下PR曲线比ROC更有意义——因为自动驾驶的异常场景本身就是稀疏的。你需要能理解“模型置信度”和“系统置信度”的区别——前者是模型输出的softmax值，后者是融合了传感器冗余、时序信息、和场景上下文之后的综合判断。
面试里如果有人问你“这个模型的AUC是多少”，你可以说“AUC是0.96，但在我们关心的低误检率区间（FPR<0.01），TPR只有0.72，这不够。”这个回答能让你通过技术深度这一关。如果你听不懂上面这段话，你需要补课。不是补编程，是补AI产品经理的基础素养——理解模型输出的不确定性，以及如何用产品手段管理这种不确定性。
准备好系统化备战PM面试了吗？
也可在 Gumroad 获取完整手册。