面试不是考你会什么，是考你怎么想

2026 年，AI 产品经理的面试变了味道。

两年前，面试官问你「什么是 RAG」「怎么写 Prompt」，答上来就过关——那是在筛知识储备。现在大家都会这些了，面试题反而更难了。难在题面越来越开放，标准答案越来越模糊。

我最近帮几个团队面了二十多个 AI PM 候选人，发现一个规律：挂掉的人，不是不懂 AI，是不懂怎么把 AI 知识转化为产品判断。他们能背概念，但一碰到开放题就慌——要么泛泛而谈没抓手，要么钻技术细节忘了产品视角。

面试官真正想看的，从来不是你的知识量，而是你的思考结构。下面拆五道高频题，每道都附上「送命答法」和「加分答法」，帮你看清题面背后筛的是什么能力。

第一题：「一个用户说 AI 回答得不好，你怎么排查？」

这道题人人都会遇到，但八成人答得像教科书。

送命答法：先查 Prompt 有没有问题，再看模型版本，然后看输入数据质量，最后做 A/B 测试。

这套答案错在哪？错在它是「工程师视角的排查清单」，不是「PM 视角的归因框架」。面试官想看的不是你会不会 debug，是你能不能区分问题的层次。

加分答法：先别急着查技术。第一步是搞清楚「不好」到底是哪种不好——是事实错误？是风格不符？是没答到点上？是太慢？是用户预期本来就不对？

这五种「不好」，对应的排查路径完全不同。事实错误查知识源和检索，风格不符查系统 Prompt 和示例，没答到点上查意图理解逻辑，太慢查工程链路，预期不对查 onboarding 和交互设计。

关键判断是：有多少比例的「不好」其实是「用户预期错位」，而不是 AI 真的差。我面过的人里，能主动提出「先区分是能力问题还是预期问题」的，不到两成。这一句就拉开了档次。

筛的是：问题归因能力。你是见 bug 就修，还是先判断 bug 属于哪一层。

第二题：「你要给一个 AI 客服设计「转人工」策略，怎么设计？」

这道题的陷阱在于，所有人都会答「识别用户情绪，情绪差就转」。但这是最浅的一层。

送命答法：用模型判断用户情绪，检测到愤怒或连续两次说「转人工」就触发转接。

这个答案的问题是把「转人工」当成了一个二值开关——转或不转。但真实的客服场景里，转人工是一个有成本的决策：人工坐席是稀缺资源，转早了浪费人力，转晚了用户已经流失。

加分答法：先定义「什么情况必须转」。我把它拆成三类触发条件——

第一类是能力边界触发：用户问的内容超出 AI 的知识范围（比如具体订单的售后政策细节），AI 不该硬答，该转。

第二类是情绪阈值触发：但不是简单判情绪，而是看「情绪 + 反复」的组合。用户急躁一次可能是正常反应，连续三轮情绪升级才是真信号。

第三类是高风险场景触发：涉及退款、投诉、法律风险的话题，不管 AI 能不能答，都该转。这是合规要求，不是体验决策。

更关键的一步：转的时候要不要把上下文一起传给人工？如果人工一接进来还要问一遍「请问您的问题是什么」，用户会更愤怒。所以「转人工」不是终点，「带上下文转人工」才是。

最后别忘了反向思考：转人工之后，这些 case 要回流成 AI 的训练数据。今天转了的，明天能不能不转？这才是闭环。

筛的是：系统设计能力。你能不能在「体验」「成本」「合规」三个约束之间做权衡，而不是只盯着一个维度。

第三题：「大模型的输出不稳定，你怎么从产品层面解决？」

这道题最能区分「技术思维」和「产品思维」的候选人。

送命答法：调 temperature 参数、加 few-shot examples、用结构化输出约束格式、做后处理校验。

这些都没错，但全是「工程层」的答案。面试官听完会觉得：这人适合做工程师，不像 PM。

加分答法：先承认一个现实——模型的不稳定性是客观存在的，产品层不可能完全消除它，但可以「管理」它对用户的影响。然后分三层谈：

第一层是降低不稳定的发生概率。工程手段（调参、few-shot）属于这层，但 PM 能做的不止于此。比如限制输入——与其让用户自由输入然后祈祷模型理解对，不如用结构化表单收集关键信息，把「理解歧义」的风险在前端就消解掉。

第二层是让不稳定变得可接受。如果输出可能不对，让用户有机会发现并修正。具体做法是：把 AI 的输出做成「可编辑的草稿」而非「最终结果」，把关键数字标注来源，让用户一眼能核实。这在产品里叫「可逆性设计」——错了能改，伤害就小。

第三层是把不稳定变成特性。有些场景下，多样性恰恰是用户想要的。让 AI 写文案，每次都一样反而不好。这时候不该追求稳定，该设计「一键生成五个版本让用户挑」的交互。

面试官听到第三层，基本就知道这个人有产品判断力，不是只会套工程模板。

筛的是：产品化能力。你是把不确定性当 bug 去消灭，还是当约束去设计。

第四题：「一个 AI 功能上线后 DAU 涨了，但留存没动，怎么看？」

这是典型的数据归因题，考的是你能不能穿透指标看本质。

送命答法：DAU 涨了说明拉新有效，留存没动说明功能本身没让用户留下来，需要优化功能体验提升留存。

听起来合理，但太表面了。这个答案假设了「DAU 涨」和「留存没动」是两件独立的事，没有追问它们之间的关联。

加分答法：先拆 DAU 涨的原因。是新用户多了？还是老用户活跃度提升了？如果是新用户多，那要看新用户质量——是不是被营销噱头吸引来的「尝鲜用户」，这批人本来留存就低，会拉低整体留存率。

这时候「留存没动」可能不是坏事——在大量低质量新用户涌入的情况下，整体留存没掉，说明老用户的留存其实在涨。你得分层看，不能看大盘。

更深的追问：这些新用户是冲着 AI 功能来的，还是冲着别的来的？如果是营销活动拉来的，活动停了 DAU 就会回落，这时候「留存没动」反而暴露了 AI 功能没有独立的留存价值。

PM 要给的结论不是「需要提升留存」，而是「先拆清楚留存没动是因为功能没留住人，还是因为用户结构变了。前者改功能，后者改拉新策略」。这是两个完全不同的行动方向。

筛的是：数据分析的深度。你是看指标做反应，还是拆指标找原因。

第五题：「给你半年时间，从零做一个 AI 产品，你会怎么规划？」

这是开放题里的开放题，没有标准答案，但有标准的思考框架。

送命答法：先做用户调研，然后定义需求，再设计原型，开发上线后看数据迭代。

这是标准的产品流程，所有人都知道，答了等于没答。面试官想看的是：在 AI 这个特殊领域，你的规划有什么不一样。

加分答法：核心差异在第一步。传统产品调研问的是「用户痛点是什么」，AI 产品调研要多问一句——「这个痛点，AI 能不能比现有方案好十倍」。

好一倍没用，用户不会为了好一点切换成本。好十倍才有机会。所以 AI 产品的第一步不是调研需求，是判断「AI 在这个场景的能力拐点到了没有」。如果模型能力还不够，做了也是半成品，不如等。

第二步也不是急着做原型，而是先定一个「能力基准线」——用最简陋的方式（甚至纯 Prompt）跑通核心场景，看 AI 的原始输出能不能过及格线。如果及格线都过不了，说明选错场景了，后面再怎么设计都救不回来。

第三步才是做产品。但 AI 产品的 MVP 和传统不一样——传统 MVP 验证的是「用户要不要用」，AI MVP 还要验证「AI 在真实数据上稳不稳」。所以 MVP 阶段必须接入真实用户数据跑，不能拿测试数据自嗨。

最后一步是定「成功的标准」。AI 产品的早期不该看 DAU 或留存，该看「任务完成率」——用户让 AI 做的事，做成了没有。这是最诚实的指标，不会被拉新数据掩盖问题。

筛的是：战略判断力。你能不能在不确定性中做出「先做什么、不做什么」的取舍。

透过五道题，看面试官真正在筛什么

拆完五道题，你会发现一个共同点：每道题的「送命答法」都是教科书式的正确，但都停留在「执行层」。而「加分答法」的共同特征是——先判断属于哪个层次的问题，再决定怎么解决。

这正是 AI PM 和普通 PM 的核心区别。普通 PM 的工作是「把需求做好」，AI PM 的工作多了一层——「先判断这个需求该不该用 AI 做、AI 能做到什么程度、做不到的部分怎么兜底」。

面试官不是在考你知不知道 AI 的一切，而是在考你面对 AI 的不确定性时，能不能做出有结构的判断。知识可以补，判断力很难速成。

所以备战 AI PM 面试，与其背更多概念，不如练一个习惯：每遇到一个问题，先问自己「这件事的本质是哪一类问题」，再想答案。这个习惯练多了，面试时自然能接住开放题。

结语

面试是一场有规则的博弈。规则不是「答对越多越好」，而是「让面试官看到你的思考过程比答案本身更值钱」。

送命答法的问题不是「错」，是「太对」——对到没有信息量，面试官分不出你和下一个人有什么区别。加分答法之所以加分，不是因为观点多新颖，是因为它展示了你的拆解路径，让面试官看到你的脑子是怎么转的。

AI 时代的产品没有标准答案，AI 时代的面试也一样。能证明你适合这个岗位的，从来不是你知道什么，而是你怎么想。

行动建议：拿这五道题，找朋友模拟面试一遍，全程录音。然后回放，只听自己「分析问题」的那几段——你是在套模板，还是在拆解问题结构？如果发现自己倾向于前者，别急着背更多知识点，先练「拆题」这一个动作。这个动作练好了，比背一百个概念管用。