准备AI产品经理面试时，多数人会把精力放在大模型技术原理的背诵上，但真正拉开差距的往往是两类问题：一类是“你怎么判断某个需求该不该用AI来做”，也就是能力边界问题；另一类是“请讲一个你主导或参与的AI落地项目”。前者考察技术判断力，后者考察实战经验，两者都答不好，简历写得再漂亮也很难过技术交叉面。这篇文章就从面试官的视角出发，把这两类问题的准备思路拆开讲透。
面试官为什么会反复追问AI能力边界
能力边界问题的本质，是筛选掉那种“什么需求都想着扔给大模型”的候选人。AI产品经理的核心价值之一，就是在业务需求和技术可行性之间做判断：哪些环节AI能稳定胜任，哪些环节必须人工兜底，哪些环节用传统规则反而更靠谱。如果候选人张口就是“大模型什么都能做”，基本会被直接扣分。
回答这类问题需要一个结构化的分析框架。建议从四个维度来评估一个需求是否在AI能力边界内：第一是任务的确定性程度，输出标准是否唯一、是否可验证，比如文本摘要属于相对开放的任务，而财务对账这种要求百分百准确的任务就不适合直接交给模型；第二是错误的容忍度，医疗、法律等高风险场景中幻觉问题的代价极高，必须设计人机协同的审核流程；第三是成本与延迟约束，实时客服要求秒级响应，而离线的批量分析可以容忍分钟级处理；第四是数据的可获得性，模型再强，没有足够的领域知识注入也无从发挥。
面试中比较加分的做法是主动举反例。比如你可以这样说：“我曾经评估过一个用大模型做合同关键条款自动审批的需求，最后我的结论是只能做辅助提取、不能做自动通过，因为模型抽取的准确率在95%左右，剩下5%的错误在合同场景下是业务无法承受的，所以最终方案是模型抽取加人工复核，把人效提升三倍作为目标，而不是追求全自动。”这种带着量化指标和权衡取舍的表达，比空谈“要辩证看待AI能力”有说服力得多。
常见技术方案的适用场景必须讲得清楚
聊能力边界离不开对具体技术方案的判断。RAG、微调、提示工程、Agent这几种方案，面试中被问到的概率接近百分之百，关键是能不能说清楚各自的适用条件和局限。提示工程成本最低、见效最快，适合任务相对简单、对输出格式要求明确的场景，缺点是上限受模型基座能力制约。RAG适合知识频繁更新、有大量私有文档的场景，典型如企业知识库问答，它能缓解幻觉但并不能彻底消除，检索质量差的话整体效果会明显下降。
微调的适用场景容易被说错。很多候选人会笼统地说“数据多就微调”，更准确的说法是：当你需要模型学习特定的表达风格、固定的输出结构，或者基座模型在某个细分任务上表现不足且该任务模式相对稳定时，微调才划算。如果只是想让模型知道一些新知识，RAG通常是更合适的方案，因为知识的更新成本远低于重新微调。另外还要能讲清楚两者可以结合使用，先用RAG注入知识，再用微调规范输出行为。
面试时可以主动聊一下评估环节，这是很多候选人忽略的盲区。比如RAG系统上线前，你是怎么评估检索召回率和答案忠实度的？有没有构建过评测集？一个能说出“我离线构建了两百条标注问答对，用召回率、答案准确率、拒答正确率三个指标做回归测试，每次迭代提示词或换检索策略都跑一遍评测集”的候选人，明显比只会说“效果还可以”的人可信得多。
落地案例怎么讲才有说服力
讲落地案例最忌讳流水账式的叙述。推荐用背景与目标、方案与权衡、结果与反思三段式结构。背景部分要交代清楚业务痛点是什么、为什么现有方案解决不了、你的角色和职责边界在哪里；方案部分重点讲权衡过程，而不是罗列用了什么模型，比如为什么选RAG不选微调、为什么用小模型加检索而不是直接调最大的模型、如何在效果和成本之间做取舍；结果部分必须带量化数据，覆盖了多少用户、准确率或转化率提升了多少、节省了多少人力成本。
反思环节往往是最能体现候选人水平的部分。主动讲清楚项目踩过的坑，比如初期高估了模型对长文档的理解能力、评测集建设滞后导致迭代没有依据、用户实际使用方式和预期偏差很大等，并说明后续是怎么修正的。面试官问案例的深层目的，是验证你是真的深度参与过，还是只是在旁边围观。细节的颗粒度决定了可信度。
如果缺少真实的AI落地经验，也不建议编造。更好的做法是选一个自己熟悉的传统产品模块，认真推演一遍如果用AI重构该怎么做：需求评估、方案选型、数据准备、效果评估指标设计、上线后的风险控制。把它整理成一个完整的推演方案在面试中呈现，诚实说明这是自己的规划性思考，反而能展现出产品思维的完整性，比一个漏洞百出的编造案例安全得多。
几个常见的认知误区提前避开
第一个误区是把模型评测分数等同于业务效果。通用榜单上的高分模型未必在你的具体场景表现最好，正确的做法是拿自己的业务数据做小规模对比测试。第二个误区是忽视拒绝回答的能力设计，一个好的AI产品不仅要知道什么时候回答，更要知道什么时候承认自己不知道，尤其是问答类产品，宁可拒答也不能编造。第三个误区是只关注首版上线，忽略上线后的数据回流和持续迭代机制，AI产品和传统产品最大的区别就在于效果是随数据和迭代持续变化的，把迭代机制讲进方案里是加分项。
最后在面试表达层面，注意技术名词的使用要克制和准确。不要为了显得专业而堆砌术语，每一个你提到的方法都要能经得起追问，比如你说了向量检索，就要能解释 Embedding 的基本原理、相似度怎么算、为什么分块策略会影响效果。准备阶段可以把自己简历上每一个和AI相关的点都列出来，逐一预演可能的追问，做到每一层都至少能往下答两轮，面试的把握就会大很多。