在阿里做了6年策略产品，面试过的候选人少说上百个。面得越多就越发现一个规律，那就是大部分人的面试准备方向，从一开始就错了。不是说你技术不好，也不是你经验不够。而是你以为面试在考A，其实面试官在看B。今天从面试官视角来看策略PM的面试，聊聊一面、二面、三面，面试官真正看重的是什么。一面：你以为在考技术，其实面试官在看你怎么定义问题一面通常是你团队中的peers，或者是你的师兄。也是和你未来一起干活的人。很多候选人准备一面的方式是：刷AB测试题、背推荐系统架构、准备指标体系拆解。这些都没错，但这只是门槛。我印象很深的一个候选人，技术功底相当扎实。推荐系统的召回、粗排、精排、重排讲得头头是道，AB测...

双非本科，靠着字节、百度、蔚来三段实习一路撑到春招，到现在才真正认清现实。一封封感谢信砸过来，慢慢明白，学历和学校带来的门槛，远比几段光鲜实习要重得多。最让人无力的，莫过于拼尽全力刷实习、攒经历，最后却连一个入场机会都换不来，那种落差感真的太磨人。总自以为是地觉得，有大厂实习就够了，一定能挤进心仪的公司，可现实一次又一次把幻想击碎。现在的我，早已没了春招初期的锐气，只剩下满心的迷茫和惆怅。不知道是该坦然接受现实，还是继续抱着不切实际的期待，在大厂的梦里不肯醒。

一、概述与全链路 RAG（检索增强生成）：用户提问 → 检索知识库相关片段 → 注入 Prompt → LLM 基于真实数据生成。解决知识截止、幻觉、无法访问私有数据。 Naive RAG（检索-拼接-生成）→ Advanced RAG（Query 改写、混合检索、Rerank）→ Modular RAG（可插拔模块、Agent 动态决策） 文档 → Chunking → Embedding → 向量数据库 用户查询 → Query改写 → 向量化 → 混合检索 → Rerank → Prompt → LLM生成  二、文档处理（Chunking + Metadata） 切分策略    策略 ...