- 1
什么是AI产品经理?和传统产品经理有什么区别?
与传统 PM 在产出物、协作对象、确定性上的核心差异,以及这个岗位到底管什么、不管什么。
- 2
AI产品经理的能力模型是什么样的?技术、产品、业务各占多少?
技术理解力、产品基本功、业务洞察三块的权重分配,以及不同类型 AI 产品对能力的不同要求。
- 3
零基础转行AI产品经理,怎么准备?要多久?
学习路径怎么排、作品集怎么做、多长时间算合理,以及对「零基础」这个词的诚实认知。
- 4
AI产品经理的一天是怎么过的?工作内容和传统PM有什么不同?
时间花在哪些事上、与传统 PM 的日常差异在哪,以及评测、badcase 分析这些特有的工作内容。
- 5
AI产品有哪些类型?功能增强型、AI原生、平台型分别怎么做?
功能增强型、AI 原生、平台型三类的定义、代表产品和各自的打法差异,以及对应的产品经理能力侧重。
- 6
怎么判断一个需求该不该用AI来做?
哪些任务适合大模型、哪些不该碰,如何从价值、可行性、成本三个维度做决策,避免「为了 AI 而 AI」。
- 7
To B 和 To C 的 AI 产品,打法有什么不同?
To B 与 To C 在需求来源、付费逻辑、交付形态、增长打法上的本质差异,以及 AI 时代两条路各自的新变化。
- 8
AI 产品的生命周期和传统产品有什么不同?
冷启动的冷启动问题、成长期的数据飞轮、成熟期的成本战,以及 AI 产品特有的「能力平台期」风险。
- 9
小白做 AI 产品最常见的认知误区有哪些?
加对话框不等于 AI 产品、模型强不等于产品好、demo 到生产差着 80% 的活、提示词不是护城河等常见误区的辨析。
- 10
AI 产品经理需要懂代码吗?需要懂到什么程度?
不用会写工程代码,但要能调 API、读懂技术方案、判断成本边界,并建立 token、上下文、幻觉等技术直觉。
- 11
AI 产品经理的简历和作品集怎么准备?
简历要写 AI 相关的决策和结果而非职责罗列,作品集要有一个能跑的东西,没经验就自己造项目,用问题-决策-权衡-结果结构呈现。
- 12
AI 产品经理的职业发展路径是什么?3 年、5 年、10 年分别什么样?
0-3 年练执行把一个模块做到能打,3-5 年独立带方向对结果负责,5-10 年在专家、管理、创业三条岔路做选择。
- 13
训练、推理、泛化、过拟合——PM 需要懂的机器学习基础有哪些？
训练与推理的成本结构差异、泛化与过拟合对落地的影响，以及怎么用这些概念做可行性判断和验收。
- 14
大模型是怎么工作的？token、预训练、对齐一次讲清
token 与计费、预训练的概率续写本质、对齐如何让模型变成助手，以及这些原理对产品决策的直接影响。
- 15
为什么大模型会产生幻觉？PM 该怎么应对？
场景选择、工程降幻、产品兜底与预期管理。
- 16
Prompt Engineering 是 AI PM 的基本功吗？要掌握到什么程度？
为什么它是基本功、要会到什么程度、写 prompt 的心法，以及它的能力边界在哪里。
- 17
RAG 是什么？适合解决什么问题？有什么局限？
检索增强生成如何解决私有知识与幻觉问题，以及它在汇总类、多跳问题上的短板。
- 18
微调、RAG、Prompt 工程，三条技术路线怎么选？
prompt 定任务、RAG 补知识、微调改行为，默认按成本阶梯走，微调是最后选项。
- 19
Agent 是什么？和普通的大模型对话应用有什么区别？
规划、工具调用、记忆与环境的闭环，以及 PM 视角下 Agent 产品的可行性判断、任务边界和人机协作设计。
- 20
多模态技术能做什么？落地难点在哪？
成本、延迟、准确率和场景匹配。
- 21
怎么评估一个大模型的能力边界？PM 的试探方法有哪些？
自建评测集、边界探测、对抗用例，以及如何把边界转化为产品设计。
- 22
模型选型：GPT、Claude、国产模型、开源模型怎么挑？
能力、成本、合规、部署方式四个维度的取舍，以及多模型路由、数据出境、私有化等实际约束下的决策路径。
- 23
Token 成本怎么算？推理成本对产品设计和定价有什么影响？
token 计价原理、输入输出不对称定价、真实业务成本测算方法，以及成本如何反向决定功能形态、限流策略和订阅定价。
- 24
PM 需要懂的技术指标：准确率、召回率、延迟、并发都是什么？
准确率与召回率的取舍、延迟的体验分级、并发与成本的关系，以及指标如何转化为产品决策。
- 25
怎么找到值得做的 AI 场景？场景挖掘的方法论是什么？
需求拉与技术推两条路径、高频高痛的筛选标准，以及如何避免「拿着锤子找钉子」。
- 26
什么样的场景适合 AI？有没有可操作的评估框架？
容错度、可校验性、数据可得性等维度，以及「AI 做草稿、人做终审」的边界思维。
- 27
怎么识别伪需求？AI 产品的伪需求都长什么样？
AI 产品五类典型伪需求的特征，以及用「用户愿不愿意付代价」和 workaround 来检验的方法。
- 28
MVP 之前，怎么低成本验证一个 AI 需求？
假门测试、绿野仙踪、预售与拼装式原型，以及 AI 产品「先 API 手搓再自研」的验证优势。
- 29
AI 产品的用户访谈要注意什么？和传统访谈有什么不同？
用户对 AI 无概念、预期两极分化、信任是核心议题，以及用原型演示和行为观察替代空对空提问。
- 30
AI 产品的竞品分析怎么做？看什么维度？
模型来源、数据飞轮、单位经济、输出稳定性，以及避免「只比功能列表」的常见错误。
- 31
AI 需求可行性评估：技术、数据、成本三个维度怎么评？
技术上看错误类型而非正确率，数据上先确认拿不拿得到，成本上算清单次和规模两笔账。
- 32
需求优先级怎么排？RICE、KANO 在 AI 产品上怎么用？
RICE 在 AI 产品上会系统性失真，KANO 的兴奋型需求贬值极快，框架是沟通工具不是答案。
- 33
从 0 到 1，怎么找 AI 产品的 PMF？
猎奇红利会伪造增长信号，真 PMF 看 4-8 周留存；路径是窄人群深场景，警惕免费和大客户定制的伪 PMF。
- 34
B 端客户的 AI 需求怎么管理？定制化和标准化怎么平衡？
分清提需求的人和用产品的人，用三问法则过滤定制需求，把定制交付沉淀为标准能力，管理好客户对 AI 的两极预期。
- 35
场景颗粒度怎么切？大而全和小而美怎么选？
成立的场景要有人、任务、时机三要素；小团队选小而美打穿针尖，扩张要走同心圆，警惕没流量却想做平台的错觉。
- 36
用户需求和老板需求冲突了怎么办？
冲突本质是信息不对称和目标错位，用原型和灰度把立场之争变成事实之争，执行时留痕留退路，只在底线问题上硬顶。
- 37
AI 产品的 PRD 怎么写？和传统 PRD 有什么不同？
从「写死规则」到「定义期望与边界」，评测集当验收标准，badcase 库和兜底策略进 PRD。
- 38
对话式交互（CUI）设计的基本原则是什么？
解决「能力不可见」的引导难题、管理预期、降低纠错成本，以及什么时候该放弃对话回到 GUI。
- 39
Prompt 设计算产品设计的一部分吗？PM 该怎么管？
它是产品的「隐形 UI」，决定人格与行为边界；PM 要管版本、评审、badcase 迭代和评测回归。
- 40
Copilot 还是 Agent？人机协作模式怎么选？
按任务容错率、可逆性、用户专业度选 Copilot 或 Agent，信任是逐步放权放出来的。
- 41
模型一定会犯错：容错与兜底设计怎么做？
接受模型必错，把目标从「不出错」改成「出错可控」，从输入、输出、流程三层做兜底。
- 42
AI 产品的冷启动和新手引导怎么设计？
空输入框焦虑、能力不可见、Aha moment 前置，用示例和模板把首次价值体验拉到最短。
- 43
怎么管理用户对 AI 能力的预期？
为什么预期管理是 AI 产品的生死线，以及 onboarding、边界声明、失败兜底三层的具体做法。
- 44
反馈机制设计：点赞点踩为什么重要？怎么设计才有人用？
显式反馈的价值与偏差、低成本交互设计，以及反馈数据如何真正进入优化链路。
- 45
多轮对话的上下文设计要注意什么？
上下文窗口的取舍、指代与话题切换的处理、记忆边界，以及遗忘机制的产品化设计。
- 46
AI Native 的交互范式有哪些？对话框不是唯一答案
对话框的局限，嵌入式、生成式 UI、Agent 委托、环境式智能等范式的适用场景与取舍。
- 47
AI 产品的安全与合规设计：内容审核、隐私、未成年人保护怎么做？
生成内容审核的输入输出双向机制、隐私数据保护、未成年人模式，以及合规成本如何前置进产品设计。
- 48
AI 功能的 MVP 怎么设计？砍到什么程度算够？
验证什么假设、能力边界怎么定、哪些功能必须留哪些能砍，以及冷启动阶段用规则和人肉顶替的务实做法。
- 49
AI 产品的指标体系和传统产品有什么不同?
AI 产品在传统增长指标之上,多了模型质量这一层不确定的指标,以及质量指标怎么量化、怎么和业务指标挂钩。
- 50
怎么评估模型效果?准确率、召回率、人工评测分别怎么用?
准确率/召回率适合分类类确定性任务,开放式生成任务只能靠人工评测和 LLM-as-judge,以及怎么设计评测方案。
- 51
评测集怎么建?多少条数据才够?
样本从哪来、分布怎么对齐线上、脏数据怎么清,以及不同用途下评测集规模的判断依据。
- 52
bad case 分析的标准流程是什么?怎么从 bad case 里提炼改进?
收集、归因、分层、修复、回流评测集的全流程,以及怎么判断一个 bad case 该修 prompt、修数据还是修产品。
- 53
A/B 测试在 AI 产品上怎么用?有什么坑?
输出不确定、会话是多轮、指标有延迟这三点让传统 A/B 方法失灵,以及对应的实验设计调整。
- 54
数据闭环和数据飞轮怎么建?为什么很多产品建不起来?
闭环是「线上数据回流改进模型」的管道建设,飞轮是闭环转起来后的复利效应,建不起来多半卡在数据信号弱和迭代链太长。
- 55
AI 产品的用户满意度怎么量化？有什么传统产品没有的特殊指标？
传统 NPS/CSAT 为什么不够用，AI 特有的采纳率、重试率、点赞点踩率、静默失败率等指标怎么设计和解读。
- 56
数据标注怎么管理？标注质量怎么保证？
标注规范怎么写、人员怎么组织、质量怎么验收（抽检、一致率）、成本怎么控，以及预标注等提效手段。
- 57
AI 产品的北极星指标怎么定？
为什么 DAU 对 AI 产品是坏指标，怎么找到「用户真正获得价值」的代理指标，北极星指标和护栏指标怎么配合。
- 58
AI 功能的灰度发布和效果回收怎么做？
模型更新为什么比传统发版难灰度，分桶、影子流量、离线评估加线上实验的组合打法，以及回滚机制设计。
- 59
AI 功能的 ROI 怎么算？算力成本怎么摊进去？
ROI 的收益侧（人力替代、转化提升）和成本侧（token 算力、研发、标注）怎么估，成本怎么摊到单次调用，降本手段有哪些。
- 60
对话式产品的埋点和行为分析怎么做？
传统 PV/UV 漏斗为什么在对话产品失效，事件埋点怎么设计，会话级指标和用户旅程怎么分析。
- 61
怎么和算法工程师高效协作?沟通边界在哪里?
考察 PM 是否懂算法工作的实验节奏和不确定性,会不会提外行需求;答案核心是 PM 管"问题和验收标准",算法管"方案和实现",用可验证的业务语言对齐。
- 62
AI 项目管理和传统项目管理有什么不同?不确定性怎么管?
考察是否理解 AI 项目"交付能力而非交付功能"的本质差异;答案核心是用阶段门替代大里程碑、把不确定性前置到 POC 阶段、用区间承诺管理预期。
- 63
模型效果不达标,项目该不该继续?怎么办?
考察止损判断力和问题定位能力;答案核心是先区分"需求错、数据错、方法错"三种不达标,再对照基线而非想象定去留,叫停也是一种交付。
- 64
AI 项目的需求变更管理怎么做?
AI 项目里一个指标口径调整可能废掉全部标注数据;答案核心是变更分级、源头用 POC 和前置验收标准控制、流程要轻评估要重。
- 65
怎么推动法务、安全、运营等跨部门协作?
生成式 AI 天然触发合规、数据安全、内容审核;答案核心是法务安全前置介入、用对方语言量化风险、运营从交接对象变成共建方。
- 66
AI 项目的排期和里程碑怎么定?为什么 AI 项目总是延期?
考察对 AI 项目延期根因的理解和排期方法论;答案核心是数据/效果/依赖三环被系统性低估,排期按阶段估不按功能估,里程碑要定义可验证的退出条件。
- 67
怎么向上管理和汇报 AI 项目?老板最关心什么?
怎么给不懂模型的老板讲清楚 AI 项目的进展、风险和投入产出,怎么把概率性效果翻译成业务语言。
- 68
自研模型、采购 API、找外包,怎么决策?
自研、调 API、外包三条路各自的真实成本和适用边界,怎么用业务规模、数据壁垒、响应速度三个维度做选择。
- 69
敏捷开发在 AI 项目里适用吗?怎么适配?
AI 项目的不确定性和传统 sprint 的确定性交付天然冲突,怎么改造迭代节奏、任务拆解和验收方式让敏捷真正落地。
- 70
AI 产品上线前的 checklist 有哪些?
AI 产品除了常规的功能和性能检查,还有效果验收、幻觉兜底、合规安全、成本监控等特有检查项,怎么系统化地过一遍。
- 71
AI 项目复盘怎么做才有价值?
AI 项目复盘要区分方向错误和执行错误,用数据和 bad case 说话,产出可复用的决策原则而不是检讨书。
- 72
资源不足的时候,怎么推进 AI 项目?
AI 项目缺人缺算力缺数据是常态,怎么砍范围保核心、用巧劲替代堆资源、用阶段性成果换资源。
- 73
AI 产品的商业模式有哪些？订阅、按量、增值、广告怎么选？
订阅、按量、增值、广告各自的适用场景与硬伤，核心是围绕「推理成本不为零」做选择。
- 74
AI 产品怎么定价？定价的核心逻辑是什么？
成本定价、竞争定价、价值定价的取舍，20 美元锚点的由来，以及 AI 产品定价即产品定位的底层逻辑。
- 75
算力成本怎么摊进定价里？毛利怎么守住？
推理成本怎么测、怎么摊、怎么压，订阅制的「自助餐问题」怎么解，毛利红线怎么守。
- 76
AI 产品的 GTM（走向市场）策略怎么做？
AI 产品从定价反推获客路径，demo 驱动、社区冷启动、开发者生态与企业 POC 四类打法的选择与组合。
- 77
PLG 和 SLG，AI 产品该怎么选？
按客单价、决策链、产品自助能力做选择，以及 AI 产品「先 PLG 后 SLG」的典型演进路径。
- 78
AI 产品的增长怎么做？有哪些被验证过的打法？
留存先于增长、效果可视化带来的病毒传播、场景模板切入与投放买量的适用边界。
- 79
AI 产品的留存和活跃怎么提升？为什么很多 AI 产品留存差？
为什么尝鲜后流失严重，留存差是产品力问题还是场景问题，以及提升留存的具体抓手。
- 80
AI 产品的护城河是什么？模型不是护城河那什么是？
为什么说模型能力本身不构成护城河，真正的壁垒在数据、工作流、分发和场景纵深。
- 81
免费额度怎么定？给多少既不亏死又能转化？
免费额度的成本测算、转化漏斗逻辑，以及按次数、按量、按时间三种模式的取舍。
- 82
AI 产品的成本结构怎么分析？算力、人力、数据各占多少？
推理成本与传统 SaaS 的本质差异，算力、人力、数据等成本的占比量级，以及成本优化的主要路径。
- 83
企业客户的销售，PM 该怎么配合？
售前支持、POC 设计、需求过滤、客户成功各阶段 PM 该做什么、不该做什么。
- 84
商业化和用户体验怎么平衡？
付费墙设计、广告与增值模式的取舍，以及如何用长期价值框架做权衡决策。
- 85
拆解 Microsoft Copilot：它的产品设计做对了什么？
Copilot 嵌入存量工作流、用 Microsoft Graph 构建上下文壁垒、按席位订阅变现，以及它的品牌混乱和留存争议。
- 86
拆解 ChatGPT：为什么是它赢了？
技术拐点叠加零门槛产品形态、品牌即品类的心智占领、快速迭代和免费+订阅的商业模型，以及通用助手的软肋。
- 87
拆解 Perplexity：AI 搜索的产品逻辑是什么？
答案引擎与搜索引擎的定位差异、引用机制如何建立信任、订阅+入口的商业化路径，以及面对 Google 跟进的生存压力。
- 88
拆解 Cursor：AI Coding 产品为什么能爆发？
Cursor fork VS Code 掌握交互层、Tab 与 Agent 的体验设计、模型编排策略，以及编程场景先爆发的底层原因。
- 89
拆解豆包和 Kimi：国内 AI 助手的产品打法有什么不同？
豆包的生态分发打法与 Kimi 的模型长板打法，单点爆破与流量规模的差异，以及国内 C 端 AI 是分发战争而非模型战争的判断。
- 90
AI + 教育：有哪些跑得通的产品模式？
拍照答疑、口语陪练、AI 家教、教师工具四种模式的成立逻辑、合规约束与变现难点，以及 Chegg 被颠覆的警示。
- 91
AI + 电商：哪些环节正在被 AI 重构？
导购搜索、内容生产、客服、供应链各环节的重构程度不同，PM 要会算账、会选切入点。
- 92
AI + 医疗、金融：强监管行业怎么做 AI 产品？
医疗金融的核心矛盾是责任而非技术，产品设计要围绕「辅助而非替代、留痕可审计、合规前置」展开。
- 93
数字人和 AIGC 营销：是真需求还是噱头？
直播带货场景成本账算得过来是真需求，品牌代言类多是噱头，区分标准是 ROI 能否闭环验证。
- 94
2026 年 Agent 产品的趋势是什么？哪些方向值得 PM 关注？
从演示走向生产的关键是垂直场景、可评估性和人机协作设计，PM 要关注任务成功率、成本和交付形态。
- 95
AI 硬件和具身智能有机会吗？PM 该关注什么？
纯 AI 硬件多数已证伪，「硬件载体+AI 能力」的成熟品类在放量，具身智能看长线，PM 要识别真需求场景。
- 96
未来 3 年，AI 产品经理的机会在哪里？
AI PM 的机会不在「会用 AI」而在「懂场景、会评估、能算账」，给出可落地的能力建设和方向选择建议。
- 97
【字节跳动】假设要为豆包设计一个高级付费版本,你会从哪些维度规划它的核心付费权益?
字节跳动 AI 产品经理一面真题。考察商业化设计能力:如何给大众 AI 助手做 freemium 分层,付费权益怎么选才既有感知价值又不烧穿推理成本。
- 98
【字节跳动】豆包相比竞争对手,最应该建立的差异化优势是什么?如何通过产品特性实现?
字节跳动 AI 产品经理一面真题。考察竞品格局判断和生态战略思维:模型能力趋同的时代,豆包的差异化应该打在分发、多模态和人群上,而不是卷跑分。
- 99
【字节跳动】工具调用(Function Calling)失败影响体验,如何定义「可接受的失败率」并设计用户无感的降级方案?
字节跳动 AI 产品经理一面真题。考察把技术指标翻译成体验标准的能力,以及重试、降级、诚实告知的分层兜底设计,核心是按错误代价给场景分级。
- 100
【字节跳动】上线一个 AI 新功能后,你会重点关注哪些核心数据?请按次日、首周、首月拆解
字节跳动 AI 产品经理一面真题。考察数据节奏感:上线初期看稳定性和漏斗,首周看功能留存与口碑,首月看对大盘的真实贡献,还要避开新奇效应的误判。