腾讯云AI 产品一面实习岗面经

1. LLM 的基本原理、Diffusion 模型和 RAG 技术分别解决什么问题？​

•

解答思路： 忌讳长篇大论背公式，要用“一句话通俗解释机制 + 它在业务上能干嘛”的结构。​

•

答案：​

◦

LLM（大语言模型）： 它的基本原理是“文字接龙”，通过海量数据预测下一个最可能出现的词。业务上，它主要解决通用文本的理解、逻辑推理和生成问题。​

◦

Diffusion（扩散模型）： 原理是“加噪再去噪”，把一张清晰的图打碎成像素雪花，再让 AI 学会怎么把它还原。它主要解决高质量图像和视频的生成问题，比如 Midjourney 的文生图。​

◦

RAG（检索增强生成）： 相当于给大模型“开卷考试”。业务上，它直接解决了大模型的“幻觉问题”和“知识滞后问题”，让我们不用花天价重新训练模型，就能让 AI 回答基于企业私有知识库的精准问题。​

2. 微调和提示词工程有什么区别？在什么情况下会优先选择其中一种？​

•

解答思路： 重点从“成本 ROI”和“对模型的改造程度”来区分。​

•

答案：​

◦

区别： 提示词工程是“教模型怎么做”，不改变模型底层的权重，成本极低；微调是“改变模型的大脑”，通过注入特定领域的数据调整参数，成本较高。​

◦

优先选择 Prompt 的场景： 项目早期快速验证 MVP、通用型任务、或者仅仅是做意图识别时。这是最高优且最廉价的手段。​

◦

优先选择微调的场景： 当 Prompt 已经写到了几千字，模型还是无法稳定输出极度垂直的专业黑话，或者无法稳定输出特定格式的 JSON 代码时。为了降低单次调用的 Token 成本并提升稳定性，我会果断推进微调。​

3. 如何处理大模型的幻觉问题？​

•

解答思路： 展现体系化思维，从工程、架构、交互三个层面立体防御。​

•

答案：​

◦

工程层面： 坚决引入 RAG，把业务线最核心的真实语料喂给系统，强制模型“基于给定参考资料回答”。​

◦

架构层面： 引入 Agent 的开发逻辑，比如在生成答案前加一个“自我反思（Reflection）”的节点，或者用多 Agent 互相辩论、交叉验证，压制错误输出。​

◦

产品交互层面： 在 UI 上做兜底。给 AI 生成的内容带上溯源角标（引用来源），并在关键决策按钮旁提示“AI 内容仅供参考”，把最终确认权交给用户。​

4. 设计一款 AI + 场景的产品，需要说明用户痛点、核心功能以及功能优先级。​

•

解答思路： 挑一个你最熟悉、最有体感的领域。这里以你非常熟悉的“AI 辅导与面试准备”场景为例。​

•

答案：​

◦

场景： AI 产品经理沉浸式模拟面试 Agent。​

◦

用户痛点： 市面上的面经太泛，缺乏针对个人简历的深度“拷打”；真人模拟面试成本太高、难以随时预约。​

◦

核心功能： 简历一键解析与考点生成；拟真语音连麦对战（支持随时打断）；面试后的多维度评分与高分话术重写。​

◦

功能优先级： P0 是核心的“文本问答对调优与话术生成”（跑通底层 Prompt 逻辑）；P1 是“语音连麦交互”（提升沉浸感）；P2 是“多维度评分与报表生成”。​

5. AIGC 在金融或教育等垂直领域有哪些应用案例？​

•

解答思路： 挑一个领域深挖，展示行业视野。​

•

答案：​

◦

以教育领域为例，目前应用非常深。首先是个性化 AI 助教（像 Khanmigo），它不是直接给答案，而是用苏格拉底式的启发提问引导学生思考；其次是语言学习，AI 可以模拟不同场景（海关、餐厅）的真实人物进行口语对练；最后是教师端的提效，一键生成教案、根据评分标准自动批改作业等。核心都是在做“优质教育资源的普惠”。​

6. 如何将用户反馈转化为 AI 产品需求？可以结合一个具体案例说明。​

•

解答思路： 强调 AI 产品的数据驱动（Bad Case 分析），而不是简单的“用户要什么就加什么按钮”。​

•

答案：​

◦

传统 PM 是把反馈转成功能，AI PM 是把反馈转成 “Eval（评估数据集）”。​

◦

案例： 比如用户反馈“生成的文案太像机器写的，不好用”。我不会直接去找开发说“优化模型”。我会把用户不满意的 100 条历史数据（Bad Case）拉出来，分析后发现是缺乏特定的情绪价值。接着，我会把这转变为一个优化需求：在 System Prompt 中加入具体的行业爆款模板样例（Few-shot），或者给算法同学提微调需求，最终用一套打分系统来验证新的输出是否解决了“AI 味”的痛点。​

7. 需求优先级通常如何排序？是否使用过 KANO 模型或四象限法则？​

•

解答思路： 肯定传统方法论，但一定要加入 AI 时代的特殊考量变量（技术可行性与算力成本）。​

•

答案：​

◦

我都使用过。对于通用产品，四象限法则（重要紧急）和 KANO 模型（基本型、期望型、兴奋型需求）是极好的梳理工具。​

◦

但作为 AI PM，我在排优先级时一定会加入一个额外的重要维度：“大模型能力的边界与算力成本”。如果一个需求在 KANO 模型里是兴奋型需求，但在目前的模型推理能力下极容易产生幻觉，且单次 Token 消耗极高（ROI 为负），我依然会把它降级或者砍掉。AI 产品的优先级必须是“业务价值”与“技术确定性”的平衡。​

8. 对比国内大模型产品，比如 Kimi、DeepSeek、通义千问，它们在定位上有什么差异？​

•

解答思路： 精准贴标签，展现对国内大模型圈生态的熟悉度。​

•

答案：​

◦

Kimi（月之暗面）： 核心定位是“长文本处理王牌”。它的 C 端心智极其清晰，就是打透知识工作者、研究员处理超长财报和文档的痛点。​

◦

DeepSeek（深度求索）： 定位是“技术极客与极致性价比”。它的代码和数学能力在国内属于顶尖，且 API 定价极度击穿行业底线，对开发者和 B 端企业做二次开发极其友好。​

9. 分析一款 AI 工具，比如 Cursor 或通义听悟，你觉得它成功的原因是什么？​

•

解答思路： 结合你对 AI 代码工具的深入了解，拆解 Cursor 的成功逻辑。​

•

答案：​

◦

我认为 Cursor 的成功是“AI 交互范式的教科书级胜利”。​

◦

以前的 AI 编程（比如早期的 Copilot）只是做“代码补全”，或者在旁边开个聊天框，研发还要自己复制粘贴。Cursor 的成功在于它彻底融入了开发者的工作流：它实现了代码库的全局检索交互，以及颠覆性的 Composer（意图编程/Vibe Coding）功能。它让用户真正实现了用自然语言指挥全局代码修改。它深刻理解了“AI 不该只是一个挂件，而应该接管整个环境的上下文”。​

10. 如果需要为非目标用户设计产品，你通常会如何处理？​

•

解答思路： 这是一个考察产品策略灵活性的边界问题。核心是“降低门槛，渐进式暴露”。​

•

答案：​

◦

如果战略上必须为非目标用户（比如让小白用户使用硬核的 AI 效率工具）设计产品，我的核心策略是“渐进式暴露”与“白板化交互”。​

◦

非目标用户最怕复杂的参数（如 Temperature 调节、系统指令撰写）。我会把界面做到极简，类似搜索框的体验，把所有复杂的 Prompt 组装、Agent 工作流调度全部藏在后端。对于这部分用户，提供“一键式”的场景模板卡片，让他们能以零学习成本获得“Aha Moment”。当他们成长为深度用户后，再通过折叠菜单开放高级设置功能。​

​