AI产品经理面试问题整理

HuDie340

155人浏览 · 2026-04-24 10:39:19

HuDie340 · 2026-04-24 10:39:19 发布

问题

1.通用问题

自我介绍
为什么想做AI产品
介绍做过的产品
产品经理需要哪些能力是开发不具备的
你觉得产品经理最重要的3个特质是什么？
搭建wolkflow的经验
写prd/mrd/原型图的经历
vibe coding经历
b端产品和c端产品有什么区别，你更倾向于
复盘能力，做了某项工作，但是后面发现换种方式做可能会更好？举个例子。（划重点：这里面试官想考察的是你的复盘能力，也是做产品必备的重要能力之一，可以在每段实习或项目中准备一个这样的问题，以免被问到时大脑一片空白）
遇到过最大困难
模型选型
这些模型底层的算法逻辑吗？
总结出来的需求点有哪些？对应的解决方案是什么？
在协调组员的时候，有没有遇到过困难？举个例子？
未来规划，你对未来的职业发展是怎么规划的？岗位？公司？城市？
反问
部门业务现在面临的难点是什么？如果我加入？您希望我能做些什么来攻克这个难点？ - 部门业务是to b还是to c - 面试结果什么时候出？（这里面试官了解到我对京东的意愿很强，还追问了两个问题：1.为什么对京东的意愿这么强 2.想去的公司TOP3）
我们的业务偏向B端，跟你说的追求提升用户体验，你觉得有什么异同？
如果衡量你做的智能体的优劣？
最近有用过什么觉得很好用的 AI 产品吗？好用在哪儿？
有对比过这个产品的竞品吗？
产品的效果/产出
你觉得最成功的想法是哪个？介绍一下。挑一段最有成就感的项目（以前我会按照star法则来回答，但面多了发现激发面试官兴趣最重要）回答思路： - 为什么值得讲？（创新的玩法？突破了困境？对自身而言提升最大？）+首先抛出项目结论+需求背景（详细讲：需求如何产生，产生之后如何进行指标异动归因分析，提出了什么策略/产品方案）+简单讲方案 +如何进行效果评估
优点和缺点

2.技术问题

在你会的编程语言里，你分别用不同的编程语言做哪些工作？
python：数据分析，开发
java：开发
c++：开发，量化
数据分析，SQL题一道，查询30天内上线超过5天的用户id A/B实验，t检验、z检验，参数检验、非参数检验 talking环节。。。。。
lora的几种训练方式
机器学习、神经网络、深度学习
人工智能
└─ 机器学习
└─ 神经网络
└─ 深度学习（深层神经网络）
机器学习：机器学习是人工智能的一个子领域，研究如何让计算机从数据中自动学习模式，并用学到的模式对未见过的数据进行预测或决策，而不是通过显式编程来完成特定任务。
神经网络：模型：描述输入到输出的映射结构（如线性模型、决策树、神经网络）
学习准则：损失函数（如均方误差、交叉熵）；优化算法：如何更新模型参数（如梯度下降）
区别：传统机器学习常依赖人工设计特征（例如图像里的SIFT、文本的TF‑IDF（词频-逆文档频率）），再将特征喂给SVM（支持向量机，本质是一个二分类器）等模型。而深层神经网络能够自动从原始数据中学习层次化特征：底层识别边缘，中层识别部件，高层识别整体对象。这种端到端的特征提取能力，是深度学习区别于传统机器学习的关键。
传统机器学习：先由人类专家设计特征（完全依靠人类的知识和经验），再把这些特征喂给一个分类/回归模型。
传统机器学习模型：它们本身不关心特征是怎么来的，只负责从给定的特征向量中学习映射规律。特征好不好，直接决定了模型性能的上限。
SVM（支持向量机）：本质是一个二分类器，目标是在特征空间中找到一个最优的超平面，把两类数据分开，并让离超平面最近的点（支持向量）到平面的距离最大化。
逻辑回归：在线性组合特征后套一个 Sigmoid 函数，输出类别概率，简单高效。
决策树 / 随机森林：基于特征阈值不断分裂节点来分类，能自动处理特征交互，对特征尺度不敏感。
K近邻（KNN）：看特征空间中最近的几个邻居，投票决定类别。
朴素贝叶斯：基于贝叶斯定理，假设特征之间条件独立，在文本分类中很常用。
神经网络：
受生物神经元连接启发，由“节点（神经元）”和“权重连接”组成的计算模型。它是机器学习的一种具体模型/算法。
深度学习：
特指使用多层次（深层）神经网络进行学习的机器学习分支。通过堆叠多个隐藏层，自动提取从低级到高级的特征。
评测体系是如何搭建的你们评测的数据集是如何获得的
你的评测体系是？如果衡量你做的智能体的优劣？
评测出问题如何排查优化？