掌握什么AI技能，会为你的求职大大加分

大致回忆下，给各位牛u一个参考，不区分公司了，我是测试/测开方向的，被问到AI主要也是实习的时候有使用到相关平台1.AI有使用过吗？2.模型幻觉如何解决？你提到使用rag检索本地知识集，召回率你有关注过吗3.RAG，functioncall，mcp了解么，简单说下说说原理4.有过微调经验吗？5.有对比使用过不同的模型吗？各个模型的优缺点有了解过吗6.模型澄清是什么？AI如何解析dom树？AI无法解决的有兜底方案吗7.有没有使用Ai coding帮助自己开发之类的8.有做过模型效果评测吗？9.Agent是什么10.websocket和sse区别是什么11.你觉得从哪些方面可以引入AI来帮助我们测试人员开发一个测试工具12.用AI生成测试用例,覆盖率不全怎么办13.如何设计出一个高质量的prompt14.针对AI生成的结果你会如何进行测试？对于AI回答的准确性要怎么测试15.playwright mcp了解吗16.大模型对于一些图片/文字的识别度不高，会出现幻觉问题，可能会导致生成的测试用例不够全面，给我讲讲你们是如何克服这个问题的感觉现在所有公司都要懂AI的人了不过就秋招面试体验来说，问的都是一些比较宽泛的问题，并不很难

“如果想要去ai相关的岗位实习，需要先学习什么内容，可以给个学习路线吗（比如先要学习什么做基础然后学到什么程度之类）。”这是很多同学想了解的问题,我浅谈一下自己的学习路线，仅供参考。阶段一：打好地基 🧱Python编程：重点掌握核心语法、数据结构和面向对象（OOP）思想。目标：能熟练使用Python解决问题，至少刷完LeetCode简单和中等难度的题目。数学基础：理解高数、线性代数、概率论的核心思想。目标：不要求背公式，但要懂原理。阶段二：迈入核心 🧠机器学习基础：学习监督/无监督学习、分类、回归等经典理论。目标：熟练掌握NumPy、Pandas、Scikit-learn这“三件套”，能独立完成一个简单项目深度学习入门：理解神经网络（NN）、CNN、RNN等核心概念。目标：推荐PyTorch框架，并能搭建一些小项目。阶段三：垂直深耕 🚀针对心仪岗位（以AI Agent为例）针对学习，了解相关岗位需求大语言模型 (LLM) 基础：核心是理解Transformer模型原理并学会如何调用GPT等大模型的API。Prompt Engineering：学习如何写出高质量的提示词，让LLM精准理解你的意图Agent开发框架：重点学习LangChain或LlamaIndex。目标：能用框架调用LLM、连接外部知识库或工具，并搭建一个简单的应用阶段四：动手实践 💻项目是简历的敲门砖！ 可以利用前几个阶段学习的内容写一个小项目，将代码上传到GitHub，并写一份清晰的README文档，可以成为你面试时的Demo。可能很多时候一开始摸着石头过河会有点迷茫，但最重要的是一定要多动手、多实践

在最近经历的数十场前端面试中，我发现一个非常明显的趋势：面试中关于 AI 相关的问题越来越多了，问的问题有深有浅。确实，在当下这个 AI 的时代，前端面试中频繁出现 AI 相关的问题也是可预见的。那么，作为一名前端开发，我们应该怎么在面试前准备 AI 相关问题，以防被问得哑口无言呢？经过最近这么多场面试，我总结出几大类 AI 相关问题，在这里分享出来，希望能帮助大家提前准备、更好地应对面试：一、常用工具与实践经验常见问题：平时的工作中是怎么使用 AI 的、主要用来做什么；怎么更高效地利用 AI 工具如何准备：（1）这不算什么难题，诚实作答即可。不要杜撰自己不熟悉的场景，以防弄巧成拙。（2）结合具体使用场景进行回答，能更好地体现自己对 AI 的熟悉程度。（3）分享使用经验之余，最好能体现自己对 AI 的一些深入思考。比如，在平时使用中发现目前 AI 还有哪些痛点无法解决、怎么设计 prompt 能得到更准确的结果等等。二、AI 技术相关概念常见问题：前端面试中不会问得特别深入，但是很多基础概念需要弄清楚：Model、Agent、RAG、MCP、Vibe Coding、Function Calling 等等。如何准备：提前将 AI 技术涉及的概念都弄清楚即可。我上面列举的是一些基本的概念，大家可以自行拓展了解其他概念。务必要弄清楚不同概念之间的区别与联系。三、AI 的相关实现原理（和前端相关的部分）常见问题：流式数据交互、MCP Server 怎么传递数据如何准备：提前去掘金搜索、学习吧，这些原理掘金上都有相关的介绍。以上就是我面试中的一点心得。如果大家还有什么疑问的话，欢迎后台私信我，大家一起探讨、一起进步。

如果你想要走算法工程师或者数据挖掘，机器学习工程师又或者AI工程师，大模型，自然语言处理这条路，那完全可以照着学：1️⃣. 先学python和机器学习python是编程语言，是算法实现的基础，现在学长用的比较多的也是python，熟能生巧，用多就好了，把python的几个数据分析库学会numpy，pandas，matplotlib, scipy和seaborn。机器学习部分学习逻辑回归，支持向量机，随机森林，线性回归，xgboost，GBDT，决策树，HMM，朴素贝叶斯差不多就可以了。这一部分尽量做一些项目来提升自己的代码能力和项目思维✅2️⃣. 其次学pytorch和深度学习入门pytorch教程大家可以去b站看刘二大人和小土堆的教程，看完你真的会发现pytorch框架真的不难，深度学习入门学长看的是李沐的动手学深度学习，把CNN，RNN，GNN，LSTM，GRU，GAN都学一遍，这样子就算是深度学习入门了，这些算法是基础，以后学习各个方向都🈶可能用到。李沐老师的课可能会有点难懂，可以结合李宏毅老师的来看，看个两遍有种豁然开朗的感觉3️⃣. 然后学自己感兴趣的方向当做由于研究生阶段用的图神经网络和时间序列类模型比较多，所以学习了GCN，ConvGRU，ConvLSTM，Transformer，注意力机制, GAT。在学习Transformer的时候发现很多教程都没有讲透，这里建议Dasou➕李沐➕教AI的陶老师➕王树森，这几个博主的视频看完之后感觉对Transformer以及Bert都有了比较深的理解。学长后期主要是关注自然语言处理和大模型方向了，所以word2vec，n-gram等算法也学习了，llm算法部分的内容也很多，也一直在学习，但感觉这一块还不太熟悉就不给大家介绍了，现在的多模态大模型也很火，这些都值得去研究。大家还是要知道自己想要做什么，真的建议去深挖一个方向，而不是蜻蜓点水✅可能还有一些来不及介绍，但学完上面的内容，完全可以找到一个AI工程师的实习，可以在工作中去体验和加强自己的学习

以下内容非常适合0基础学AI，就业方向是AI产品经理的同学学习从入门到精通，我为你规划了完整的初级阶段学习路线1. Andrej Karpathy的油管科普作入门非常合适。一共两期比较值得精看：《Deep dive into LLMs like ChatGPT》《Intro to Large Language Models》这两个看下来对0基础的人来讲，足够对大模型这东西有个大概的框架了。不会让你入门即入土。3个小时的视频，啃下来我保证你收获颇丰。2. 书籍推荐两本，一本“这就是ChatGPT”Wolfram写的，0基础入门阶段就能看懂。还有一本《大模型算法》余昌叶的，工具书，非常贴业务，基本囊括面试热重点。3. 🍠和某站经常刷到一个号叫“林木”的。他的内容我觉得特别贴近职场，他的和AI相关内容非常贴近大多数互联网的业务。他自己本身也是面试官，所以给到的一些AI面试会考察的东西应该算是可靠的。适合整理思路，包括规范自己平时业务的一些方向。4. 吴恩达主理的网站deeplearning.ai的基本所有AI课程，机器学习，深度学习，NLP等有时间都可以看。很多不是他本人讲的，我觉得也很好，思路很清晰。觉得学起来慢的，有一个技巧，你可以把课程大纲全喂给gpt，让他解释给你听提速，但是可靠性需自检。5. 最后就是加餐AI播客了，油管或者apple podcast都有：干货向：Anthropic，IBM Technology。行业大佬访谈类：Lenny’s Podcast, Y-combinator, Dwarkesh 投资类：Training Data, Unsupervised learning.路径：先用书和卡帕西的视频作兴趣入门，再用林木的内容或者其他国内大厂博主的内容（⚠️注意甄别）去记录互联网对AI PM的要求，然后用教材（deeplearning.ai）对每一个要求进单点突破。按结果导向去学。比如AI PM重要考察的一个点是Rag相关知识，那么就去网上看Rag的教材，最好这个知识渠道是有一定专业从业者背书的，或者直接一些大学的教材。

我其实是刚开始学没多久，在尝试coding之前只搓过一点非常非常简单的小项目。最近幸运的接到一些ai产品的面邀，所以想给正在起步学ai的文科生们一些心得！我之前的实习和ai的关系都不大，但前段时间和隔壁组做ai的产品哥聊了一下，他建议：1️⃣概念上，了解比如幻觉，RAG的流程、语言模型的本质（预测概率）这种2️⃣能力上，了解大模型擅长做哪些任务，又不擅长做哪些；主流的大模型各自擅长什么…3️⃣应用上，可以自己做点简单的小应用，或者至少也要体验一下主流的ai工具比如coze cursor claude目前我也搓过一点很简单的项目，eg用deepseek搭了个人项目知识库，用coze搭了一个面试辅助agent，做了一个健身打卡app，相关的教程我都是在公开平台看的网课，可以给大家参考一下！1️⃣火山引擎的《ai大模型全场景实战课》一共有8节，每节课1h左右，有prompt工程、怎么做一个ai陪伴应用这种偏实践的部分，也有字节系模型的一些能力介绍（我觉得了解ai在不同场景下的能力边界也是一种很重要的sense！毕竟我们首先需要了解这些工具到底擅长做什么，才能更好的使用他们！）因为整体都是业内的人来讲，所以感觉比起学校的课程，这种会更贴近真实的应用场景一些！2️⃣陶炜博士的《Vibe Coding氛围编程》这个是清华沈阳团队的ai公开课，主打的就是给文科生的编程课！里面用到的工具是很熟悉的deepseek和pycharm，整体感觉就很像老师带着你手把手做结课作业一样…从理论背景，到实操案例，包括代码和给d老师的提示词都有，流程很细，感觉蛮适合小白来学习和尝试的！其他的话我感觉刚开始学的小白不用看太难的，可以看看coze或者sora的教程。小选的精选公开课里有专门for AI的栏目，分为专业理论、前沿应用和ai工具。除了上面这种权威团队的实操课，还有高校的人工智能理论课，和个人创作者的一些实操课（我搭个人知识库的项目也是跟着这里面学的），感觉也是比较全面且对文科生友好滴！

我自己是985本英专在读，从大二下学期开始接触AI，大四的时候秋招成功拿到了三家大厂的AI产品经理offer。相信大部分同学和我一样，在刚开始学习AI相关知识的时候，一直在犹豫是否要从代码开始，学c语言、学Python，陷入了似乎只有学计算机才能懂AI的困境。其实直到现在，不借助任何工具，我自己也不能成功写出超过10行代码，但我可以在几小时内利用各种AI工具vibe出一个软件产品出来。转行AI，不会写代码其实真没事，关键是你是否具备这些AI技能！工具应用层（最基础，必须会）能用AI工具完成实际任务，比如用VibeCoding工具（Cursor、ClaudeCode等）把产品idea跑通，用Gemini/Claude做信息拆解、文档撰写、竞品分析等。技术认知层（不用会做，但要听得懂）理解主流AI技术的原理和边界，比如大模型是怎么工作的、agent的底层逻辑是什么、RAG和fine-tuning的区别在哪。不需要手写代码，但要能和技术团队对话，判断一个需求技术上是否可行。产品能力层（核心竞争力）懂用户需求、会拆解产品逻辑、能写清晰的PRD，这些是传统PM能力，但在AI产品里需要叠加对AI能力边界的判断——知道哪些场景适合用AI解决，哪些不适合。行业认知层（持续积累）保持对AI行业动态的敏感度，了解主流模型、工具、竞品的最新进展。当然，在日常看到一些AI资讯的时候，少不了接触各种晦涩难懂的技术术语。我的方法就是碰到一个不懂的直接丢给gemini让他讲，直到自己看明白，一点点日积月累，就能慢慢掌握“技术”的理解。

从字节离职创业后，我的工作方式彻底变了。我们 90% 以上的代码都是 AI 生成的。主力工具是 Claude Code，也会用 Cursor、Gemini、Codex——不同工具各有强项，我经常让它们互相 review 代码。成本：Claude $200/月套餐，实际 Token 消耗价值超过 $1000/月。对比一个初级工程师的月薪，AI 用 1/10 成本完成了 90% 编码。但 AI 写代码不等于不需要工程师。编码时间压缩了 95%，但设计和测试反而增加了。总效率提升约 5 倍。AI 还不擅长架构设计，也缺乏业务上下文。单元测试不够，必须端到端测试——AI 代码单个函数没问题，串起来容易出 Bug。Spotify 工程师不写代码上了热搜，但这在我创业日常里早就是现实了。

分享一下我平时常用的prompt，不过比较简短，因为我是叠叠乐prompt型。简而言之，就是用大模型prompt结果a，然后增删后的b拿去prompt，生成结果c，这可能才是可以用的部分。并不可能一步到位，需要喂给大模型太多细节啦。👉用户场景假如我是要xxx的客户，请根据附件思维导图，梳理出作为用户，会出现的所有可能xx场景。👉逻辑梳理假如我是一个资深的xx产品经理，我需要给xx功能进行设计：描述一下流程(a☞b☞c)请输出实现方案👉设计页面假如你是一位资深的xx产品经理，请根据以下业务逻辑/上述图片的业务逻辑，设计移动端/平台端需要多少个页面，请输出对应的具体原型设计及交互逻辑。xx可以帮你定位不同产品类型，逻辑是你需要喂给大模型的具体情况，交互逻辑的介入可以帮你更好生成符合正常实际情况的原型。👉异常情况策略请针对以下方案涉及的异常情况给出对应的解决办法假如我是一位资深的xx产品经理，我需要根据以下异常xx场景，逐一给出针对异常xx的应对策略。所以是先有全面的异常情况，才会给你输出解决办法☞撰写prd类型首先为了生成不是假大空，你需要把原型的细节喂给大模型，然后再去生成其他的内容。假如我说一位资深的产品经理，请给我撰写需求说明书的以下部分：1.产品概述2.产品目标3.操作环境4.产品风险5.名词解释6.功能列表7.场景描述👉流程图同理，首先需要你撰写出来整个产品的涉及原型页面的功能点和交互逻辑，这样子再喂给大模型生成的流程图才不容易跑偏。假如你是一位资深的产品经理，请根据上述内容绘制用户交互流程图/产品流程图。

浅谈一下，个人理解跑路互联网几大岗位学习路径🎇非技术岗产品+运营：业务八股，主要是实习，办公软件使用，软实力更多一点，学历和实习其中产品需要：prd，原型图，sql入门就行，主要是查询语句，几个小时的速成即可，excel的vlookup等，从0-1入门产品经理的网课，运营需要：主要还是偏软实力的运营相关课程数分：sql（黑马，python，bi画图工具+业务八股，ab实验之类的，也是主要是实习，学历和实习 40hAi产品：python，pytorch，机器学习，深度学习理论与实战，大模型相关基础知识，transform架构和知识，业务知识 学历和实习 60h风控策略：s数分的技能点还要对应的信贷的业务知识背景 学历和实习🔧技术岗：学习门槛比较少的搜广推，python，pytorch，spark，机器学习+深度学习，小土堆，李沐，吴恩达，李宏毅，王树森推荐系统，kaggle项目， 学历和实习 80h风控算法，python，机器学习和深度学习，相关业务知识和项目 80h数开数仓：java，python，linux，sql，这些是基础的，进阶的：hadoop，hive，spark，kafka，flink，zookeep，数仓建模理论，阿里大数据，bi，tb可视化，几个项目，尚硅谷或者黑马，可选的：redis，hbase，monggodb 200h大模型应用开发：python，java，机器学习深度学习，rag，mcp，agent，langchain，langgraph，大模型微调 150h大模型算法：学历实习论文，python，机器学习和深度学习，nlp，损失函数、数据处理，预训练，大模型结果评估，监督微调sft，人类偏好对齐rlhf，高效微调lora等，强化学习，经典的大模型架构，例如gpt，qwen，创新的架构，框架应用，性能优化deepseed，模型量化，检索增强rag，agent，其他：模型压缩，技术报告 300h （校招故事会）核心精简版：python，机器学习和深度学习，llm的前置知识和理论，transformer，预训练的知识，tokenization，rope，归一化，flashattention，后训练，sft，lora微调，rlhf，rag，agent数据科学数据挖掘：低配版算法，sql，python，机器学习和深度学习，业务知识开发大类（含前后端测试）：暂未整理全部都是：一两个项目，学历，专业尽量对口，跨专业也可以，主要看实习，大模型这一块还看论文，八股，有代码的还要准备手搓代码，力扣hot100，然后刷实习

现在市面上title是AI产品经理的岗位很多，也有很多title不是AI产品经理但工作内容和AI产品经理相关的，所以我浅浅总结梳理下现状～给想找工作的朋友们一个参考。1.大模型（基座模型）Title不一定是AI产品经理，可能是大模型产品运营、大模型策略产品经理等等。JD一般是和算法团队、数据标注团队协作，运用pe手段提供高质量数据、大模型测评、制定模型策略等等。数据形式有文本的，也有多模态的。据我观察，大模型方向的AI产品经理未来可能会把传统pm的角色砍掉，由产运承担pm的职责。另外，如果是负责AI数字人的话（律师、咨询师、客服、分身等）title也可能是AI对话/内容生成方向，JD内容也多是提供高质量数据、评估模型效果。2.行业+AI产品经理Title一般是AI产品经理。挖掘llm在物流、跨境电商、金融、法律等行业中的应用场景，达到降本增效的目的。需要负责AI功能的创新与优化、市场分析、用户需求调研、推广、项目管理等工作。需了解大模型底层原理、agent、workflow、pe等知识。这种是我个人觉得最有前景的方向了。3.产品+AI功能Title也是AI产品经理，但是负责内容不涉及模型调优部分，和传统的产品经理区别不大，主要负责产品中的AI功能的交互设计、项目管理等。传统PM可以尝试下，毕竟对AI部分要求不高，更多还是要求会画原型图、写PRD之类的。大致分为以上三类，欢迎各位牛油补充。最近的行情不太好，出来找工作的人很多，僧多粥少，很多人面试了几家也没有什么好的offer。别灰心，没有offer不代表你不优秀，更可能是因为经验不匹配。多找几家，好事多磨，总会遇见适合自己的

AI产品经理面试该怎么准备？今天把我平时面试候选人时，最常问的4类核心问题和面试中比较好的回答分享给你们。其实我一直觉得，面试AI产品经理，底层还是看能力匹配度，但作为面试官，我问的每道题都有明确考察目的。今天分享的这4类题，就是我筛选候选人的核心标准，把这些摸透，你面试时就能精准踩中得分点！一、通用基础题（考察岗位匹配度）我一般会问自我介绍、优缺点，还有最后让你反问我。这里说个印象深的案例：有个候选人自我介绍全是泛泛而谈，没提一句和AI产品相关的经历，这就是典型的差回答；但有些同学则会主动聚焦，比如会说“我之前参与过AI客服的需求梳理，重点负责数据标注的需求对接”，一下子就戳中了我的关注点。所以这类题不用复杂，重点是结合AI岗位特点做针对性准备。二、AI项目落地全流程题（核心考察项）这是我最看重的一类题，必问的是“你有没有完整跟进过AI项目？从需求到上线迭代，每一步你都做了什么？”我记得有一个同学的回答就很好，他能清晰拆解“先和算法团队对齐需求边界，再协调数据团队准备训练数据，模型上线后通过A/B测试优化阈值”，细节拉满，当场就加分了。这部分是核心差距点，一定要实打实准备。三、潜力题（考察行业敏感度）我常问“最近用过哪些AI工具？说说你对GPT和Claude的区别理解”。有个同学只说过用ChatGPT写文案，再问模型区别就说不上来，这就是潜力不足的表现；但如果在面试的过程中不仅能说清两款模型的定位差异，还能结合自己用Claude做长文档总结的体验，分析出它的上下文理解优势，这种对行业的敏感度就很加分。平时一定要多体验、多思考，别只停留在表面使用。四、宏观认知题（考察行业格局）我一般会问“你怎么看AI产品的商业化难点？” 有个同学能结合具体案例，说“比如To B端的AI产品，客户对效果预期和实际落地有差距，而且数据安全问题会影响付费决策”，还能给出自己的解决思路，这种有深度的认知就很亮眼。这类题考察的是你的行业格局，一定要结合案例多思考，别空谈理论。总结：这4类就是我面试AI产品经理的核心题库：通用基础题看匹配度，项目全流程题看实操力，潜力题看敏感度，认知题看格局。

秋招结束，前前后后面试了30多场，已经get3个大厂AI产品意向，还有3-4个在最后一轮流程中，算是积累了一些AI产品面试的方法论，分享给大家我最常被问的一个问题以及我的答案。【你觉得什么是一个好的AI产品？举例说明】第一，顺应基座模型，将壁垒建立在“上下文工程”上。目前市面上绝大多数AI应用，本质都是“基座大模型+上下文工程”的“套壳”产品。在模型能力本身无法自研超越的情况下，产品的真正价值在于如何获取并利用足够丰富的上下文。例如，AI会议纪要产品，如果能获取整个会议的完整音视频和参与者的笔记作为上下文，生成纪要的效果就会非常出色，相关产品有【Granola】【Plaud】。同时，这也是为什么硬件产品Looki让我觉得惊艳，它通过长时间记录用户第一视角的生活场景，为下游的视频剪辑、记忆辅助等服务提供了最丰富的上下文，这是它核心的逻辑。第二，打造真正有效“human-in-the-loop”，将产品无缝嵌入用户的工作流或生活流。一个好的AI产品不是要完全取代人，而是成为高效的协作者。现在很多产品的问题就在于，它们游离在用户已有的工作流之外，比如我作为一个学生和产品经理，日常的调研、写作、学习等任务，用Gemini或GPT在不同窗口间切换复制粘贴就能完成，现有的垂直应用并没有真正打通“端到端”的流程，无法让我形成付费依赖。第三，对时机Timing有精准的判断。一个好的产品不仅要看市场需求，也要认清技术边界。不能在错误的时间做正确的事，过于前卫的想法往往会失败。Cursor就是一个很好的例子，它在AIcoding这个赛道还未像今天这样火热时就已经入局，建立了先发优势，现在其他公司再想做一个同样的IDE，时机和成本都已不同。目前市面上很少有让我愿意付费的AI产品，不付费又何谈“好”。大部分所谓的AI功能，尤其是在一些成熟的大厂产品里，更像是“为了AI而AI”，并没有从核心商业指标或用户痛点出发。相比之下，我认为真正好的产品，要么像基座大模型一样，成为不可或缺的基础设施；要么像我提到的Looki那样，通过创新的软硬结合方式，在“上下文工程”上做到极致。

为了帮团队里的小伙伴更好地发展成为AI工程师，整理了一份我认为必备的技能清单，分享给大家～RAG系统搭建✅ LlamaIndex 框架熟练使用✅ 向量化模型选型（去HuggingFace MTEB榜单找）✅ 文档切片策略设计✅ 向量索引原理掌握（如HNSW算法✅ 向量数据库实战（Milvus/Weaviate二选一）多Agent编排能力✅ LangGraph工作流设计✅ SSE协议实现实时交互大模型原理（必须懂！）✅ Transformer架构深度理解✅ 跟着 CS336 系统学习✅ 手撸过 Karpathy的mini-GPT✅ LoRA/QLoRA原理能讲清楚✅ SFT、GRPO训练方法✅ 量化技术原理模型微调实战✅ PEFT库熟练使用✅ llamafactory一键微调✅ WandB实验追踪模型部署优化✅ vLLM高性能推理效果评估体系✅ 传统指标（BLEU/ROUGE）✅ LLM-as-judge设计✅ 人工评估流程搭建LLMOps工程化✅ 模型版本管理✅ A/B测试框架搭建✅ 效果实时监控系统我的建议：不要贪多！基础不牢地动山摇～加分项：• 有过从0到1搭建AI系统的经验• 踩过坑并有解决方案沉淀• 能用简单语言讲清楚复杂原理你们觉得还有什么必备技能？评论区见！

能转AI就转AI，传统JAVA没前途的

虽然岗位JD一般看起来都挺宏大的，但真实的实习日常其实更多是琐碎和重复的工作。这些基础工作，可能也能够帮助新人更好地理解了AI产品的底层逻辑。最近看到很多同学求职都想往AI方向走，今天就来聊聊我的AI产品实习生的日常在干什么，欢迎对照参考模型评测：最容易上手的工作✔ 外部模型评测：每当 OpenAI、Google、字节等头部公司发布新模型，我们团队会安排实习生对这些模型做初步评估✔ 内部模型评测：对自研模型的版本迭代，评测会更细致（比如对特定能力做细粒度拆解）🧠 这部分工作虽然“体力活”居多，但非常适合快速熟悉大模型能力的边界，是入门AI产品的第一课AI产品体验&调研在这项工作里，我们往往要求实习生输出文档/分析表格。我安排调研过的方向有：AI agent相关的产品：如AI搜索的perplexity、秘塔；浏览器产品genspark等等AI陪伴：如星野、猫箱、EVE等，看它们最近的新功能（比如对话记忆、人格设定），还会看用户舆论反馈、App Store/小红书/微博评论等产品调研最后往往要落成一个文档，重点在于：总结共性+提炼启发+对自家产品的参考建议数据标注模型训练需要高质量数据，很多时候你会参与一些小规模的数据标注工作：比如标注用户query的意图分类、判断一段模型生成内容是否符合prompt要求。和算法同学一起协作，有时候也需要你写清楚标注规范、整理excel表格。虽然量不大，但数据质量直接决定了模型效果，所以这其实是很锻炼细心和产品sense的工作。Prompt 工程实践：AI产品核心技能之一现在越来越多AI产品都依赖prompt来驱动智能逻辑，实习生常被分配去写一些具体模块：比如一个AI伴侣产品需要实现“早安问候”，你需要写prompt让模型根据不同用户状态生成不同风格的问候语。写完还需要配合做A/B评测、准备评测集，看不同prompt方案下效果是否稳定、是否可控。总结一下：我的AI实习生们日常大概率会围绕这四件事展开：模型评测 → 产品调研 → 数据标注 → Prompt调优它不像传统产品那样做完整PRD/功能落地，而是更多和模型能力深度绑定。

27双非备战暑期实习,目前一个黑马点评项目,一个鱼皮的智能云图库,感觉有点水,想把其中一个换成agent项目还想补一些微服务的技术栈,大家有什么推荐的项目吗

大家可以看一下

最近两周学会的：了解什么是 benchmark，怎么做测评集数据。写 prompt 给模型生成的答案打分。学会了怎么排查一些基础的agent bug。看用户负反馈，先看调用链路，再看输入输出，最后怀疑人生。记录一些新思考：1️⃣ 别怕问问题首先摸清楚究竟应该做什么，哪些事情的优先级更高。如果搞不清楚可以问 mentor，了解具体情况。把一些基础的概念理清楚，后续会少犯错。可以在便签上记一下哪些业务找哪些负责人，这样协作起来会更高效。还有一个 i 人地狱的行为，就是我发现如果协作方没回消息可以直接去他座位上找他，沟通效果会更好。啊啊啊啊我虽然是 e 人，但是这种场合真的会变成 i 人。2️⃣ 建立术语词典把每天听到的新词记下来，不用追求技术深度，但要理解业务含义。比如虽然不懂搜索调用了哪些技术，但要清楚为什么这么做。最近发现一些反馈是用户觉得搜索时效性差，反推逻辑是：模型不能在每次用户提问的时候都开搜索，这样会浪费一些算力资源，所以需要在前置开个意图判断的小模型预判用户问题需不需要搜索，简单问题直接让大模型回答，只有涉及实时信息、专业知识或不确定内容时才调用昂贵的搜索功能，节省搜索成本，并且提高回答速度。后续可以记录这些 case 做优化。3️⃣写 bug 日记每遇到一个bug，不要只满足于解决，要记录下来：现象是什么、原因是什么、排查路径是什么、怎么避免的。有相似情况就不用找开发去再排查，一些简单的 case 也能自己 debug。4️⃣找到自己的价值刚开始会感觉有些无法融入，周围人说话有点像听天书。全是做技术的，做模型产品运营和功能产品运营不太一样。公司的产品就是模型，所以很多事情就是在做模型本身的优化，要学很多东西。后面也逐渐觉得，虽然文科生没有技术背景，但是也能做用户洞察，做创意策划。保持对人的好奇、对故事的敏感、对体验细节的执着，这些也是很稀缺的能力。0经验的同学可以试试先做一段普通产品运营岗慢慢转。找那种急招或者招人比较多的实习；还有一种方法是在传统业务中做一些 AI 工作，在简历里强调这段经历。