马凯强 · 面试背诵稿（从上到下背 · 2026）

块 1 · 120 秒自我介绍（必背 · 可直接念 · 对齐简历）

核心速记开场 · 14年ToB · Java出身 · 求职AI PM · 广州；

大家好，我叫马凯强，在广州，14 年 ToB 产品经验，Java 开发工程师出身，求职 AI 产品经理，期望在广州发展。

核心速记2025 前做数字化（ERP/OA，24→35 家，100% 使用率）；

2012 到 2025 年 4 月，我主导 业财一体化 ERP、移动 OA、财税知识付费 等 10 多款 集团级产品从 0 到 1，擅长复杂流程、数据治理和跨系统集成，带过团队；在金不换支撑分公司从 24 家扩张至 35 家，集团约 六百人、系统使用率 100%——这段是 数字化项目，不是 AI 项目。

核心速记2025 后国能 · Dify · 6 Agent · 编排/Prompt/评测；

2025 年 5 月到 2026 年 2 月，我在金安尚科技驻场国能肇庆，基于 Dify 从 0 搭了 6 款集团级 AI Agent——制度 RAG 问答、人事 NL2SQL 查数、培训出题、隐患分类派单、缺陷闭环跟踪。

我主要负责需求拆解、工作流编排、Prompt 工程、Bad Case 复盘和效果评估。

上线后主要看三类结果：制度/人事咨询自助化率 100%，人工咨询 降约 70%，准确率 ≥95%；数据查询从小时级到秒级，成功率 ≥95%；隐患分类准确率 ≥95%，并且 人工确认后再生效。

核心速记2026 双项目 · 简历 0-1（需求+39页+后台）+ 财税 Coze 客服；

2026 年 2 月 国能交付离职后，我同时在推两个项目。一个是 C 端 AI 简历优化，从 0 做起：先梳理用户场景和主路径，然后写成 PRD，最后设计了 39 页小程序原型和运营后台，整条链路都齐了；用户大概 15 分钟 能从摸底走到导出简历，我自己用 Cursor 把主路径跑通验证过。另一个是 财税代理记账客服，我是在 Coze 上搭的：业务咨询走 RAG，查进度走 HTTP 对接业务系统；常见问题 Agent 自动解答，减少一线销售重复解释。

核心速记收尾 · 对研发对指标权限日志 · 日志可追；

跟研发对指标、权限、日志，这块我比较熟——上线后出了问题，日志也能追得回去。谢谢。

口径口径（心里记住，不必念出来）：自我介绍不说年龄（简历/登记表有即可，被问到用下方「年龄偏大」追问答）；2025.05 前 只讲 ERP/OA/数字化；2025.05 起 才讲 LLM/Agent。名词不懂（FAQ、Chunk、ChatBI…）→ 先查 附12 人话词典，再回项目举例。

块 2-1 · Agent 长期记忆 / Agent Memory（必背）

问法：「你们 Agent 有记忆吗？」「如果要跨会话记住用户，你怎么做？」

【扫一遍 · 四层概念（面试口述只背下面三层版）】

概念上可分工作/短期/中期/长期四层；上场只念下方「三层版」，别跟面试官堆四层名词。

核心速记口述 · 三层（会话/业务库/偏好）；四层仅查阅；

【必背 · 2 分钟 · 面试主力答法（ToB + 国能实线）】

💬 你可以这样答

核心速记总述 · 三层 · 不让模型「记住用户一切」；

我一般把 Agent 记忆分成 三层，不会一上来就让大模型「记住用户一切」。下面我分三块说清楚。

核心速记①会话内 · N 轮 + 槽位（工号/部门/工单）；

1. 第一块 · 会话内记忆：这一轮对话里用户说了什么、查到哪一步。做法是 保留最近 N 轮 + 关键槽位（工号、部门、时间范围、工单号）。人事 NL2SQL、缺陷跟踪 主要用这套，够应对连续追问。

核心速记②业务库 · 查工单不脑记 · 可审计 · 国能未上跨会话长期记忆；

1. 第二块 · 业务库记忆（ToB 我默认推这个）：不让模型「脑记」业务数据，而是 按用户 ID / 工号查业务库——工单状态、考勤结果都这么拿。更准、可审计、好做权限。国能 跨会话长期记忆没上线，主要是 隐私、等保、审计；用业务库替代，用户该查到的还是能查到。

核心速记③偏好 · 记什么/不记什么/多久/怎么用 · Profile+评测；

1. 第三块 · 用户偏好（跨会话才需要）：比如默认查近 30 天、喜欢表格展示——这才单独存 User Profile。产品设计时我先定四件事：记什么（只记偏好）、不记什么（薪资/处分等敏感原文）、记多久（过期删、用户可导出删除）、怎么用（检索片段注入 Prompt，不塞全量聊天记录）。研发做表结构和加密，我出 PRD：字段、授权、兜底话术、评估指标。

核心速记收尾 · 国能合规未上第三层 · 可小范围试点；

效果怎么看：用户是否少重复说一遍、任务成功率是否提升；还要看 误记率、隐私投诉——记错了比没有更伤。

国能因合规 没上第三块；若贵司要做，我会从 小范围试点 开始，比如只记「默认查询时间范围」，验证后再扩。

块 2-2 · MCP（必背）

问法：「了解 MCP 吗？」「我们工具很多，怎么接 Agent？」

💬 你可以这样答

核心速记定义 · MCP=大模型接工具的「统一插座」；

MCP（Model Context Protocol）可以理解成 大模型接外部工具的「统一插座」——数据库、HTTP、文件都用同一套协议接进来，换平台时工具不用重写一遍。

核心速记国能 · Dify 工具节点 · 职责同 MCP（Schema/权限/审计）；

国能现场我实际怎么做的：主要用 Dify 工具节点、HTTP 插件、代码节点，没以 MCP 名义上线，但职责一样——定 Agent 能调哪些工具、入参出参 Schema、超时重试、权限和审计。

核心速记PM 五件事 · 清单/说明书/编排/监控/安全；

若贵司要上 MCP，我作为 AI PM 一般会盯五件事：

1. 工具清单：哪些给 Agent 用，哪些不给（最小权限）
2. 每个工具的说明书：干什么、失败怎么提示、要不要用户确认
3. 和编排怎么接：Dify/自研框架里 MCP Server 怎么注册
4. 监控与 Bad Case：哪个工具失败最多、延迟怎么样
5. 安全兜底：敏感操作必须 人工确认 或二次鉴权

核心速记收尾 · 未主导 MCP 选型 · 6 Agent 编排做过 · 方法论相通；

我 还没在生产环境主导 MCP 选型，但 6 个 Agent 的工具编排、降级、复盘我都做过；迁到 MCP 主要是 协议层变化，产品上要盯的还是这五件事。入职后我会先熟悉贵司规范，选一条业务线试点。

面试说「介绍一个项目」→ 优先 3-2 人事 NL2SQL + 3-3 制度 RAG（国能主力）；3-4 财税 备选题。先读 块 3-1 总框架 认骨架，再背下面三个项目正文。

块 3-1 · 复杂 AI 项目怎么讲清楚？（总框架 · 思路对照）

下面 3-2～3-4 三个项目已按本表写好——先扫本表约 5 分钟认骨架，再背项目正文；不必自己从零套框架。

简历 0-1、国能多 Agent 对照见 附11。

统一结构（= 块 3-2～3-4 每题标题）：

练法（面试导向 · 主路径）：

与块 4 衔接：练完 3-2 做 NL2SQL（13～20）；练完 3-3 做 RAG（1～12）。

急救（可选）：若 3-2 钩子 第一天卡壳，先用 3-4 钩子 练 10 分钟找开口节奏，再回 3-2 整套——仅入门用，不是主路径。

块 3-2 · 企业人事智能查询 · NL2SQL（2025.11—2026.02）⭐ 建议主力

核心速记钩子 · 员工查人事慢 · NL2SQL 秒级 · 70降/95准；

块 3-3 · RAG 制度智能问答（2025.08—2026.02）⭐ 建议主力

核心速记钩子 · 查制度慢易错 · RAG 零编造 · 95准/70降；

块 3-4 · 财税代理记账智能客服（Coze · 2026.02—至今）⭐ 2026 备选一

核心速记钩子 · 财税重复答报价/进度 · Coze 三路分流 · 六大类 FAQ；

格式见文首「本稿格式」：粗体=题号 · 正文=要背的口语 · 斜体=不用背

建议练习顺序（和块 2、3 最贴）： ① 二、NL2SQL（13～20） → 接块 3-2 人事 ② 一、RAG（1～12） → 接块 3-3 制度 ③ 三、Agent（21～35） → 接块 2 Agent 记忆/MCP ④ 再练 四、Prompt（35+ · 36～45） · 五、通用（46～55） · 六、工具简历（56～60） 不必 61 题全文背诵，每次大声答 10 题即可；35+ 与 Prompt 类一起练。

两个 AI 项目别混：国能是 6 款 ToB Agent；AI 简历优化是离职后独立 0-1。 本类统一答法：每题先 答（标准口语）→ 口诀（浅绿底速记）→ 被追问再看 【可能被追问】（项目举例 / 附3·附11 深答 · 不抢在第一句说完）。

本类统一答法：每题先 答（2～4 句完整口语，面试直接说）→ 口诀（浅绿底速记 · 不念给面试官）。

附13 · AI 产品方法论（评测 / Harness / Agent 评估 · 单独考）

什么时候用本节：面试官 不聊具体项目，而问「AI PM 方法论」「怎么做评测」「Harness 用过吗」「Agent 怎么评估」「RAG 指标有哪些」——直接用本节，再挂国能 / 简历 / 财税。 和块 4 / 附3 分工：块 4 = 快答 60 题 + 35+ Bad Case（61 张闪卡）；附3 = 技术词长答；附13 = 方法论框架 + 行业名词 + 何时用哪套（看完能当场选用）。

会不会问 React？ AI PM 岗 偶发浅问（和前端怎么协作、小程序什么栈）——扫下面 30 秒即可，不要跟前端工程师拼 Hooks / 性能优化。深考属于 前端岗。

问：你们前端什么栈？AI PM 写什么？

答（30 秒）：

简历项目正式上线是 Taro + React，一套代码 出 H5 和小程序。我做的是 0-1 产品侧：39 页 HTML 原型 + 运营后台 + 每页 dev-spec（界面文案、接口字段、验收 ⑧），研发按 研发接手-第一天.md 拆页接 API。和前端分工是：我 定流程、状态、空态、双端 Toast 差异；组件实现、性能、工程化 在前端 Owner。React 我 能读能验收，不当主交付码农。

以下 不用按顺序全文背（附13 已在上方块 5 顺读过）。面试前 30 分钟扫 附9 考前清单；被问到再翻 附2 定位题、附3 技术词、附11 抖音补题。

附1 · 面试地图（一场面试四段话用哪一块）

附2 · 定位类 6 题

附3 · 技术词查阅（17 个）

用法：面试官 点名某个词 时用本章；若他说「讲讲你做的制度问答」，直接去 第五章 G，别整章背。 结构：什么时候答（不用背）→ 正文（要背的口语）→ 结合项目（有则背）→ 常见追问（被追问再看）。 面试官不懂英文时：先说「就是……」人话，再讲项目里哪一步，别只堆 RAG、HITL 等缩写。 名词第一次没听懂：先翻 附12 人话词典（FAQ、Chunk、ChatBI… 各带 1～2 个你项目里的例子），再回 附3 深答。 项目别混：国能 = 6 款 ToB Agent（文本）；AI 简历优化 = 独立 0-1（含 OCR/多模态）；财税客服 = Coze 工作流（意图+RAG+HTTP）。

附4 · 设计题 10 问（块2已背 1～2，其余查阅）

这类题 HR 和业务都会问：「我们将来要做 XXX，你会怎么设计？」 答法结构：① 先说概念（30 秒）② 说你会怎么设计（1～2 分钟）③ 诚实说国能为什么没做/你用什么替代 ④ 接一句「和我现有 Agent 经验相通」。 阅读顺序：下面 先列必背 #1、#10，再列其余设计题（题号不变，便于交叉引用）。

附5 · 全部项目（块3已背 B+G+J，其余查阅）

主背：块 3-2 / 3-3 / 3-4（钩子 → 转接一句 → 四步 → 问面试官）；本节 1 分钟 为 压缩查阅，上场以块 3 为准，勿两套话术打架。 用法：面试官说「介绍一个项目」→ 选 2 个主力 背熟块 3 整套；其余项目 知道 30 秒钩子 即可。 阅读顺序：下面 先列标 ⭐ 的主力/备选（B→G→J→E），再列其余查阅项。

附6 · 大模型基础

上下文窗口：模型一次能读多长的内容；太长就要 RAG 或摘要，不能硬塞。

对齐（Alignment）：让模型输出符合人类价值观和安全要求；RLHF 是常见训练手段，产品侧更多关注 上线后边界和评测。

基座 / 微调 / Prompt：基座是通用大模型；微调用数据改模型权重；Prompt 是改指令—— 我们项目以 Prompt + RAG 为主，迭代最快。

零样本 / 少样本：不给例子或给几个例子在 Prompt 里；分类、格式控制里常用 少样本示例。

涌现：模型变大后偶发新能力；产品上 少吹概念，多测场景。

不用背Transformer / 注意力：知道是主流架构即可；面试 不必展开数学，被问就说「了解原理，工作重心在场景和评测」。

附7 · 行为面

最大挑战：C 端要在 效果和 Token 成本 间平衡 → 模型分档和降级；B 端要在 效率和安全 间平衡 → Human-in-the-loop。

失败或延期：ERP 早期定制过多导致延期 → 后面用 标准产品 + RICE 砍需求，这个思路也用在 AI：先 MVP 一个场景，再扩。

跨部门协调：国能做过 6 部门访谈、12 场培训，IMS 使用率 100%；AI 项目同样要先 对齐指标和合规 再推。

和研发分歧：用 Bad Case 列表和指标 对齐，不用「感觉不准」；我懂技术，能一起查日志。

为什么离开/看机会：按真实情况说；可强调 已完成国能 Agent 交付，希望在 AI PM 方向持续深耕。

年龄 / 35 岁 / 1990 年：我明白您担心落地交付，我有 14 年 ToB 行业积累，完整落地过多款 集团 AI Agent，合规、Bad Case 管控、全流程上线这套实战经验十分扎实。年轻人上手工具更快，我的核心优势是 吃透企业复杂业务、统筹多方推进规模化落地。

项目只有 C 端链接：链接里只放了小程序前端页面，后台内容因为项目保密没有对外展示；整套 B 端后台原型、相关文档我本地都有，您想看我可以当场打开电脑展示。

附8 · 反问

1. 贵司 AI 产品是 自研编排还是 Dify/Coze 这类平台？我入职后大概多久能独立负责一条 Agent 线？
2. 当前 最想解决的 1 个 AI 场景 是什么？成功指标怎么定？
3. AI 产品和算法/后端 多久做一次 Bad Case 复盘？
4. 未来半年更偏 B 端 Agent 还是 C 端应用？和我经历哪块更匹配？

附9 · 考前 30 分钟清单

• 块 1 自我介绍 120 秒顺读 1 遍 · Dify / 年龄 / 后台链接 三个追问各过 1 遍
• 块 2-1 Agent 记忆（先 30 秒四层框架，再 2 分钟国能答法）各 1 遍
• 块 2-2 MCP 读 1 遍
• 块 3 按 3-2 → 3-3 → 3-4 各整套过 1 遍（先扫 块 3-1 框架 5 分钟）· 附5-J 财税过 1 遍
• 块 4 任选一个分类大声答 5～10 题 · 32 评估 / 41 Token 计算 / 47 PRD 各 1 遍
• 附3 RAG、NL2SQL、Bad Case、§15 意图识别、§9 Token 计算 各口语 30 秒
• 附12 扫 FAQ / Chunk / ChatBI / Top-K / HITL 各能 用你项目举 1 个例子
• 附11 抖音高频 · 标⭐ + Prompt §18 + Query §19 + Agent 可靠性 §20 + RAG 评估 §21 + 安全边界 §22 + 记忆 §23 + 多轮烧钱 §24 + Vibe Coding 14～17 各过 1 遍
• 块 5 · 附13 方法论：DISCOLE · 三层评测 · Harness 答+口诀 · Agent 任务/过程/业务 各 30 秒
• 块 6 · 前端栈 30 秒 分工稿读 1 遍（React 浅问备用，不必背块 4）
• 口径：2025.05 前不讲 AI · OCR/多模态只讲简历 · 财税讲 Coze 客服

---

附10 · 项目深挖 Bad Case

以下为你原稿中 燃料/培训/隐患/缺陷/制度/ERP 的「基础追问+进阶深挖+Bad Case 分类」，内容有效，不必全背，面试前按项目 扫一眼粗体问题 即可。 阅读顺序：先背「金不换 ERP · 高频 13 问」，再翻各 Agent Bad Case。

金不换 ERP · 高频 13 问

• 最难：24 家分公司口径统一
• BPR：四大流程去冗余上线
• 微服务：模块独立迭代
• 金蝶税友：标准接口+字段映射
• 成果：数据互通、流失率降、32 家分公司

---

---

燃料 NL2SQL · 进阶（节选）

• 分库分表 → 数据源路由
• 亿级数据 → 索引+分页+复杂查询降级
• 敏感成本 → 行级权限+脱敏+审计

培训 RAG · Bad Case 分类

• 检索 50% / Prompt 30% / 知识库 15% / 模型 5%
• 优化：重分段、调检索、禁止编造、增量更新

隐患 Agent · Bad Case 分类

• 术语 40% / Prompt 35% / 边界 20% / 格式 5%

缺陷 Agent · Bad Case 分类

• Prompt 45% / 定义 30% / 上下文 20%

制度 RAG · Bad Case 分类

• 检索 50% / Prompt 25% / 知识库 20%

财税代理记账客服 · Bad Case 分类

• 编价/编政策 40% → 无检索不答 + 知识库补 FAQ + 转人工
• 意图进错分支 30% → 规则补高频 + 槽位澄清
• 进度 HTTP 失败 20% → 重试 + 降级话术 + 转人工
• 闲聊/超范围 10% → 拉回业务 + 敏感词

附11 · 抖音 AI 产品高频题（补全答案 · 2026-06）

来源：抖音AI产品常见问题 链接标题整理；博主多 只抛问题引流，本节 补全可背口语答案，并 挂到你三个项目 上。 用法：块 1～6 顺读后再扫；标 ⭐ 的建议考前各说 1 遍。

---

阅读顺序：先背标 ⭐ 的必背区（1、2、4、7、9、10、12、15、16、18～26），再翻补充区（3、5、6、8、11、13、14、17）。题号不变，交叉引用仍写「附11 §N」。

必背1. AI 产品经理做到什么程度才算「懂业务」？⭐

💬 你可以这样答

懂业务不是背行业名词，而是 能把业务流程拆成 AI 能接、不能接的边界，并用指标验收。

我用的标准是四件事：

① 说得清用户原流程（谁、什么环节、痛点、现有人力）——代账就是一线反复答报价/进度；国能就是 HR 被问考勤编制

② 说得清 AI 改哪一段（不是「上个聊天框」）——FAQ 分流、RAG、NL2SQL、HITL

③ 定得准成功指标——咨询降 70%、成功率 95%、编价为 0

④ Bad Case 能反哺业务——别名表、知识库、转人工规则

我有 14 年 ToB + 8 年代账/财税，所以财税客服不是跟风 demo，FAQ 和槽位都来自真实一线问法。

---

必背2. Agent 项目 PRD 要写什么？（喂饭版）⭐

PRD 里我会单独写 AI 专章，别只写「接大模型」。核心是 8 块：① 场景与指标（谁用、解决什么、成功标准）；② AI 边界（能/不能做什么，什么时候转人工）；③ 工作流（意图 → 分支 → RAG/工具/生成 → 兜底）；④ Prompt 与输出格式（JSON Schema、引用要求、禁止编造）；⑤ 数据与安全（权限、脱敏、审计、内容安全）；⑥ 评测与 Bad Case（黄金集、抽检频率、回归方式）；⑦ 成本与降级（模型分档、FAQ、Token 预算）；⑧ 上线与运营（版本回退、监控告警、反馈入口）。

国能 每个 Agent 一份 AI 专章；简历 PRD v1.3.2 独立 AI 章；财税 工作流图 + 三路分支 + 知识库维护说明。

---

必背4. 项目讲不好，AI 面试过不了 / 怎么快速讲清复杂 AI 项目？⭐

用 钩子 30 秒 → 转接一句 → 展开四步 → 问面试官 → 追问 的结构，每个项目控制在 3 分钟内：

项目	钩子 30 秒（要点）	展开重点
人事 NL2SQL	员工查数找 HR → NL2SQL · 咨询降 70%、成功率 ≥95%	五层安全、FAQ 降 Token 60%
制度 RAG	制度咨询慢 → RAG · 准确率 ≥95%、零编造	检索+引用、增量入库
财税客服	代账重复报价查进度 → Coze 三类分流	严格 RAG 报价、HTTP 进度
简历 0-1	15 分钟主路径、PRD+原型+后台	模型分档、OCR、合规

🏁问面试官 · 收尾一句

「您更想先听 安全，还是先听 评测？」——把话头交给面试官。完整可念稿在 块 3-2～3-4。

---

必背7. 怎么评估一个 Agent 靠不靠谱？⭐

不能只看「感觉准不准」，要 任务 + 过程 + 业务 三层：任务层（任务成功率、一次答对率、转人工率）；过程层（平均步数、工具成功率、意图准确率、超时率）；业务层（咨询降多少、人力节省、合规事件）。定 50～100 条黄金集 + 每周抽检 + 错题本回归。

口语再加 三个红灯：① 只有 demo 没有测试集和指标；② 答错了没有错题本闭环；③ 关键动作没有权限/人工兜底（尤其 B 端）。财税 编价类错误 0 容忍；国能 SQL 和制度 必须可审计。

---

必背9. 智能体怎么做意图识别？（别说「大模型」）⭐

我不会只说「用大模型做意图识别」。我一般 分四步走：先规则/关键词吃高频问法；再结构化 LLM 出 intent、confidence 和槽位；然后置信度低就澄清；最后超范围转人工。财税是 三路分支（RAG / HTTP / 兜底）；国能人事是 FAQ 直答、NL2SQL 或越权拒绝。评估看 意图准确率、误路由率、转人工率。

---

必背10. 面试问到 RAG，怎么答才到位？（30K 级思路）⭐

30 秒版：先查再答，私有知识可更新，幻觉可控。

1 分钟版（分层）：

① 数据：怎么切 chunk、谁维护、增量更新

② 检索：向量+关键词混合、Top-K、Rerank

③ 生成：Prompt 只用检索片段、必须引用、 没搜到不答

④ 评测：准确率、幻觉率、引用命中率

⑤ Bad Case：检索/Prompt/知识库 分类改

结合项目：制度 RAG（块 3-3）、培训出题、财税 严格 RAG 报价（附5-J）。

---

必背12. Token 成本怎么计算？（博主只抛问题的补全）⭐

大模型按 Token 计费：单次成本 ≈（输入 Token × 输入单价 + 输出 Token × 输出单价）/ 1000，以 API 返回的 usage 为准。产品侧 少调用、少喂长文、简单题用小模型：FAQ 本地匹配吃高频、RAG 只喂 Top-K、模型分档、设预算告警。国能人事 FAQ 命中 Token 降 60%+；财税报价类 无检索不答，避免长生成浪费 Token。要埋 prompt_tokens/completion_tokens，按场景拆日成本。

---

必背15. 面试官让「现场 Vibe Coding」怎么办？（Mentor学姐）⭐

心态：考的是 产品思维 + 会不会用工具，不是考你手写 LeetCode。

现场四步（5～10 分钟）：

1. 澄清：改哪一页、mock 还是真接口、成功标准是什么
2. 口头 PRD 30 秒：用户是谁、主按钮干什么、失败怎么提示
3. 小步改：一个按钮 / 一条校验 / 一行列表——边做边 narrate
4. 收尾边界：「这是 原型验证；上线要研发做安全、埋点、联调」

千万别：一上来接生产库、承诺当场上线、沉默写 10 分钟不解释。

---

必背16. 考察 Vibe Coding 的 3 层难度（亚慧）⭐

层级	面试官在考	你怎么接
L1 认知	知不知道、干过没	「Cursor 做原型，简历 39 页 + 后台 dev-spec」
L2 演示	当场改一屏	先边界再改 mock；见 §15 四步
L3 方案	完整 AI 产品怎么交付	五层：需求边界 · Prompt/规则 · 工作流/页面 · 异常兜底 · Bad Case 评测

口诀：L1 讲经历 · L2 小步演示 · L3 接国能/简历/财税 完整闭环。

---

必背18. 一开口就知道「很懂 Prompt」怎么答？⭐

抖音标题：面了一个 AI 产品女生，她一开口就知道她很懂 Prompt（05/06） 核心：面试官听的不是「我会调 temperature」，而是 产品层的 Prompt 契约——约束、格式、和检索/工作流分工、可迭代。

30 秒版（建议背）：

Prompt 对我不是堆形容词，是 岗位说明书 + 红线 + 输出格式。

事实靠 RAG/只读库，Prompt 管怎么用这些材料说话、什么情况下 必须拒答/转人工。

我改 Prompt 一定绑 Bad Case + 黄金测试集回归，线上还有 版本号可回滚——国能制度、隐患 JSON、财税报价、简历防编造都是这套。

---

「懂 Prompt」的五个信号（你一开口就要露出来）

信号	懂的人怎么说	不懂的人怎么说
① 约束优先	「先写 不能干什么：无检索不答、无出处不报价、禁止编造经历」	「我会写一段很详细的 system prompt」
② 格式契约	「输出要 JSON Schema / 必须带引用条款号」	「让模型自由发挥，差不多就行」
③ 和 RAG 分工	「检索管事实，Prompt 管怎么说；检索错了改库，生成了乱改 Prompt」	「RAG 和 Prompt 是一回事」
④ 可迭代	「版本号 + 50 条黄金集；改完同一批错题再测」	「感觉不准就再优化一下」
⑤ 场景不一刀切	「制度问答、隐患分类、NL2SQL、客服报价 四套 Prompt 逻辑不同」	「一套 Prompt 打天下」

---

六件套结构（被追问「你怎么写」时用 · 对齐块 4 第 37 题）

1. 角色 — 你是谁（制度问答助手 / 隐患分类员…）
2. 任务 — 这一步要干什么（根据检索片段回答 / 输出 JSON…）
3. 背景/输入占位 — {检索片段}、{用户问题}、{槽位}
4. 约束 — 温度、长度、禁止编造、无检索如何处理
5. 输出格式 — 纯文本+引用 / 固定 JSON 字段
6. 示例（1～2 条） — 少样本，尤其分类、格式控制

口诀：角色任务 · 输入占位 · 约束格式 · 示例可选

---

三个项目 · 各举一句（开口就挂项目）

场景	Prompt 关键设计	一句话举例
国能·制度 RAG	无检索不答 + 必须引用条款	「只用 {chunks} 回答；找不到就说未找到，引导人工」
国能·隐患 Agent	强规则 + 低温度 + JSON Schema	「只输出 category/dept/urgency，审核员确认后才入工单」
财税·代账客服	报价 无出处不答 + 缺槽位澄清	「检索不到报价表条目 → 不编数字，引导留资或转人工」
简历·F2 分析	禁止编造 + 不确定让用户补充	「经历必须来自用户原文/OCR，不得虚构公司或数字」

---

30 秒口播示例（可直接练）

「我们制度问答的 Prompt，核心不是写得长，是三条契约：只用检索片段、必须带条款引用、检索为空就明确说不知道。 和隐患分类不一样——那个不要 RAG，要 固定 JSON + 低温度，因为类别是封闭集合。 所以我不会一套 Prompt 打天下；改 Prompt 一定看 Bad Case 是 检索错还是生成错，用同一批 50 条题回归。」

---

常见追问 · 口语答

• 和微调怎么选？

知识常变、要快迭代，我们 6 个 Agent 和简历都以 Prompt + RAG 为主；格式极其固定、数据量很大、Prompt 顶不住时再考虑微调。

• 温度怎么设？

制度问答、分类、SQL 生成用 低温度；创意文案可略高；但 B 端优先格式和准确。

• 你怎么证明 Prompt 改好了？

用 同一批 Bad Case + 黄金集 回归，看准确率、幻觉率、引用命中率，不是主观「感觉好了」。

• B 端提示词谁维护？

产品定 契约和红线（无检索不答、必须引用等），运营/法务审 制度/报价文案；上线要有 版本与回退 机制。

---

必背19. RAG 系统里 Query 改写怎么答？（26 春招模拟面 · 扶安）⭐

抖音：[扶安AI小课堂 · RAG 里 query 改写](https://v.douyin.com/I4zrjTqIbxY/) 挂：块 4 #6 召回低 · 附13 M5 · 国能制度 / 财税报价

30 秒版（建议背）：

用户问话往往 口语、省略、多轮追问；直接拿原句去搜，Recall 会掉。

我会在 检索前 加一层 Query 改写：把口语补全、拆成可检索关键词、多轮时 带上文意图 再搜；改写只服务检索，进 Prompt 的仍是 检索片段 + 原问题，避免改写本身编造事实。

三层（被追问时用）

层	做什么	例子
① 规范化	去口语、补实体	「陪产那个假」→「陪产假 天数 规定」
② 多轮改写	把指代补全	「那上海呢？」→「上海 代理记账 报价」
③ 多 Query	一条变 2～3 条检索	制度题：条款号 + 同义词各搜一次再合并

和项目挂钩

• 国能·制度 RAG：用户常带 条款号/简称 → 混合检索 + 别名表；跨章漏召回类 Bad Case 先看 chunk，再看 Query 是否太窄。
• 财税·报价 RAG：口语「小规模多少钱」→ 改写补 城市+纳税人类型 再检，检不到 不编价。
• 简历·F2：上传 OCR 后用户追问「帮我改这段」→ 改写要 锚定当前简历段落，别漂到别的模块。

常见追问

• 改写会不会引入幻觉？

Query 改写 只用于检索阶段，帮助把口语问法补全成更好搜的关键词；最终回答仍 只用检索到的片段和用户的原问题，并且 没检索到就不答，不会在改写环节编造新事实。

• 和 Rerank 怎么分工？

改写负责 扩大召回（把「它」「这个」补全、把口语变检索词）；Rerank 负责 精排（从候选片段里挑出最相关的）。工程顺序一般是 先改写，再混合检索，再 Rerank，最后才生成。

---

必背20. 怎么保证 Agent 调用可靠性？（大模型星球）⭐

抖音：[大模型星球 · Agent 调用可靠性](https://v.douyin.com/-yN5u0dfuUI/) 挂：块 4 #27 工具失败 · #32 Agent 评估（过程层） · 附13 M4

30 秒版（建议背）：

Agent 可靠不是「模型聪明就行」，是 产品 + 工程一起兜底：

超时、重试、幂等、熔断、最大步数、重复检测、转人工 都要在工作流里写死；每次工具调用可观测（成功/失败/耗时/入参摘要），失败进 错题本 回归。

五件套（面试列点用）

#	机制	产品要定什么
1	超时	单步/整任务上限；国能 Dify 节点、财税 HTTP 查进度各设 SLA
2	重试	仅 幂等 读操作可重试；写库/派单 禁止盲重试
3	降级	工具失败 → 固定话术 + 转人工；别 silent fail
4	防死循环	max steps + 相同工具重复调用检测（块 4 #28）
5	可观测	日志：意图、工具名、成功/失败、步数 → 过程层指标（块 4 #32）

和项目挂钩

• 国能·人事 NL2SQL：SQL 只读 + 校验失败不执行；超时回 「请稍后再试或找 HR」。
• 国能·隐患 Agent：分类后 HITL 确认 才入库——可靠性靠 人兜底，不是全自动梭哈。
• 财税·Coze：进度走 HTTP；失败走 兜底分支；编价类 无出处不答（可靠性 = 业务合规）。

口播示例

「我们评 Agent 不只看答得像不像，过程层必看 工具成功率、平均步数、超时率。工具挂了有 重试→降级→转人工 三级，并且同一批多步场景进 黄金集 每周回归。」

---

必背21. RAG 怎么评估？（千万别只说准确率 · 小哲）⭐

抖音：[小哲讲大模型 · RAG 评估别只说准确率](https://v.douyin.com/GJg8rg3MVVY/) 挂：块 4 #10 · 附13 M5 · 国能制度 RAG / 财税报价 RAG

30 秒版（建议背）：

RAG 评估我 绝不只报一个「准确率」——要 检索和生成分开看：

检索侧 看 Recall@K、Top-K 命中率（该检到的检到了没）；生成侧 看 引用命中率、幻觉率、拒答率（有没有瞎编、没检到敢不敢说不答）。

线上再加 抽检 + 满意度 + Bad Case 回归，改完必须 同一批错题再测。

四层（被追问时用）

层	看什么	国能/财税举例
① 检索	Recall、漏召回类 Bad Case	制度跨章漏检 → 调 chunk + 混合检索 + §19 改写
② 生成	引用是否贴片段、有无编造	制度 必须带条款号；财税 无出处不报价
③ 拒答	没检到是否敢说不答	无检索不答 写进 Prompt 契约
④ 线上	抽检、满意度、错题本闭环	每周抽检 + 分类：检索/Prompt/知识库

口播示例

「制度 RAG 我们离线先看 Recall，生成看 引用和幻觉；线上不是只看用户点赞，还有 人工抽检和错题回归。如果只报一个准确率，分不清是 检错了 还是 写错了。」

常见追问

• 和通用 LLM 评测有啥不同？

RAG 多一层 检索质量；检索错了，后面 Prompt 再漂亮也救不了——所以要 分开归因。

• Recall 低怎么办？

先 chunk/混合检索/别名表，再看 Query 改写（§19），不是一上来换大模型。

---

必背22. Agent 安全边界怎么考虑？（小哲）⭐

抖音：[小哲讲大模型 · Agent 安全边界](https://v.douyin.com/MjeYfVXdbg4/) 挂：块 2 · 块 4 #29、#32 · 附3 B 端边界 · 国能六 Agent

30 秒版（建议背）：

Agent 安全边界不是「加一句请勿违法」，而是 产品先画圈：能做什么、不能做什么、谁有权、什么必须人工。

我按 五层 定：域（限定业务场景）· 权限（行级/只读/脱敏）· 动作（读可以、写/派单要 HITL）· 内容（无出处不答、防注入）· 审计（日志可追溯）。

B 端 国能 是典型：SQL 只读+拦截、隐患 分类后人工确认、制度 无检索不答。

五层（面试列点用）

层	产品要定什么	项目举例
① 业务域	单 Agent 单域，前面路由	人事/燃料/制度/隐患 各做各的
② 数据权限	谁能查什么、脱敏规则	NL2SQL 行级权限 + 只读库
③ 动作边界	哪些工具可自动、哪些必须 HITL	隐患 不入库直到审核员确认
④ 内容安全	无检索不答、防 Prompt 注入	制度/报价 必须引用；异常输入走兜底
⑤ 审计合规	谁问了什么、调了什么工具	央企要求 可审计、可回滚

和「可靠性 §20」的分工

• §20 = 工具 挂了怎么办（超时/重试/降级）
• §22 = Agent 能不能做、该不该做（权限/HITL/域）

口播示例

「人事 Agent 不是开放聊天——限定域 NL2SQL + FAQ，SQL 多层校验失败 不执行；隐患 Agent 可以分类但不能自动派单，必须 HITL。安全边界和可靠性是两套题，我会分开答。」

---

必背23. 怎么设计记忆系统？（上下文工程 · 小哲）⭐

抖音：[小哲讲大模型 · 记忆系统与上下文工程](https://v.douyin.com/UJgCzpIJXQU/) 挂：块 2（Agent 记忆四层）· 块 4 #29 · 附3 §1

30 秒版（建议背）：

「记忆」不是让模型 脑记一切——是 上下文工程：在 有限 Context Window 里，决定 什么进 Prompt、什么走外部存储、什么必须查库。

我分 四层：工作记忆（当前轮+工具返回）· 会话记忆（最近 N 轮+槽位）· 业务记忆（工单/考勤 查库，比脑记准）· 长期偏好（试点、要定留存与隐私）。

RAG 本质是外部记忆——制度/报价不进窗口，需要时再检索。

和块 2 对齐（被追问时用）

层	放哪	国能实际
工作记忆	Context 内	当前问题 + 刚查到的 SQL/检索片段
会话记忆	Context 内截断/摘要	人事 NL2SQL 保留 工号、时间范围 等槽位
业务记忆	业务库	工单状态、考勤结果 按用户 ID 查
长期偏好	Profile（可选）	央企 跨会话长期记忆未上线；用业务库替代

上下文工程三原则

1. 能查库别硬塞 — 窗口有限，RAG/NL2SQL 优于把整库塞进 Prompt
2. 能摘要别堆轮 — 多轮太长就 摘要关键槽位
3. 先定隐私边界 — 记什么、记多久、用户能否删；误记率 和 体验 一起看

口播示例

「国能因合规 没上跨会话长期记忆，会话内保留槽位，跨会话靠 业务库 + 用户 ID；制度知识走 RAG 外部记忆，不是把整本制度塞进 Context。若贵司要做长期记忆，我会从 小范围偏好 试点，并定 留存和审计。」

常见追问

• 和 RAG 啥关系？

RAG = 按需加载的外部知识；记忆系统 = 会话状态 + 用户状态 + 外部库 的整体编排。

• 抖音说的 Context Engineering？

就是 在 token 预算内选什么信息进模型——检索片段、最近对话、工具结果、系统约束 一起排优先级。

---

必背24. 多轮对话不做这 4 点，纯属烧钱？（AI产品天道）⭐

抖音：[AI产品天道 · 多轮对话不做这4点，纯属烧钱](https://v.douyin.com/uszQvOCeyAw/) 挂：块 4 #41 Token 成本 · #42 Context Window · 附11 §19（Query 改写）· §23（记忆分层）· 附13 M2 业务层

视频核心（一句话）：

多轮对话如果不做好 上下文管理、指代消解、结构化 Prompt、对话状态跟踪，就是 纯烧钱、没效果。

30 秒版（建议背 · 对齐视频）：

多轮想 省钱又有效，必须做好四点：① 上下文管理——滑动窗口 + 历史摘要 + 结构化存储，别全量喂历史；② 指代消解前置——时间/地点/实体补全后再进模型，不让模型猜；③ 结构化 Prompt——角色职责写死、历史用分隔符、强约束输出格式；④ 对话状态跟踪——关键信息变状态变量 + 状态机，流程不断裂、不重复问。不做这四点，就是 纯烧钱、没效果。

🎯【口诀·多轮四件套】不念给面试官 · 先口诀再扩绿条

---

① 上下文管理 · 别全量喂历史（窗口 + 摘要 + JSON 槽位）

项	内容
问题	每轮把 全量历史 塞给模型 → 10 轮后 Token 暴增、成本飙升、变慢甚至报错
三件套	滑动窗口（最近 3～5 轮）· 历史摘要（更早对话压成：诉求 + 关键实体 + 已确认信息）· 结构化存储（JSON/键值对，不堆纯文本历史）
一句话	不要「全量喂历史」，要 窗口 + 摘要 + 结构化
项目挂	国能制度 RAG 切段 不进整本；人事 FAQ 命中不调大模型（Token 降 60%+）；缺陷 Agent 只加载 当前工单时间窗

---

② 指代消解前置 · 先改写 Query（不让模型猜）

项	内容
问题	用户说「明天天气怎么样」「它」「那个」——模型不知道指什么 → 答非所问、反复澄清
做法	前置改写 Query：模糊指代 补全再进模型（例：「明天天气？」→「北京 2026-06-08 天气？」）；可用 小模型/规则/NER 做实体消歧 + 时间补全
一句话	指代消解 必须前置，不让模型猜
项目挂	NL2SQL 前补 部门、时间范围；财税查进度缺 公司名 先追问再调 HTTP；详 附11 §19 Query 改写

---

③ 结构化 Prompt · 角色 + 分隔符 + 强约束输出

项	内容
问题	Prompt 写得随意、没结构 → 多轮后行为漂移、输出不可控、越聊越偏
三段式	① 角色 + 职责写死（只做 XX、不做 XX）② 历史结构化 + 分隔符（系统/用户/助手标签，历史与当前问题分开）③ 约束 + 输出格式（不能编、必须溯源、JSON/Markdown、拒敏感）
一句话	多轮 Prompt = 角色 + 结构化历史 + 强约束，控行为不控死内容
项目挂	国能制度 无检索不答 + 引用出处；财税报价 无出处不答；简历各 AI 步骤 输出契约（JSON 字段对齐下游表单）

---

④ 对话状态跟踪 · 状态变量 + 状态机（不重复问）

项	内容
问题	没状态记录 → 聊到一半忘前面、反复问同样问题、流程卡死
做法	状态变量：订票=出发地/目的地/日期/人数/是否确认；档案=身份/范围/涉密/已查目录 · 状态机：当前态、必填/可选、已确认/待确认
一句话	多轮要 状态化、变量化，模型读状态干活，不靠「回忆」
项目挂	简历主路径 摸底→初稿→对齐→预览→导出 状态机（非开放聊天）；国能保留 工号、时间窗 槽位；财税 意图分流（咨询 vs 查进度）

---

和 §19 / §23 怎么分工

节	讲什么
§19	指代消解 / Query 改写 怎么做（召回侧）
§23	记忆分层、Context Engineering（工作/会话/业务/长期）
§24	视频 四件套总纲（面试问「多轮怎么不烧钱」先背 30 秒 + 口诀）

口播示例（挂国能）

「人事 Agent 不是开放域聊天：上下文用 最近几轮 + 摘要，槽位 JSON 存工号和时间窗；问「上个月编制」会先 改写补全部门和时间 再 NL2SQL；Prompt 角色+红线+引用格式 写死；流程上 FAQ→复杂问法→转人工 有状态，不会每轮从零猜。」

常见追问

• 和 FAQ 分流、RAG 啥关系？

FAQ/RAG 是 降调用、降喂料 的工程手段，归在 ① 上下文管理 和 ③ Prompt 约束 里，不替代 ② 指代 和 ④ 状态机。

• C 端简历呢？

主路径 表单 + 状态机（对齐 ④）；F7 等多轮场景用 ① 窗口+摘要；OCR 超长 截断（块4 #42）。

---

必背25. 选错 Agent 还是 Workflow，项目直接翻车？（云尔-AI大模型果果）⭐

抖音：[云尔-AI大模型果果 · Agent vs Workflow](https://v.douyin.com/nAQ10M3MQxw/) 挂：块4 #24 · 块2 常见追问（为什么用 Dify 工作流） · 附4 #3 ReAct

视频核心（一句话）：

很多项目翻车，不是模型不行，是 架构选型错了——该用 固定工作流 的硬上 开放 Agent，或该分步编排的却做成 一轮对话黑盒。

30 秒版（建议背）：

我先问三件事：路径是否固定、是否要调工具/查库、失败能不能审计。

• 路径固定、步骤可枚举 → Workflow（条件分支 + 工具节点），可预测、好评测、好合规。
• 步骤不确定、要循环试工具 → Agent / ReAct 式多步（设最大步数、超时、人工兜底）。
• 简单问答 → FAQ 或 RAG 链 就够，不必硬上 Agent。

国能里 制度 RAG 是固定链（检索→生成+引用）；人事 NL2SQL 是工作流（FAQ 分流→意图→SQL 校验→只读库→总结）；隐患 是 JSON 输出 + 人工确认，不是开放聊天。财税 是 Coze 三路分支工作流，不是纯对话框。

🎯【口诀·Agent vs Workflow】不念给面试官 · 先口诀再扩绿条

选型表（面试可画 orally）

信号	优先	反面（易翻车）
步骤固定、可画流程图	Workflow + 分支	一个 Agent 自由发挥
强合规、要审计、央企 ToB	Workflow + HITL	端到端黑盒对话
多工具、路径随结果变	Agent（限步数）	无限循环聊天
单意图 FAQ / 制度问答	FAQ / RAG 链	包装成「智能体平台」
成本敏感、高频重复问	FAQ 直答（不调大模型）	每轮都走 LLM

国能举例（各管一域，别混）

• 制度：检索命中才答，固定 Workflow
• 人事/燃料：NL2SQL 五层安全，前面 FAQ 降 Token 60%+
• 隐患/缺陷：结构化输出 + 状态推进，不是开放域 Agent
• C 端简历：主路径状态机（摸底→导出），不是聊天框一把梭

常见追问

• Dify 算 Agent 还是 Workflow？

Dify 是 编排载体；我落地时是 工作流图 + 工具节点，产品上要自己定 哪段固定、哪段可分支，不是「挂上 Dify 就等于 Agent」。

• 什么时候才上「真 Agent」？

当 同一句用户话 可能触发 不同工具组合、且无法事先画死路径 时；仍要 最大步数、重复检测、转人工（块4 #28）。

• 选错 Workflow 会怎样？

该 HITL 的没确认、该只读的没拦截、该 FAQ 的每轮烧 Token——指标上不去、合规过不了、成本爆，面试就说这是 产品架构问题，不甩锅模型。

---

必背26. 多智能体 vs 单智能体，区别是什么？怎么选？（果果姐说AI · 26 春招模拟面）⭐

抖音：[果果姐说AI（面试版）· 多智能体和单智能体的区别](https://v.douyin.com/mMAWpUj1Flc/) 挂：块4 #30 · 附4 #8 多 Agent 协作 · 块2 6 款 Agent 各管一域

视频核心（一句话）：

单智能体 = 一个入口解决 一个域 的一类任务；多智能体 = 路由/编排层 + 多个专精子 Agent，按意图分发。不是 Agent 越多越好。

30 秒版（建议背）：

单智能体适合：域清晰、权限一致、流程能画死——例如只做 制度 RAG，或只做 人事 NL2SQL。好处是 好调试、好评测、好追责。

多智能体适合：多个业务域、知识库不同、权限不同，需要 前台路由 再分发——我们国能是 6 个独立 Agent 各管一域（制度/人事/燃料/培训/隐患/缺陷），产品上是 多 Agent 矩阵，不是 一个超级 Agent 包打天下。若要做「总前台」，我会加 路由 Agent：只负责 意图识别 + 槽位 + 分发，子 Agent 只干本域；并定义 上下文交接字段、失败谁兜底、是否允许串调。

MVP 原则：先单域单 Agent 跑通指标，再考虑多 Agent；.demo 堆五个 Agent 互相调用，面试能讲、上线难维护。

🎯【口诀·多 vs 单】不念给面试官 · 先口诀再扩绿条

对比表

维度	单智能体	多智能体
典型形态	一个工作流解决一类任务	路由 + N 个子 Agent
优点	简单、可观测、易回归	域隔离、权限清晰、可扩展
风险	域变大后难维护	调度复杂、成本叠加、调试难
国能对应	制度问答 Agent 单独一条链	6 款 Agent 分域（非一个聊天入口）
2026 简历/财税	简历 主路径状态机；财税 三路分支	未做跨 Agent 互调，故意控制复杂度

口播示例

「国能我不是做一个万能助手，而是 人事、燃料、制度……各一个 Agent，前面可以有 统一入口做路由，但 子 Agent 不互相乱调。这和抖音说的多智能体一致：拆分是为了专精和合规，不是为了炫技。」

常见追问

• 和 MCP、工具节点啥关系？

多 Agent 常共用 同一套工具协议（MCP/HTTP）；产品要先定 哪个 Agent 能调哪个工具，避免 越权（块4 #26 MCP）。

• 多 Agent 怎么评估？

路由层 看意图准确率、误分发率；子 Agent 看域内任务成功率；整体 看转人工率、成本——不能只看某一个子 Agent 的准确率（附11 §8、§20）。

• 什么时候坚持单 Agent？

试点期、域还没摸清、团队运维能力有限时——一个域一条工作流 + 黄金集，比五个 Agent 互聊更靠谱。

---

附11 与 块 3-1、附3、附12 有重复处 以块 1～4 为准；附11 方便按抖音题目检索。

---

---

补充区（时间充裕再背）

3. AI 产品经理工作全流程（别准备漏了）

你可以这样答（按阶段，口语）：

Discovery：访谈业务、看现有工单/咨询日志、定 1 个 MVP 场景 和指标。

Design：工作流/Prompt/RAG/工具、权限与兜底、 黄金测试集 50 条。

Build：和算法后端联调；原型验证（我用 Dify/Coze/Cursor）。

Evaluate：离线评测 + 业务抽检 + Bad Case 表。

Launch：内测→试点→扩量；版本回退方案。

Operate：监控 Token/成功率/转人工；每周复盘；知识库增量更新。

我 6 个 Agent 和 2026 两个产品都走这套，不是只写 PRD 不落地。

---

5. B 端 Agent 项目「真相」（别只讲 C 端聊天）

💬 你可以这样答

B 端 Agent 不是 开放域聊天，而是 限定域 + 强权限 + 可审计 + 可降级：

• 域：人事/燃料/制度/隐患，各做各的，前面有 路由
• 权限：行级、只读库、SQL 拦截
• 人机协同：隐患/派单 HITL，AI 不直接改生产数据
• 成本：FAQ 吃高频，别什么都调大模型
• 评测：业务 KPI + 错题本，不是 demo 好看

C 端简历偏 体验、合规、商业化；B 端国能偏 安全、稳定——我会按岗位强调匹配的那一侧。

---

6. AI 项目做到什么程度能写进简历？

不是搭个 demo 聊天框就能写——要能讲清 场景、你的职责、指标、迭代、边界，最好 能经得住 15 分钟深挖（场景、职责、指标、一个 Bad Case、怎么迭代）。2025 年 5 月前不写 AI；写 结果数字 + 你负责的链路；一个项目 一条故事，别只堆名词。

三档示例：国能 6 Agent 上线；简历 PRD+39 页+全模块后台+交接包；财税 Coze 工作流可演示 + 知识库 + HTTP 查进度。

---

8. 转行 AI 产品经理，简历项目经历怎么写？

结构：背景一句 + 你负责什么 + 结果数字 + 技术关键词各 1 个（RAG/NL2SQL/工作流/HITL）。

避免：技能堆砌、把 ERP 写成 AI、没有指标。

我的写法：国能 6 Agent 各 1 行；2026 简历 + 财税并行；2012～2025 数字化单独一段不写 LLM。

详 马凯强-AI产品经理-修订版.md。

---

11. Vibe Coding 是什么？简历还可以这样写？

面试答法：产品经理用 Cursor 等 AI 编程助手 快速搭 可点原型，验证交互、规则、文案；交付 PRD + dev-spec 验收标准。不是替代研发写生产代码（鉴权、支付、性能、合规仍研发）。

简历写法：写「用 Vibe Coding 完成 39 页可交互原型 + 运营后台 dev-spec」，别写「我会写代码取代后端」。现场考分 L1 概念 / L2 设计 / L3 深挖，不会的就 承认边界 + 讲怎么接到现有项目上。

---

13. 面了很多家 AI 产品岗的「秘密」（小蓝等博主）

你可以这样答（转正面）：

大家背景不同，但 面试官真正听的是：有没有 落地项目、能不能 讲清边界和指标、概念题能否 接到你的场景。

所以我策略是 三个项目打深（国能 NL2SQL/RAG、财税客服、简历 0-1），概念题 接到这三个场景上答，不跟博主拼 背题数量。不会的就 先承认边界，再讲你会怎么设计。

---

14. Vibe Coding 大赏 / 到底是什么？（芜小匀等）

30 秒：就是 产品经理用 AI 编程助手（我主要 Cursor）快速搭可点原型，验证交互、规则、文案，不是写生产后端。

和「写代码」的区别：我交付 PRD + 原型 + dev-spec 验收标准；鉴权、支付、性能、合规 仍研发。

项目举例：简历优化 39 页 C 端 + B 端运营后台（Tab、列表、详情、接口专章）——Finder 双击就能演示给研发/老板。

---

17. Vibe coding 爆火，AI 产品/解决方案面试考什么？（Mentor学姐）

常考五块（口语）：

① 会不会用 AI 提效（原型、PRD、评测集整理）

② 和研发边界清不清（什么你交付、什么必须工程化）

③ 能不能讲清复杂 AI 项目（SCQA · 块 3-1 总框架）

④ 概念能否落到场景（RAG/意图/Token → 附12 举例）

⑤ 有没有评测意识（Bad Case、指标、不只看 demo）

解决方案岗再加：客户场景怎么拆、PoC 范围、合规与私有化、和 Dify/Coze 选型理由（附3 §16）。

---

附12 · AI 专业名词人话词典（是什么 → 干什么 → 哪项目 → 举例）

用法：听到 FAQ、Chunk、ChatBI 等英文/缩写，先在这里 10 秒定位，再用 1～2 句项目例子 答面试官；深答、追问仍看 附3 对应节。 原则：每个词 先中文人话，再 挂钩国能 / 简历 / 财税 之一，禁止只背定义不举例子。

速查表（考前扫一眼）

名词	一句话人话	你项目里出现在哪
FAQ	高频问+标准答，本地匹配不调大模型	国能·人事 FAQ 分流
Chunk	长文档 切成小块 再入库检索	国能·制度 RAG 按章节切
ChatBI	开放域「说话查数做图」	对比：我们做人事 限定域 NL2SQL
RAG	先查知识库再答，没查到不编	制度问答、财税报价
Top-K	检索只取 最相关 K 段 进 Prompt	制度 RAG 调 K 防噪音/漏召回
Rerank（精排）	粗召回后再 重新排序 挑最准的	制度 Bad Case 跨章节漏召回
向量检索 / Embedding	文字变向量，语义相近 能搜到	制度库、财税知识库
混合检索	关键词 + 向量 一起搜	制度「第 3.2 条」+「请假」
NL2SQL	人话变 SQL 查表（我们 只读）	国能·人事「综合部多少人」
意图识别	判断用户 想干什么	财税：进度 vs 咨询 vs 转人工
槽位（Slot）	意图里还缺的 关键信息	财税：公司名、城市
HITL	人确认后 才执行/入库	国能·隐患 Agent 审核入工单
Token	模型计费 单位（字≈token）	FAQ 命中 ≈ 0；复杂问 ~4000
Bad Case	错题本，用来迭代	人事别名错、制度漏召回、财税编价
JSON Schema	固定 JSON 格式 输出	隐患：类别+部门+紧急度
幻觉	模型 编造 不存在的内容	制度无检索不答；财税不编价
OCR	图片转文字	简历·F2 传截图识简历
Vibe Coding	AI 助手 快速搭原型	简历 39 页 + 后台 dev-spec
React / Taro	一套代码 出 H5+小程序；PM 定流程+验收	块 6 · 前端栈 30 秒（浅问 · 不必背块4）
模型分档	简单走便宜模型、复杂走标准	简历 F2 分析 simple/standard
增量入库	制度更新 只加新段 不全库重跑	国能·制度 RAG
MCP	工具 统一接口（Agent 调外部能力）	概念对标 Dify 工具节点 / HTTP
Context Window	模型一次能 读多长	长 JD 截断 + 分段摘要
Agent / 工作流	多步编排（路由→检索→生成→工具）	国能 6 Agent；财税 Coze 三路分支

---

一、检索与知识库（RAG 全家桶）

FAQ（高频问答库 / FAQ 分流）

• 是什么：把 每天被问很多遍 的问题做成「标准问 → 标准答」，用 关键词或规则本地匹配，不调用大模型。
• 干什么：省钱（几乎 0 Token）、更快、更稳（答案固定不会编）。
• 项目举例
• 国能·人事：HR 常问「本月考勤怎么汇总」「年假还剩几天」→ 走 FAQ 本地库，命中直接返回答案；复杂编制、跨部门统计才走 NL2SQL + 大模型。整体 Token 降 60%+（简历/背诵口径）。
• 对比财税：代账知识库 六大类 260 道标准 FAQ，但客服是 RAG 检索 + 严格引用 报价，不是简单关键词表——因为问法多样、必须带出处防编价。

Chunk（切块 / 分片）

• 是什么：把一份 很长的 PDF/制度 切成 很多小段（每段几百字），再分别做向量入库。
• 干什么：检索时 只捞相关段，不会把整本制度塞进 Prompt；也避免「一段太长检索不准」。
• 项目举例
• 国能·制度 RAG：按 章节 切，每段约 200～500 字，相邻段 重叠 10%～20%（避免答案刚好卡在缝上漏掉）。
• Bad Case：用户问「产假和年假能否一起休」——答案跨两章 → 调 chunk 大小 + 重叠 + 混合检索 + Rerank（见下）。

RAG（检索增强生成 · Retrieval-Augmented Generation）

• 是什么：用户提问 → 先去知识库搜 → 把搜到的片段塞进 Prompt → 大模型 只根据片段回答，并 标注引用。
• 干什么：用 私有、可更新 的知识（制度、代账报价），降低 幻觉，答案 可审计。
• 项目举例
• 国能·制度：「研发岗年假几天？」→ 检索《考勤制度》3.2 节 → 回答 + 引用条款；没检索到 → 明确说不知道，不编。
• 财税·Coze 客服：「小规模纳税人代账多少钱？」→ 知识库检索报价表 → 无命中不报价，引导留资或转人工。

Top-K

• 是什么：检索时只取 相似度最高的 K 条 chunk 送给模型（如 K=3 或 K=5）。
• 干什么：K 太大 → Prompt 噪音多、费 Token；K 太小 → 漏掉关键段。
• 项目举例：制度 RAG 调 Top-K；跨章节 Bad Case 时 适当加大 K + Rerank，不是一味加 K。

Rerank（精排 / 重排序）

• 是什么：向量检索 先粗召回 一批候选 → 再用 精排模型 按「和问题的相关度」重新排序，取最准的几条。
• 干什么：解决「语义像但答非所问」的 chunk 排在前面。
• 项目举例：制度 召回率低 / 跨章节漏答 时，在混合检索后加 Rerank；评测看 引用命中率 + 准确率 95% 口径。

向量检索 / Embedding

• 是什么：把句子变成 一串数字（向量）；问句和知识库段落 向量越近 = 语义越像。
• 干什么：用户问「请假流程」也能搜到标题写「休假管理办法」的段——不要求字面一样。
• 项目举例：制度库、培训题库、财税 260 道 FAQ 六大类 入库；问「记账一年多少钱」和库内「小规模代账年费」能 语义匹配。

混合检索（Hybrid Search）

• 是什么：关键词检索（BM25/ES）+ 向量检索 结果合并。
• 干什么：编号、专有名词 关键词更准；口语化问法 向量更准。
• 项目举例：制度里用户问 「第 3.2 条」 → 关键词；问 「陪产假几天」 → 向量；两者 合并去重 再进 Prompt。

增量入库

• 是什么：制度/知识 更新时只新增或替换变更段，不全库删除重跑。
• 干什么：更新快、旧问答不失效、运维可接受。
• 项目举例：国能制度修订 → 只更新受影响章节 chunk；培训题库加新题 → 增量写入向量库。

---

二、查数与分析（NL2SQL vs ChatBI）

NL2SQL（自然语言转 SQL）

• 是什么：用户说人话 → 系统生成 SQL 查数据库 → 返回表格/数字。
• 干什么：业务人员 不用写 SQL 也能查报表。
• 项目举例
• 国能·人事：「综合部现在有多少人？」→ 生成 只读 SELECT → 走 别名表（「综合部」→ 标准部门 ID）→ 结果秒级返回；写操作一律拦截。
• 安全五层：只读库 · 表白名单 · SQL 语法拦截 · 行级权限 · 审计日志（块 3-2）。

ChatBI（对话式 BI）

• 是什么：偏 开放 的商业智能——自然语言 拖表、看趋势、多维度分析，常接 宽表/数仓。
• 干什么：分析师/老板 探索性看数；灵活但 权限和口径难控。
• 和咱们的区别（面试高频）：

「我们 不是 ChatBI，是 限定域 NL2SQL——只做人事域、固定指标口径、只读 + 行级权限，优先 准确和安全，不开放任意 JOIN。」

别名表

• 是什么：口语/简称 → 标准字段值 的映射表（「综合部」「综办」→ 同一 dept_id）。
• 干什么：减少 NL2SQL 查错部门。
• 项目举例：人事 Bad Case「用户说综办，库里有综合部」→ 维护 别名表 + 低置信 澄清话术。

---

题 21～35

三、Agent、意图与安全

意图识别（Intent）

• 是什么：判断用户 想办哪类事（查进度 / 问价格 / 投诉 / 闲聊）。
• 干什么：后面 走不同分支（不同 Prompt、不同工具、是否转人工）。
• 项目举例
• 财税·Coze：办进度 → HTTP 查工单；财税咨询 → RAG；说不清 → 澄清或转人工。
• 国能·总路由：先分 人事 / 制度 / 燃料 / 隐患… 再进对应 Agent。

HTTP 查单 / 接口查进度（口语可说「走业务系统查单」）

• 是什么：用户问「办到哪一步了」时，Agent 不调大模型编进度，而是 调财务公司业务系统接口（Coze 里用 HTTP 插件），用 公司名等参数 查真实工单状态再回复。
• 干什么：进度是 实时业务数据，必须 查库/查接口，和 RAG 查文档报价 是两条路。
• 项目举例：财税「我的记账进度怎样？」→ 识别为 办进度 → 缺公司名先追问 → 齐了之后 HTTP 调 Finance_Taxation_Service 返回状态；失败 重试一次再转人工。

槽位（Slot）

• 是什么：意图确定后，还缺的 关键参数（公司名、城市、订单号）。
• 干什么：参数齐了才能 调接口或查库。
• 项目举例：财税「查进度」缺 公司名 → 多轮追问「请问是哪家公司？」；齐了之后才走 业务系统查单。

Agent / 工作流（Workflow）

• 是什么：多节点编排：路由 → 检索 → 生成 → 调工具 → 格式化输出；比「单次 Chat」可控。
• 干什么：复杂业务 可审计、可降级、可插 HITL。
• 项目举例：国能 6 个 Agent 各管一域；财税 Coze 工作流 三路分支 + 知识库 + HTTP。

HITL（Human-in-the-Loop · 人在回路）

• 是什么：AI 产出 必须经人确认 才写入业务系统。
• 干什么：高危场景 防误操作（派单、分类、审批）。
• 项目举例：国能·隐患 Agent——AI 输出 JSON（类别、责任部门、紧急程度）→ 安全员点确认 → 才生成工单；不是 AI 直接关阀/派单。

JSON Schema

• 是什么：规定模型输出 必须是哪种 JSON 结构（字段名、类型、枚举）。
• 干什么：下游系统 稳定解析；评测 可自动比对。
• 项目举例：隐患 Agent 固定输出 { category, dept, urgency, evidence }；解析失败 → 重试或转人工。

MCP（Model Context Protocol · 了解即可）

• 是什么：给 AI 接工具（查库、HTTP、文件）的 统一协议/接口规范。
• 干什么：换模型/换平台时 工具不用重写一遍。
• 项目举例（口语）：Dify 的 工具节点 / HTTP 请求、Coze 的 插件——都是「Agent 调外部能力」；MCP 是行业在推的标准化说法，面试说清你用过 HTTP/工具节点即可。

---

四、成本、质量与评测

Token

• 是什么：大模型读写的 计费单位（中文约 1～2 字 / token，英文约 4 字符 / token，视模型而定）。
• 干什么：控制 成本 和 上下文长度。
• 项目举例：人事 FAQ 命中 ≈ 0 tokens；复杂 NL2SQL 一问一答约 ~4000 tokens → 所以 FAQ 分流 + 缓存高频问（块 4 第 41 题、附3 §9）。

幻觉（Hallucination）

• 是什么：模型 编造 库裡没有的规定、价格、数据。
• 干什么：产品要想 约束策略，不能单靠「Prompt 里写别编」。
• 项目举例：制度 无检索不答；财税 无报价出处不报价；人事 SQL 结果必须来自只读库。

Bad Case（错题本）

• 是什么：线上/评测 答错的典型样例 存档（问、期望答、实际答、根因分类）。
• 干什么：迭代 Prompt / 检索 / 知识库 / 别名表 的输入，不是凭感觉改。
• 项目举例：人事 别名错；制度 跨章漏召回；财税 编造价格 → 各建分类，每周复盘。

Golden Set（黄金测试集）

• 是什么：上线前定好的 50～100 条标准问答/任务，含 输入、期望输出、验收规则（可人工判，也可自动比对 JSON/SQL）。
• 干什么：每次改 Prompt/检索/知识库后 同一批回归，看指标掉没掉；是 离线评测 的核心资产。
• 项目举例：制度 RAG 50 条（含跨章、边界、拒答）；人事 NL2SQL 别名+口径题；财税 编价=0 容忍 专类；简历 防编造经历 子集。

Eval Harness（评测脚手架 / 评测 Harness）

• 是什么：把 黄金集 + 调用链路 + 打分规则 + 报告 打包成 可重复跑 的评测流水线（行业常叫 eval harness / evaluation harness）。
• 干什么：改一版 Prompt 就 一键批量跑测，不用手工逐条问；对标 LangSmith Evals、Ragas、自建脚本均可。
• 项目举例（诚实映射）：国能/财税 没有单独采购 harness 平台名，但实践等价于 黄金集 + Dify/Coze 批量跑 + Excel/错题本 + 每周回归；简历 PRD 写了 ⑥ 评测块 + Bad Case 专章。面试可说「思路齐 harness，工程上是黄金集+回归流水线」→ 详 附13 · M3。

LLM-as-Judge（模型当裁判）

• 是什么：用 另一个 LLM 按 rubric 给回答打 相关性/忠实度/安全 分，辅助人工。
• 干什么：黄金集太大时 降人工成本；须和 人工抽检 对齐，不能 100% 信 judge。
• 项目举例：制度 RAG 可 judge 「是否引用原文、是否编造条款」；关键合规场景仍以 人工+规则 为准。

Offline Eval vs Online Eval（离线 vs 线上）

• 是什么：离线 = 发版前对黄金集批量测；线上 = 上线后看真实日志、满意度、转人工率。
• 干什么：离线 防退化；线上 发现长尾；两者 错题本并表。
• 项目举例：离线 Recall/成功率；线上 咨询降 70%、编价 Bad Case=0。

模型分档（Router / 大小模型）

• 是什么：简单任务走 便宜/快的小模型，复杂任务走 标准/大模型。
• 干什么：降 Token 成本、降延迟。
• 项目举例：简历 F2 简历分析——短简历/简单场景 simple，长简历/多段经历 standard（PRD 口径）。

---

五、2026 独立项目专用

OCR（光学字符识别）

• 是什么：图片/PDF 截图 → 提取文字。
• 干什么：用户 拍照上传简历/JD，不用手打。
• 项目举例：简历小程序 F2 摸底——上传 Boss/微信截图 → OCR → 再进分析；上传前压缩 省带宽（mkq 规则）。

Vibe Coding

• 是什么：用 Cursor 等 AI 编程助手 快速写 可交互 HTML/原型，验证 PRD。
• 干什么：对齐研发前 就把流程、文案、校验、dev-spec 跑通。
• 项目举例：39 页 C 端 + B-Admin 运营后台（列表 Tab、详情、⑥ 接口专章）——附3 §10、附11 §14、§15、§16、§17。

Context Window（上下文窗口）

• 是什么：模型 一次最多能读多少 Token（输入+输出总和上限）。
• 干什么：超长简历/JD 要 截断、摘要、分段处理，不能整篇硬塞。
• 项目举例：简历/JD 2 万字截断 + Toast；对话 只带最近 N 轮 + 检索段。

---

六、平台与工程口语（块 1 自我介绍常问）

Dify（AI 工作流编排平台）

• 是什么：可视化搭 Agent / RAG / 工具节点的 低代码平台（国能 内网部署）。
• 干什么：产品和研发能 拆节点、改 Prompt、接评测，比「纯聊天框 + 自研前后端」迭代更快。
• 项目举例：国能 6 款集团级 Agent 全在 Dify 上编排；块 1 追问「为什么不做一个对话框」→ 答 流程、权限、审计、Bad Case。

Prompt（提示词 / Prompt 工程）

• 是什么：写给大模型的 角色、任务、约束、输出格式 等指令文本。
• 干什么：控 幻觉、格式、语气；配合 版本管理 + Bad Case 迭代。
• 项目举例：国能制度 无检索不答 写进 Prompt；财税 无检索不报价；块 4 第 36～37 题 深答结构。

Coze（扣子 · 客服 Bot 平台）

• 是什么：字节系 Bot + 工作流 平台，上手快，适合 意图分流 + RAG + HTTP 工具。
• 干什么：独立验证 财税客服 三类分支（咨询 / 查单 / 兜底），不必从零写前后端。
• 项目举例：财宝 客服 · Finance_Taxation_Service 工作流；对比国能用 Dify 是因 内网与深度编排 要求更高。

LLM（大语言模型 · Large Language Model）

• 是什么：能 读长文本、生成人话 的基座模型（通义、GPT 等）。
• 干什么：Agent 里的 理解、分类、生成 引擎；不是 唯一组件——还要 检索、工具、规则、人审。
• 项目举例：2025.05 起 自我介绍才讲 LLM/Agent；FAQ 命中可 不调 LLM（≈0 Token）。

---

附12 · 面试口播模板（万能三句）

1. 「XXX 就是……（人话）」
2. 「在我们项目里用来……（干什么）」
3. 「举个例子：在 国能/简历/财税 里，用户…… → 系统…… → 结果……」

例：「Chunk 就是把长制度切成小段再入库；我们制度 RAG 按章切 200～500 字；比如用户问陪产假，检索只捞《休假管理办法》相关段，不会把整本 PDF 塞给模型。」

---

附12 与附3 分工：附12 = 快查 + 举例；附3 = 被点名后的长答 + 追问。

---

文档版本：2026-06 · 口语版 v5.8 · §24 对齐抖音原文（上下文·指代·结构化Prompt·状态机）· 附11 §18、§19、§20、§21、§22、§23、§24 · §14、§15、§16、§17 · 财税客服