面向准备 AI 产品经理面试的技术从业者与转型者。本文在 120 道真题库框架下重点展开技术面的高频题与答题思路突出技术流利度这一 AI PM 区别于传统 PM 的核心能力域。一、技术面在 AI PM 面试中的分量很多人误以为产品经理面试不用考技术。但在 AI PM 面试里技术流利度Technical Fluency是必考项——不要求你写代码但要求你能和算法工程师在同一语境下对话能说清为什么选这个方案。我把高频技术题归纳为四大主题共 30 题模型原理 / Prompt 工程 / RAG 与知识检索 / Agent 与工程化。二、技术面高频题答题框架重点 5 题① RAG 和微调怎么选三维对比框架知识更新频率知识经常变新闻、政策、企业内部文档→ RAG改知识库即可知识相对固定 → 可考虑微调。成本与周期微调需要标注数据、训练资源、时间RAG 轻量、可快速上线。准确性需求RAG 的检索环节可能引入答非所问微调能学习特定格式与风格。收尾用项目经验“企业知识库问答通常优先 RAG因为快、便宜、可更新——这是我做【某项目】时的实际选择。”② 大模型为什么会有幻觉产品上怎么缓解分两层答原因模型本质是预测下一个 token 的概率不是查证事实训练数据有截止、有噪声输出是概率采样而非确定性检索。产品缓解手段RAG 引入外部知识约束、Prompt 要求不知道就说不知道、置信度阈值 人工审核、对不可容忍场景做兜底降级。③ 什么是 Agent和普通 LLM 调用有什么区别核心区别一句话普通调用是一问一答Agent 是能规划、能调用工具、能多步执行。展开Agent LLM 规划任务拆解 工具调用Function Calling/API 记忆 反思循环。答题时强调工程化判断——“能简单工作流解决的别上复杂 Agent”这是 Anthropic 的核心观点也是技术判断力的体现。④ 什么是 Embedding在 RAG 里起什么作用Embedding 是把文本映射成向量让语义相近的文本在向量空间里距离更近。在 RAG 里它负责检索环节把用户问题向量化去向量库里找语义最相近的知识片段喂给模型生成答案。可以补充一句“检索质量直接决定 RAG 上限所以分块策略、向量库选型、召回评估是关键。”⑤ 如何评估一个模型输出的质量这是评估能力的直接考察分三步答离线评估集建立结构化、可量化的评估集用标准替代主观感觉。评估维度准确性、相关性、安全性、风格一致性——不是单看一个分数。上线后监控模型输出有方差需要离线评估 线上人工反馈双轨关注漂移。三、技术面其余 25 题速览模型原理类什么是 Token/上下文窗口/TemperatureTransformer 一句话解释什么是 RLHF什么是 LoRA什么是知识蒸馏Prompt 工程类核心原则什么是 Few-shot/CoT如何做 Prompt 版本管理和 A/B 测试RAG 与检索类知识分块怎么做向量库和传统数据库区别语义搜索 vs 关键词搜索Agent 与工程化类什么是 Function Calling什么是 MCP如何判断模型是否够用什么是 Prompt Injection 怎么防完整 30 题及答案框架见文末资料四、结语与领取技术流利度不需要你成为算法工程师但需要你动手跑通一个 RAG 应用、踩过真实的坑。技术面的高分本质是实践出来的判断力不是背出来的名词。想要完整的《AIPM 面试题库 120 题 高分答案框架》含技术面 30 题全部展开、每题附答题思路在评论区留言「题库」我私信发给你。欢迎点赞 关注后续持续输出 AIPM 技术进阶、评估方法论与面试干货。本文基于 APD.CN AIPM 能力模型整理技术流利度、评估与实验等 10 大能力域