基础概念类（10题）

1. 产品特性差异（确定性vs不确定性）；
2. 技能要求差异（需懂AI技术边界）；
3. 工作方式差异（需要更多实验和迭代）。

产品设计类（10题）

1. 知识库+RAG限制回答范围；
2. Prompt设定"不知道就说不知道"；
3. 引用来源溯源；
4. 置信度阈值+人工转接；
5. 持续监控和反馈优化。

1. 技术指标（准确率、召回率、F1）；
2. 用户体验指标（满意度、任务完成率）；
3. 业务指标（转化率、留存率）；
4. 建立评估数据集和基准。

1. 明确要验证的假设；
2. 用现有API/工具快速搭建；
3. 小范围用户测试；
4. 关注"AI效果是否满足最小可用标准"而非功能完整性。

1. 召回层（协同过滤+内容召回+AI语义召回）；
2. 排序层（多目标优化）；
3. 产品策略（冷启动、探索与利用、多样性）。结合具体场景举例。

1. 显性反馈（点赞/踩、评分、举报）；
2. 隐性反馈（停留时长、采纳率、修改率）；
3. 反馈数据回流到模型优化；
4. 建立Bad Case分析流程。

1. 数据冷启动（用通用数据+少量领域数据）；
2. 用户冷启动（利用用户画像+行为特征）；
3. 内容冷启动（AI生成+人工审核）。强调"先有再用"的迭代思路。

1. 成本结构（API调用成本+基础设施）；
2. 用户支付意愿（按效果付费vs按量付费）；
3. 竞品定价；
4. 常见模式：免费增值、按Token计费、按功能分级、订阅制。

1. 模型版本切换的隔离性；
2. 样本量计算（考虑效果方差大的特点）；
3. 护栏指标（防止AI输出有害内容）；
4. 多维度评估（不只看转化率）。

1. 模型降级（大模型→小模型→规则引擎）；
2. 功能降级（AI生成→模板填充→人工处理）；
3. 熔断机制（错误率超阈值自动降级）；
4. 监控告警。

1. 识别风险类型（安全风险、合规风险、体验风险）；
2. 建立风险分级机制；
3. 高风险功能灰度发布+人工审核；
4. 低风险功能快速迭代；
5. 建立AI伦理审查流程。

技术理解类（10题）

1. 明确任务类型（生成、分类、推理等）；
2. 评估模型能力（基准测试+实际测试）；
3. 考虑约束（成本、延迟、部署方式）；
4. 不要盲目追最强模型，选最适合的。

1. 模型选择（小模型处理简单任务）；
2. Prompt优化（减少Token）；
3. 缓存（相似问题复用答案）；
4. 批处理；
5. 量化。

项目经验类（10题）

1. 描述具体场景和预期差距；
2. 分析原因（数据质量、模型选择、Prompt设计等）；
3. 采取的改进措施；
4. 最终效果。强调"AI效果不达预期是常态"，关键是快速定位和迭代。

1. 尊重技术判断，不外行指导内行；
2. 用产品语言沟通需求，让技术理解"为什么"；
3. 建立共同目标（用户价值而非技术指标）；
4. 参与技术评审但不干预实现细节。

1. 设定合理的预期（向老板和用户）；
2. 建立效果监控体系，快速发现问题；
3. 设计兜底方案（降级策略）；
4. 小步快跑，频繁验证；
5. 管理好"实验"和"上线"的边界。

1. 技术可行性（AI能力是否成熟）；
2. 数据准备度（是否有足够训练数据）；
3. 效果可衡量性（能否评估AI效果）；
4. 用户价值vs开发成本的比值；
5. RICE框架的AI版本。

1. 用业务语言而非技术语言（说"准确率提升到90%"而不是"BLEU score提升"）；
2. 用类比帮助理解；
3. 诚实说明不确定性和风险；
4. 展示阶段性成果；
5. 准备"一句话版本"和"详细版本"。

1. 模型迭代（按周/双周）；
2. 数据迭代（持续积累）；
3. 产品功能迭代（按月）；
4. 建议：模型层快速迭代，产品层稳健迭代。建立"实验→评估→发布"的标准流程。

1. 技术成熟度（学术界的共识、工业界的应用案例）；
2. 效果稳定性（不同场景下的表现方差）；
3. 成本可控性（推理成本是否可接受）；
4. 生态完善度（工具链、文档、社区）。

1. 底层模型能力对比；
2. AI功能的设计方式（Prompt策略、交互方式）；
3. 效果评估（自己做测试）；
4. 技术路线差异（RAG vs Fine-tuning vs Agent）；
5. 成本结构。

1. 项目背景和目标；
2. 失败的具体表现；
3. 根本原因分析（不要归咎于"AI不行"，要从产品和决策角度反思）；
4. 学到的教训；
5. 如何避免类似问题。诚实和深度反思是加分项。

伦理安全类（10题）

1. 公平性风险（算法偏见、歧视）；
2. 隐私风险（数据收集和使用）；
3. 安全风险（恶意使用、对抗攻击）；
4. 社会影响（就业替代、信息茧房）；
5. 责任归属（AI出错谁负责）。

1. 数据最小化原则（只收集必要数据）；
2. 用户知情同意（透明告知数据用途）；
3. 数据脱敏和匿名化；
4. 支持数据删除和导出；
5. 合规审查（GDPR、个人信息保护法）。

1. 训练数据审查（确保数据多样性）；
2. 输出审核机制（检测偏见内容）；
3. 多样化评估团队；
4. 建立偏见检测指标；
5. 用户反馈渠道（让用户举报偏见内容）。

1. 立即下线/屏蔽有害内容；
2. 分析产生原因（Prompt漏洞、数据污染、对抗攻击）；
3. 修复并验证；
4. 通知受影响用户；
5. 复盘并加强防护。强调"速度"和"透明"。

1. 展示推理过程（如引用来源、展示中间步骤）；
2. 提供置信度信息（"我85%确定"）；
3. 用通俗语言解释AI的能力边界；
4. 设计"为什么给出这个回答"的功能；
5. 避免过度拟人化。

1. 《生成式AI服务管理暂行办法》；
2. 《个人信息保护法》；
3. 《数据安全法》；
4. 行业特定法规（金融、医疗等）。
5. 产品层面：备案、内容审核、用户协议、数据本地化。

1. 输入侧审核（用户输入过滤）；
2. 模型侧约束（安全对齐+Prompt限制）；
3. 输出侧审核（AI生成内容二次检测）；
4. 人工审核（高风险内容人工复核）；
5. 用户举报机制。

1. 在推荐中注入随机性（探索机制）；
2. 提供"发现"入口（非个性化内容流）；
3. 让用户控制推荐偏好；
4. 定期推荐跨领域内容；
5. 设计"信息多样性"指标并监控。

1. 持续关注政策动态（建立信息渠道）；
2. 产品设计预留合规调整空间（模块化设计）；
3. 建立合规审查流程（新功能上线前审查）；
4. 与法务团队保持紧密合作；
5. 参与行业自律组织。

1. 技术谦逊（承认AI的局限性）；
2. 用户优先（AI决策应以用户利益为重）；
3. 公平意识（主动关注和消除偏见）；
4. 透明原则（让用户了解AI的作用和边界）；
5. 持续学习（伦理标准在不断发展）。

面试准备建议