vivo 互联网应用AI产品经理 一面面经

原文（来源：牛客网，作者：Arancia_Arancione，门头沟学院）：二面 业务面 40min1. 自我介绍2. 本硕专业都和AI没啥关系，为啥想当AI产品经理?3. 谈一下对AI产品经理这个岗位的理解，以及它对应的职责4. 你觉得AI产品经理需要具备哪些技能5. 谈下对人工智能未来发展趋势的看法6. 你有多段实习经历，你觉得对你来说成长最大或者收获最大的是哪段?7. 介绍一下在小米的实习8. 你说到会通过策略调整来提升大模型，是什么策略?怎么调整的?展开讲下9. 小米这段的大模型数据评测10. 评测的核心指标是什么?怎么得到的?11. 这段实习中，你遇到的最大的挑战or困难是啥?怎么解决的?12. 再讲一下Minimax的这段实习13. 讲下数据标注的工作14. prompt方面做了什么具体的内容?15. 谈一下深度学习这块的原理，例如卷积神经网络、强化学习等，原理+应用场景16. 有监督学习和无监督学习的区别是啥?17. 假设我们现在有一个需求，需要找一个合适的模型来进行解决。现在市面上有很多模型，我们要怎么去选择?或者说怎么验证某个模型就是能够达到我们的预期的?市面上常见的大模型有哪些───1. 17道题40分钟——理想的「剥洋葱」追问战术理想二面问题数是百度、vivo的3-4倍，时间相同。面试策略是「快速下钻，触及边界」——每题约2分钟窗口，立刻追问下一层。靠背诵的答案撑不过三轮追问。面试官要的不是完美答案，是认知边界在哪。2. Q8-Q10连续追问链暴露了面试的真实目的Q8「什么策略」→ Q9「评测怎么做」→ Q10「核心指标是什么、怎么得到」。从方法论→实操→量化的下钻路径。如果实习经历真实深度参与，Q10能直接报出指标和获取方式；如果是包装的，到Q9就开始含糊。面试官用这个链精确测量实习深度。3. Q15「谈一下深度学习原理」——AI PM面试的技术边界测试考的不是有没有ML学位，是能不能用产品经理的语言讲清楚技术原理。合格回答用类比：CNN像滑动窗口扫描图片，强化学习像训狗。不合格要么背教科书定义（不懂跟非技术人员沟通），要么完全答不上来（跟算法工程师沟通成本极高）。4. Q17「如何验证模型达到预期」——区分AI PM和传统PM的终极问题传统PM验证「功能有没有按PRD做出来」；AI PM验证「模型在不完全可控的情况下能不能稳定输出期望结果」。高分框架：验证维度（准确率/召回率/延迟/成本）→ 评测集（正常+边界+对抗Case）→ A/B方案 → 上线标准。

分享点真干货，希望对大家有所帮助！   面试加分项：能把一个概念"故事化、简洁地"讲出来，才算真懂；能背出定义只是表面记忆。  1. 大模型基础概念    概念 一句话理解 产品/面试角度     AGI 通用人工智能 像人一样无需专门训练就能跨场景完成复杂智力任务 当前大模型本质是"下一个词的统计预测"，离 AGI 仍有本质差距   LLM 大语言模型 基于 Transformer、海量文本训练的自回归模型 两阶段：预训练定能力上限，后训练定能否稳定服务用户   Foundation Model 基础模型 完成通用预训练、可作各类应用底座的模型 关键判...

给我面没招了，发点面经攒攒人品～1.实习拷打2.你做的这个AI项目一共有多少人参与?3.团队里是怎么分工的?你本人具体负责什么?4.如果让你回头评价，你在这个项目里最大的贡献是什么?5.XX项目重来一次的话，你会做什么不同的事情?6.XX项目用的basemodel是什么?为什么选择这个模型?7.如果问题出在XX环节，你会怎么继续拆分原因?8.badcase归因之后，怎么推动后续优化?9.最近Agent相关产品很多，你用过哪些?比较熟的是哪个?10.ClaudeCode和其他Agent产品相比有什么差异?

📋 原文实录（一面 + 二面）岗位： AI 产品经理 | 面试官背景： Boss直聘 AI 面试产品线───Q1：AI 面试产品的现状与差距面试官介绍：国内目前没有比我们做得更好的 AI 面试产品，但仍处于灰度验证阶段。与国外产品相比，差距主要体现在语音交互的自然度和 AI 面试官的专业程度上。当前很多所谓「AI 面试」产品（如德贤、海纳）更像是标准化考试（固定题目、收集答案），而非真实面试场景的还原。Q2：AI 面试的核心方向聚焦两个方向——• 能力方向：高度还原真实面试场景；提升 AI 面试官的出题能力、评价能力、技术稳定性。• 业务价值方向：To C 帮助求职者押题、锻炼技能、缓解紧张；To B 更高效、低成本、定制化地收集候选人信息，实现人岗精准匹配。Q3：AI 面试的天花板在哪？AI 能否完全决定录用？面试官回应：如果仅把 AI 面试当作筛选节点，确实有天花板。但若视为人才匹配工具，天花板极高——即使某人不适合 PM 岗，AI 可基于其特质推荐律师岗位并直接对接律所。核心不是「刷人」，是发现人的潜力。真正的瓶颈可能不是技术，而是信任问题——企业是否愿意让 AI 做最终录用决策。Q4：对 AI 安全有何理解？AI 红队具体如何开展工作？原题。考察模型攻防、安全性评估标准及红队测试流程。Q5：如何理解「幻觉」？上下文工程如何处理幻觉？原题。考察 RAG、Prompt 约束等技术手段，以及实际业务场景中的防幻觉策略。Q6：Agent 运行中，ReAct 模式如何解决无限循环？原题。与记忆机制、工具调用准确率及信息利用率有关。受限于上下文窗口，需研究如何检测并跳出循环。Q7：App 消亡论与硬件终端面试官讨论：App 从「给人看」到「给 Agent 用」。深层：安全与信任？商业模式重构（注意力经济→算法贿赂）？终端演变：AI 眼镜更轻巧更直接，但视线阻碍与侵入性。必须亲自买 AI 眼镜体验才能形成有说服力的判断。Q8：面试官给的认知检验标准• 卡壳即不懂——说不清楚 = 认知不清晰。能用两句简单话把复杂事说明白，才叫真懂。