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/Temperature？Transformer 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《AI PM 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 AI PM 技术进阶、评估方法论与面试干货。
（本文基于 APD的 AIPM 能力模型整理，技术流利度、评估与实验等 10 大能力域）
