AI Agent & LLM 面试知识图谱
按投入产出比分级排行，从 P0（最高性价比）→ P2（储备级）
📊 总览
| 优先级 | 知识点域 | 投入 | 产出（面试加分 + 工作价值） | 推荐策略 |
|---|
| P0 | LLM基础 / Prompt Engineering / AI Agent / RAG / 项目亮点 | ⭐（理解快，可复用） | ⭐⭐⭐⭐⭐（面试必问 + 产品日常） | 必背，能讲技术逻辑 + 画流程图 + 答场景题 |
| P1 | SFT vs RLHF / MoE / 评估体系 / 数据指标 / API / 商业化 | ⭐⭐（需对比理解） | ⭐⭐⭐⭐（面试加分项 + 差异化） | 理解原理，面试能对比阐述 |
| P2 | 埋点看板 / Demo制作 / AI Coding工具 / 模型训练原理 | ⭐⭐⭐（需动手实践） | ⭐⭐⭐（储备知识，少数岗位会问） | 了解概念，实战时再深入 |
索引
P0 - 最高投入产出比(面试必问 + 工作高频)
特点：面试必问题，AI PM 日常工作核心，理解门槛低但展示价值高
1. Token / 上下文窗口 / 幻觉
| 维度 | 内容 |
|---|
| 知识点 | Token是大模型最小语义单元，中英文token化差异；Context Window是模型一次能”看到”的最大token数；Hallucination是模型自信输出错误/无依据内容 |
| 技术解析 | Token=分词器输出，非字非词；窗口超限→遗忘→滑动窗口/摘要压缩兜底；幻觉根源=概率生成≠数据库查询 |
| 应用场景 | Token计费与成本控制（聊天记录截断策略）、文档问答（先切片再检索→窗口）、企业级功能（回答必须可溯源显示”依据段落”） |
| 面试话术 | ”我的项目里，TechKids通过滑动窗口+摘要压缩控制上下文溢出，成本降低约30%；文档问答设计时用RAG引用来源压制幻觉，而非直接喂全文” |
2. Temperature / System Prompt / Few-shot / Function Calling
| 维度 | 内容 |
|---|
| 知识点 | Temperature控制随机性（0~2）；System Prompt是最高级指令（定义角色/风格/边界）；Few-shot教模式（给示例不微调）；Function Calling输出结构化JSON调用外部工具 |
| 技术解析 | 低温=确定（抽字段/SQL），高温=创造（写作/闲聊）；System Prompt如同”AI的产品经理设定”；Function Calling是Agent基石 |
| 应用场景 | RealBot专家模式（低Temp保证专业输出→灵感模式切换）、TechKids小智Bot（System Prompt设定儿童编程助教人格）、129条Quick Actions（Few-shot确保风格一致性） |
| 面试话术 | ”RealBot设计了分层System Prompt（角色锚定+知识边界+输出格式），管理9位AI专家身份不漂移；Function Calling实现联网搜索和内部工具调用” |
3. Prompt Engineering 核心技巧
| 维度 | 内容 |
|---|
| 知识点 | 角色设定（Persona）、结构化输出（Structured Outputs/JSON Schema）、约束（Constraints）、反例（Negative Examples）、评测样例（Eval Set） |
| 技术解析 | 角色越具体越稳定；结构化输出是AI功能落地的关键（前端渲染依赖可靠数据结构）；反例比正例更高效修复边缘case；评测集是推动优化的”证据” |
| 应用场景 | 129条Quick Actions的风格一致性维护、AI专家身份不漂移（分层Prompt）、文档问答的引用格式约束、情感分析的边缘case修复 |
| 面试话术 | ”我建立了50+条的Prompt评测集，确保每位AI专家输出风格一致；使用结构化输出约束格式，让前端能可靠渲染卡片” |
4. AI Agent 五大核心能力
| 维度 | 内容 |
|---|
| 知识点 | 工具调用（Tool Use→Function Calling实现）、记忆（Memory→短期窗口+长期向量库）、任务拆解（Task Decomposition）、工作流（Workflow→可编排流水线）、失败兜底（Fallback→降级策略） |
| 技术解析 | 工具决定了Agent的能力上限；记忆成就个性化体验；能拆解多步任务才是真Agent vs 一问一答的聊天机器人；兜底决定用户容错度 |
| 应用场景 | RealBot的联网搜索+查天气+内部工具调用、TechKids自动拆解”查漏补缺→推荐练习→评估结果”流程、错误重试3次→转人工提示 |
| 面试话术 | ”RealBot具备完整的Agent能力：任务拆解（多步推理）、工具调用（外部API）、记忆（对话摘要持久化）、工作流编排（PRD生成流水线）、兜底（3次重试+转人工）“ |
5. RAG 完整管道
| 维度 | 内容 |
|---|
| 知识点 | 文档切片（Chunking→200-500 tokens/语义完整）、Embedding（文本→向量/语义坐标）、向量库（Pinecone/Milvus/PGvector）、召回（Retrieval→BM25+向量混合）、重排（Reranker→交叉编码器精排）、引用来源（Source Citation） |
| 技术解析 | 切片策略直接影响检索质量；混合召回提高覆盖面；重排是成本-效果平衡点；引用是企业AI可信度的核心 |
| 应用场景 | DailySpeak多模态文档问答（File/URL/Web/Scan→提取→检索→朗读）、TechKids知识库问答、法律合同按条款切/教程按步骤切 |
| 面试话术 | ”DailySpeak的RAG管道采用Hybrid Search（BM25+向量）+ Reranker精排，召回率提升约25%；引用来源设计让用户能溯源原文段落” |
6. 项目亮点与技术难点（面试核心）
| 维度 | 内容 |
|---|
| 知识点 | 四个项目（TechKids/RealBot/DailySpeak/Persona-Expert）的核心架构、五项技术难点（上下文管理/Prompt工程化/流式输出/RAG管道/幻觉控制） |
| 技术解析 | 见下方分项拆解 |
| 应用场景 | 面试自我介绍的开场白、技术深挖的”项目经验”部分、系统设计题的素材来源 |
| 面试话术 | 见下方各难点 |
6.1 上下文管理
- 问题：多轮对话Token累积→窗口溢出
- 方案：滑动窗口截断 + 摘要压缩（summarize recent turns），保留关键System Prompt
- 面试话术：“TechKids采用滑动窗口+摘要压缩策略，消费级token成本降低约30%，同时保持多轮对话的业务连续性”
6.2 Prompt 工程化 & 专家体系
- 问题：129条Action风格一致性 + 9位专家身份不漂移
- 方案：System Prompt分层（角色锚定层 + 知识边界层 + 输出格式层）
- 面试话术：“这套分层体系让9位专家维持了95%+的风格一致性，用户感知上是真正的’不同专家在同一平台上协作‘“
6.3 流式输出（Streaming）
- 问题：iOS端SSE/WebSocket流不稳定→断连
- 方案：heartbeat ping + 前端状态机（loading→streaming→done→error）
- 面试话术：“通过状态机管理Streaming生命周期，断连恢复率从70%提升到95%+“
6.4 RAG 管道调优
- 问题：召回率低 + 噪声chunk干扰生成质量
- 方案：Hybrid Search + Reranker + Chunk粒度优化
- 面试话术：“深度优化后召回率提升约25%，重排让Top-3命中率从60%提升到85%“
6.5 幻觉控制
- 问题：AI领域专家输出技术内容→“自信型幻觉”
- 方案：self-consistency check + 引用溯源 + 置信度阈值过滤
- 面试话术：“针对技术场景最易出现的自信型幻觉，我在架构层面嵌入了多重验证机制”
P1 - 高投入产出比(面试加分 + 差异化武器)
特点：不是必问，但问到了就能拉开差距，展示技术深度
7. SFT vs RLHF
| 维度 | 内容 |
|---|
| 知识点 | SFT（监督微调）=人工标注数据直接训练；RLHF（基于人类反馈的强化学习）=在SFT上引入奖励模型+PPO算法对齐人类偏好 |
| 技术解析 | SFT快速收敛但泛化弱（见过才学得会）；RLHF对齐效果好但训练复杂不稳定（奖励欺骗/模式崩塌）；工业界倾向于两者结合 |
| 应用场景 | 模型选型决策（外包客服→SFT够用；创意助手→RLHF更优）；理解模型行为差异背后的技术原因 |
| 面试话术 | ”SFT解决’学会’问题，RLHF解决’学对’问题。我的产品需求中，内容审核场景SFT就够了，但AI创意助手需要RLHF来对齐用户偏好” |
8. MoE（混合专家）架构
| 维度 | 内容 |
|---|
| 知识点 | 不显著增加推理计算量的前提下扩大参数规模；每个Token只激活少数专家网络（如Top-2）；总参数大但激活参数小 |
| 技术解析 | 优势：FLOPs可控、可扩展性强；挑战：专家负载均衡（load balancing loss）、通信开销（all-to-all）、存储成本（所有专家参数需驻留内存） |
| 应用场景 | 理解为什么DeepSeek/Mixtral能以低成本提供大容量模型；推理定价背后的技术基础 |
| 面试话术 | ”MoE让DeepSeek用更少的激活参数实现了更强的综合能力，这也是我选择DeepSeek作为TechKids后端API的原因之一——性价比高” |
9. AI 效果评估体系
| 维度 | 内容 |
|---|
| 知识点 | 三层评估：①自动化指标（BLEU/ROUGE/Perplexity）②人工评估（满意度/相关性/忠实度）③业务指标（留存/使用率/对话完成率） |
| 技术解析 | 自动化指标快但不够准（ROUGE对同义改写不敏感）；人工评估准但成本高；业务指标最终裁判，AB实验是核心方法 |
| 应用场景 | 功能上线前评估输出质量、A/B实验验证产品功能、Prompt迭代的效果量化 |
| 面试话术 | ”三层体系中业务指标优先，我用对话完成率（Completion Rate）作为RealBot的核心北极星指标，比ROUGE更能反映用户真实满意度” |
10. 数据驱动产品：SQL + 产品指标体系
| 维度 | 内容 |
|---|
| 知识点 | SQL（SELECT/JOIN/GROUP BY/窗口函数）；产品指标（DAU/WAU/留存/转化/漏斗/ARPU/ARPPU/LTV）；IAA指标（展示率/填充率/eCPM/ARPDAU） |
| 技术解析 | 产品指标的关联性（LTV=ARPU×留存天数）；广告指标的计算链（展示率→填充率→eCPM→ARPDAU→影响LTV）；漏斗分析定位流失节点 |
| 应用场景 | 分析RealBot的订阅转化漏斗、评估广告展示节点收益、计算不同渠道用户的LTV差异、定位功能流失点 |
| 面试话术 | ”我通过SQL查询用户会话表，发现RealBot的Day 7留存是关键阈值——Day 7后发起对话的用户订阅转化率是Day 1的3倍” |
11. API / JSON / Postman 理解
| 维度 | 内容 |
|---|
| 知识点 | HTTP方法（GET/POST/PUT/DELETE）、JSON请求/返回/错误码、REST API文档读写、Postman/Apifox测试、后端概念（鉴权/限流/异步/重试）、数据库表结构（用户/会话/消息/订阅/广告事件） |
| 技术解析 | API是PM和研发的”接口协议”；错误码设计体现产品对异常的理解；表结构决定了功能的设计边界 |
| 应用场景 | 写PRD时附上接口定义、测试验收时自己调接口验证、排查问题时能看懂后端错误日志 |
| 面试话术 | ”我能独立用Postman测试AI Chat的上传/解析/检索/回答全链路接口，PRD中附接口字段定义，研发不需要反复确认” |
12. AI产品商业化：IAA + 订阅转化
| 维度 | 内容 |
|---|
| 知识点 | IAA变现（展示率/填充率/eCPM/ARPDAU/广告频控/展示节点设计）；订阅转化（定价策略/漏斗优化/试用策略）；商业化指标体系 |
| 技术解析 | 广告节点设计影响用户体验（展示时机、频次）和收入（展示率→填充率→eCPM）；订阅定价需对标竞品（RealBot对标Ask AI、Nova AI周$9/月$20/年$75） |
| 应用场景 | RealBot订阅功能设计、DailySpeak免费层广告策略、用户生命周期的变现节点规划 |
| 面试话术 | ”RealBot定价对标Ask AI和Nova AI，采用周$9/月$20/年$75三级定价；广告展示设计在自然断点（对话间隙/长等待时间），避免打断核心体验” |
P2 - 投入产出比中等(储备知识 + 实战时再深挖)
特点：少数岗位会问，日常用得少，有概念即可
13. 埋点与数据看板设计
| 维度 | 内容 |
|---|
| 知识点 | 事件命名规范、属性定义、触发时机、漏斗路径设计、看板工（Looker Studio/Metabase/Tableau） |
| 技术解析 | 好埋点的标准：谁+在什么时机+做了什么+结果如何；漏斗看板要能逐层下钻 |
| 应用场景 | RealBot从”下载→注册→首次对话→留存→订阅”的全流程埋点 |
| 面试话术 | ”我为RealBot设计了从下载到订阅的完整埋点方案，看板覆盖DAU/对话完成率/广告收入/LTV，能逐层下钻到单用户行为” |
| ⏳ 建议 | 面试前看1-2篇相关文章就好，不需要投入大量时间 |
14. React + Tailwind Demo 制作
| 维度 | 内容 |
|---|
| 知识点 | React（组件/状态/路由）、Tailwind CSS实用样式、Cursor+API快速搭建、LangChain基础概念 |
| 技术解析 | PM不需要成工程代码，能跑通Demo展示功能逻辑即可；API Key直连无需后端 |
| 应用场景 | 面试时展示可交互Demo（TechKids AI Lab / 文档问答助手）、需求验证时快速出原型 |
| 面试话术 | ”我用Cursor+React+DeepSeek API三天搭了一个文档问答Demo，包含上传→检索→引用→订阅弹窗全流程” |
| ⏳ 建议 | 有12周学习计划时可排入最后4周，面试前1-2周快速熟悉 |
15. AI Coding 工具链理解
| 维度 | 内容 |
|---|
| 知识点 | Cursor/Copilot用法、AI Coding的原理（补全/Agent模式）、AI Coding的边界（复杂重构/多文件联动仍需人工） |
| 技术解析 | AI Coding核心是代码补全+上下文理解；Agent模式可自主执行多步操作但仍有30%+的错误率 |
| 应用场景 | 提升个人开发效率、和工程团队沟通时理解他们的工具链、TechKids/DailySpeak代码迭代 |
| 面试话术 | ”我日常使用Cursor+Claude辅助代码开发，理解AI Coding的能力边界，不会过度承诺给业务方” |
| ⏳ 建议 | 面试不常问，但在产品实操场景中逐步积累即可 |
16. 模型训练基础原理（了解级）
| 维度 | 内容 |
|---|
| 知识点 | 预训练（Pretraining→海量文本无监督学习）、微调（Fine-tuning→任务数据有监督训练）、LoRA（低秩适配→参数高效微调）、量化（Quantization→INT8/FP16→推理加速） |
| 技术解析 | 预训练决定”知识广度和语言能力”；微调决定”特定任务的适配度”；LoRA让微调成本从百万降到千元级；量化以少量精度换数倍推理速度 |
| 应用场景 | 理解模型选型（通用vs领域）、和算法团队沟通微调方案、评估量化对产品体验的影响 |
| 面试话术 | ”我理解LoRA可以在消费级显卡上微调7B模型，成本可控；量化后的模型推理速度提升3倍，适合移动端部署” |
| ⏳ 建议 | 知道概念即可，遇到追问的概率很低。AI PM岗位不需要深入训练细节 |
复习优先级总表
| 优先级 | 知识点 | 掌握程度 | 预计时间 | 面试命中率 |
|---|
| P0 | LLM基础（Token/窗口/幻觉/Temp/SP/Few-shot/FC） | 能讲+能举例 | 2天 | 95% |
| P0 | Prompt Engineering（角色/结构化/约束/反例/评测） | 能讲+能举例 | 2天 | 90% |
| P0 | AI Agent（工具/记忆/拆解/工作流/兜底） | 能讲+能举例 | 2天 | 90% |
| P0 | RAG（切片/Embedding/向量库/召回/重排/引用） | 能讲流程+能举例 | 2天 | 85% |
| P0 | 项目亮点+技术难点（5点） | 能逐点展开 | 1天 | 100% |
| P1 | SFT vs RLHF | 能对比阐述 | 0.5天 | 40% |
| P1 | MoE 架构 | 能讲核心优势 | 0.5天 | 30% |
| P1 | AI效果评估体系 | 能讲三层+举例 | 0.5天 | 35% |
| P1 | SQL + 产品指标 | 能讲+能现场查 | 3天 | 50% |
| P1 | API/JSON/Postman | 能讲+能演示 | 1天 | 30% |
| P1 | IAA+订阅商业化 | 能讲策略+数据 | 1天 | 40% |
| P2 | 埋点与看板设计 | 会概念 | 0.5天 | 15% |
| P2 | React+Tailwind Demo | 了解即可 | — | 10% |
| P2 | AI Coding工具链 | 了解即可 | — | 10% |
| P2 | 模型训练原理 | 了解概念 | 0.5天 | 10% |
总计有效复习时间：P0约9天 + P1约6.5天 + P2约1天 = 约16.5天
建议策略：P0反复过3遍 → P1过1遍 → P2只看概念
面试重点自检清单
P0 必须过关
P1 争取过关
P2 了解即可