面试准备总览
多公司面试准备追踪
目标公司 （点击切换）
XJTLU AIAC
Senior AI Solutions Engineer (FDE)
DeepSeek
AI 产品经理
PatSnap 智慧芽
AI 产品经理 (Pulse 研发情报)
Booking.com
Technology Product Manager (Shanghai)
瑞启深空
产品经理 (AI平台方向) · 苏州
Hiring Manager
王大鹏 博士
AIAC 副院长 · 原复星旅文 AI+ 总经理/首席技术专家
职业轨迹
🎓 中国科学技术大学
系统科研训练，奠定学术基底
🔬 贝尔实验室
无线网络与云计算研究，技术产业化伏笔
💰 中国平安
AI战略规划，金融+健康+城市治理多领域落地
🏖️ 复星旅文
AI+总经理，推动"AI First"战略，全球第一AI度假品牌
🏫 西浦 AIAC
副院长，产业AI落地方法论学术化+规模化输出
核心理念
🔄 AI First 双轮驱动
业务+AI（找场景融入）与 AI+业务（统一本体，智能流动涌现）同时推进
🐸 迭代蛙跳优化
先快速上线验证价值，再基于数据反馈持续迭代，不追求一步到位
🔁 数据飞轮
AI上线→积累新数据→反哺模型→更好交互→更优质数据，持续正循环
🤝 人机协作非替代
AI做高频重复标准化，人做高端服务+情感+复杂判断，催生更高端工种
🌐 开放生态实验室
联合大厂+创业公司+投资基金，真实场景验证方案，不闭门造车
📊 数据治理先行
没有干净数据底座AI是空中楼阁，数据部门要升级为平台型先导部门
准备清单
✅ 面试流程
4-5轮流程已梳理
✅ 评估标准
5维度已分析
✅ STAR 脚本
10题已完成
✅ Technical Presentation
Demo 已准备
✅ 自我介绍
中英文双版本
⬜ 模拟面试
待完成
职位信息
DeepSeek · AI 产品经理
产品部门 · 浙江杭州 / 北京
方向一：AI 产品方向
📋 产品规划
跟踪 AI 技术发展，制定 Chat 网页端、APP 端、开放平台产品策略
🎯 功能设计
数据分析+用户反馈，降低使用门槛，提升留存和转化
🔄 项目管理
与模型、算法、研发、运营团队协作快速推进
方向二：Agent Harness 产品方向
🗺️ 产品路线图
规划 DeepSeek Harness 产品路线图
📊 指标定义
定义衡量 Agent 帮助用户的指标
🚀 产品落地
推动 Harness 产品落地和体验优化
👥 用户社群
维护用户社群，获取反馈指导迭代
🤝 模型协作
与模型训练团队深度协作
Hiring Manager
待确认
Hiring Manager 信息待确认
核心要求（Agent Harness）
✅ 2年+产品经理经验
5年+微软高级PM经验，完全匹配
✅ Vibe Coding
多个独立项目，能写代码能建产品
✅ UI/UX 设计素养
Edge 移动端产品设计经验
✅ Agent 产品高强度用户
OpenClaw 多 Agent 系统实践者
✅ LLM/Agent 技术原理
API, KV Cache, Agent Loop, Tool Use, MCP, Memory 等
✅ 数据收集和分析能力
Edge AI eval framework 建设经验
✅ 中英文沟通
跨3个时区团队协作经验
准备清单
✅ JD 分析
职责与要求已梳理
✅ 能力匹配
核心要求逐项对照完成
⬜ 公司研究
DeepSeek 产品、技术路线、竞争格局
⬜ Harness 理解
深度研究 DeepSeek 现有产品体验
⬜ STAR 脚本
针对 Agent PM 方向定制
⬜ 自我介绍
针对 DeepSeek 定制版本
⬜ 面试流程
待了解具体面试轮次
⬜ 模拟面试
待完成
职位信息
PatSnap 智慧芽 · AI 产品经理
Pulse 研发情报方向 · 苏州工业园区 · 30-60k×15薪
核心匹配点
✅ 10年PM经验
远超1-3年要求，微软高级PM+创业经验
✅ AI Agent深度实践
OpenClaw多Agent系统，完美匹配Agent推送方向
✅ 多个Side Projects
Reverie Diary, DanceFlow, SkillGuard — 动手能力强
✅ Feed/Search经验
Edge Copilot信息流+搜索产品经验
✅ 英语流利
跨3时区团队协作，全英文工作环境
✅ 产品迭代思维
Edge AI DAU 3M→20M增长经验
准备清单
✅ JD 分析
职责与要求已梳理
✅ 能力匹配
核心要求逐项对照完成
✅ 公司研究
PatSnap产品线、客户群、竞争格局已完成
✅ Pulse产品理解
产品定位、竞品、核心场景已分析
✅ STAR 脚本
5题STAR已完成
✅ 自我介绍
中文定制版已完成
⬜ 面试流程
待了解具体面试轮次
⬜ 模拟面试
待完成
职位信息
Booking.com · Technology Product Manager
上海 · Hybrid · Internal后台产品 · 支撑Connected Trip系统重构 · 与阿姆斯特丹总部协作
核心匹配点
✅ 5年+ Tech PM
远超3年要求，微软高级PM经验
✅ 技术深度
能说架构师语言、懂System Design、API设计、技术tradeoff决策
✅ Agile & Roadmap
Edge团队sprint planning、季度roadmap制定
✅ 数据驱动决策
A/B testing、metrics定义、AI eval framework
✅ 跨Stakeholder沟通
三时区协调、AI Feature Council推动
✅ 英文流利
全英文工作环境，跨国团队协作
✅ 商业意识
Silot.ai 0→1商业化 + Edge增长指标驱动
准备清单
✅ JD 分析
职责与要求已梳理
✅ 能力匹配
核心要求逐项对照完成
✅ 公司研究
Booking.com产品、技术栈、A/B testing文化
⬜ 产品体验
实际使用Booking订酒店，找改进点
✅ STAR 脚本
针对平台PM方向定制
✅ 自我介绍
中英文双版本已完成
✅ 面试流程
5轮已确认：HR→PM Panel→EM Panel→GPM→HR谈薪
⬜ 模拟面试
待完成
面试核心题型（5大类）
🔧 System Design & API
系统架构设计、微服务拆分、API设计原则、技术方案tradeoff、连接方案评审
🧪 A/B Testing & Experimentation
设计实验、选primary metric、处理metrics冲突、sample size、novelty effects
💡 Product Sense & Metrics
定义success metrics、feature prioritization、用户行为分析、漏斗优化
🏪 Marketplace Economics
供需平衡、pricing策略、双边市场动态、commission模型
📊 Applied Analytics
数据解读驱动决策、SQL分析、Dashboard设计、异常检测
自我介绍（中英文 · Booking定制版）
🎫 English Self-Intro (60s)
Hi, I'm Emily. I've spent 5+ years as a Senior PM at Microsoft, leading AI product initiatives on Edge — including Copilot features and building the AI evaluation framework that cut our experiment decision cycle from 2 weeks to 3 days.
Before that, I took a product from zero to one at Silot.ai, an AI fintech startup, shipping a risk assessment product that reduced approval time from 48 hours to 2.
What excites me about Booking is the Connected Trip vision and the experimentation culture behind it. I've led system-level architecture decisions, designed APIs, and debated tradeoffs with engineers daily. I'd love to bring my experience in technical product management and cross-timezone collaboration to help rebuild the platform that powers Connected Trip.
🎫 中文自我介绍 (60s)
你好，我是Emily。我在微软做了5年多的高级产品经理，主导Edge浏览器的AI产品线——包括Copilot功能和AI评估框架，把实验决策周期从2周压到了3天。
之前在AI金融创业公司Silot.ai从0到1做产品，把风控审批时间从48小时降到2小时。
我对Booking这个岗位很感兴趣，因为它是偏技术的平台产品经理——我日常就是和架构师一起做技术方案评审、API设计、系统重构的tradeoff决策。同时我有3个时区協作经验，对与阿姆斯特丹总部的远程协作模式很熟悉。希望能用我的经验帮助支撑Connected Trip战略的系统重构。
招聘信息
📌 招聘经理
殷鹏
🎯 AI平台PM (最匹配)
LLM/Agent产品化、MLOps、Prompt管理、Agent编排、API生态
📊 数据服务PM
Agent驱动数据服务、金融/政务行业、POC交付
🗃️ 数据中台PM
数据全链路产品化、多数据库统一接入
核心匹配点（AI平台岗位）
✅ Agent编排实战
OpenClaw多Agent系统—11个Agent协同，涵盖编排/记忆/工具调用/子Agent
✅ LLM产品化
Edge Copilot从实验室到产品的全流程，模型接入/能力封装/效果评估
✅ 平台API设计
微软平台级PM经验，开发者体验优化思维
✅ 开源生态
GitHub活跃用户，Hugging Face深度使用，多个开源项目
⚠️ 行业经验
遥感/航天无直接经验，但AI能力可跨行业迁移
✅ 创业经验
Silot.ai从0到1，匹配初创公司快速迭代节奏
准备清单
✅ JD分析
3个岗位已梳理，确认AI平台方向最匹配
✅ 能力匹配
核心要求逐项对照完成
✅ 公司研究
2.2亿天使轮、星座规划、图模型+图RAG
✅ STAR脚本
6题针对AI平台方向定制
✅ 自我介绍
中文定制版已完成
⬜ 模拟面试
待完成
西交利物浦大学 · 人工智能与先进计算学院
第一轮：HR 初筛
基础背景确认、薪资预期、入职时间、英语能力初步评估
已准备第二轮：技术面（含 Demo/Presentation）
AI 落地经验深挖、Agent 架构讨论、可能要求现场 Demo 或 Technical Presentation
重点准备第三轮：行为面试
STAR 格式回答。考察跨团队协作、从0到1经验、资源有限下的决策能力
脚本已备第四轮：终面（院长/Dean）
战略层面讨论：对 AI + 教育的思考、学院发展愿景、长期 commitment
待准备（可能）第五轮：加面
根据前几轮情况可能增加一轮，与其他 stakeholder 会面
待确认AI 落地能力
能否把 AI 从 demo 变成可用产品。从需求到架构到上线的全流程 ownership。
Agent 架构思维
对多 Agent 系统、编排、容错、可观测性的理解和实践经验。
商业 ROI 思维
能用 business language 说明技术决策的价值。数据驱动，结果导向。
国际化视野
全英文工作能力。理解中西方教育差异。跨文化协作经验。
创业心态
学院 2023 年成立，从0到1阶段。需要能在模糊环境中主动创造的人。
AIAC 人工智能与先进计算学院
2023年成立，处于从0到1建设阶段。定位：产业 + 学术结合，培养具备 AI 实践能力的人才。全英文教学环境，中西融合办学模式。位于苏州，紧邻工业园区 tech ecosystem。
王大鹏 — 产业 AI 落地派
前复星旅文 AI+ 总经理，产业背景深厚。刚转入学术界，重视"产业经验如何赋能学术"的桥接。面试风格预计：注重实际落地案例、ROI 数字、而非纯理论或模型参数。对"从 demo 到产品"的转化能力特别感兴趣。
工作环境与文化特点
全英文工作环境 · 中西融合 · 产业+学术结合 · 扁平化管理 · 鼓励创新和实验 · 与行业伙伴紧密合作 · 学院小而精，每个人影响力大
DeepSeek — AI 产品经理
幻方量化旗下 · AI 产品部门 · 杭州/北京
第一轮：HR 初筛
背景确认、动机了解、基本信息核实
待确认第二轮：产品面
产品 sense 考察、case study、AI 产品体验深度讨论
重点准备第三轮：技术面
Agent 架构理解、LLM 原理、Harness 设计思路
重点准备第四轮：交叉面 / Leader 面
与研究员或 VP 面试，战略思考、团队 fit 评估
待准备AI 产品 Sense
对模型能力边界的理解，不只看过要用过拆过。能辨别什么适合 LLM 做、什么不适合。
Agent / Harness 深度
对 Agent 产品形态、开发者体验、用户体验的强感知。Claude Code/Cursor/OpenClaw/Manus 等产品的深度使用和对比分析能力。
技术理解力
LLM API / KV Cache / Agent Loop / Tool Use / MCP / Reasoning / Planning / Memory / Subagent 等技术原理。
数据驱动
系统性数据收集与科学分析能力。问卷、访谈、A/B 测试、灰度测试经验。
产品细节感知
对异常分支、边界条件和失败场景的敏锐嗅觉。能看到用户看不到的产品问题。
工程能力
Vibe coding、AI coding 工具使用。能自己动手验证想法、build prototype。
DeepSeek — 幻方量化旗下 AI 实验室
DeepSeek 由幻方量化（High-Flyer）创立，专注 AI 基础研究。发布了 DeepSeek-V2/V3/R1 等模型，走开源路线，技术驱动文化。在 reasoning 和 coding 能力上表现突出，性价比极高。
小团队 · 快节奏 · 技术氛围浓厚
产品团队站在"模型与世界之间"。重视 hands-on 能力，不是纯管理型 PM。期望 PM 既能深度使用 Agent 产品，也能理解底层技术原理，能和研究员对话。
待确认
Hiring Manager 信息待进一步了解确认。
PatSnap 智慧芽 — AI 产品经理
Pulse 研发情报方向 · 苏州工业园区 · J12590
第一轮：HR初筛
背景确认、动机了解、薪资预期、英语能力
待准备第二轮：产品面
AI情报产品sense、用户理解、Agent推送设计思路
重点准备第三轮：技术面
技术监控方案、信息架构、动手验证能力
重点准备第四轮：Leader面
战略思考、团队fit、长期价值评估
待准备AI情报产品sense
对技术监控、情报追踪产品的理解，能设计研发人员需要的信息产品。
Agent/推送设计
对AI Agent推送的产品形态有思考，能设计智能信息推送体验。
研发用户理解
理解研发人员的信息获取与决策流程，能翻译为产品需求。
动手验证能力
能快速验证产品想法，不依赖研发资源就能做出MVP。
产品迭代思维
具备产品规划、迭代、数据驱动的完整闭环思维。
学习与探索精神
对AI产品有热情，主动研究新产品/交互/Agent形态。
PatSnap 智慧芽 — 科技创新和知识产权信息服务商
2007年成立，服务12000+客户，全球独角兽企业（连续3年）。覆盖生物医药/新材料/新能源/智能制造/半导体等50+行业。专注专利检索、技术情报、创新研发决策支持。
国际化团队 · 技术驱动 · AI转型中
重视AI能力和动手能力，鼓励探索新产品形态。产品团队需要理解研发用户的工作流和痛点。
Pulse — 研发情报平台
帮助研发人员追踪技术趋势、竞争对手动态、专利布局变化。通过AI Agent实现智能情报推送，从"用户主动搜索"进化到"AI主动发现并推送"。
竞争格局与智慧芽优势
Innography (Clarivate) — 专利分析+IP管理
Orbit Intelligence (Questel) — 全球专利检索
Lens.org — 开放专利/学术搜索
智慧芽优势：结构化数据深度 + AI能力（生成式AI摘要/监控推送/Agent自动化），不只是检索工具，是智能情报助手。
Pulse 四大核心场景
1. 技术趋势监控 — 某技术领域专利/论文增长曲线，发现新兴方向
2. 竞品动态追踪 — 竞争对手新专利/产品发布自动推送
3. 研发决策支持 — 立项前技术可行性/FTO分析
4. Agent推送 — 个性化情报feed，基于用户关注领域智能推荐，"对的时间推对的内容"
Booking.com — Technology Product Manager
Booking Holdings · 上海 · Hybrid
第一轮：HR Screening
背景确认、动机、薪资预期、英语能力、visa/relocation确认
待准备第二轮：PM 产品面 (Panel)
两位PM同时面试。产品思维、roadmap规划、case study、metrics设计、A/B testing
重点准备第三轮：EM 技术面 (Panel)
两位Engineering Manager同时面试。技术深度、系统设计、跨团队协作、数据驱动决策
重点准备第四轮：GPM 产品+文化面
Group Product Manager面试。产品战略vision、文化fit、leadership、long-term impact
待准备第五轮：HR 谈薪
薪资package谈判、福利、入职时间确认
待准备技术深度 & System Design
能说架构师/工程师的语言。懂API设计原则、系统重构tradeoff决策、微服务拆分、数据pipeline设计。能主导技术方案评审而非只做需求传话筒。
Connected Trip 平台架构
理解跨品类推荐系统设计（酒店↔机票↔接送机↔保险↔活动）。内部平台如何支撑多业务线数据打通与智能关联。
数据驱动 & A/B Testing
Booking极度依赖实验文化，每年跑数万个A/B test。PM必须能设计实验、解读数据、用数据说服stakeholder。
Roadmap & Vision
能定义清晰的产品愿景（1年+），并拆解为可执行的季度roadmap。平衡短期wins与长期目标。
Stakeholder Management
与工程、设计、业务多方协作。能向上管理也能向下推动。透明沟通、有效汇报。
Customer Centricity
以内部客户为中心（JD强调internal customers）。理解用户痛点，建立反馈闭环。
Commercial Awareness
识别商业机会并交付成果。理解business metrics如何与产品决策关联。
Self-Starter & Agile
高度自驱、灵活应变。能在快节奏环境中独立推进、主动发现问题。
Booking.com — 全球最大在线住宿预订平台
Booking Holdings旗下（NASDAQ: BKNG，市值$150B+）。总部阿姆斯特丹，全球200+国家，2900万+房源。极度数据驱动文化——A/B testing是核心DNA，每年数万个实验同时运行。
Experiment Everything · 小团队自治 · 数据即真理
PM拥有高度自主权，带领小型cross-functional团队。决策靠数据而非直觉/HiPPO。工程文化强，技术栈现代。Hybrid办公，全球化团队。强调“让每个人都能体验世界”的使命感。
Booking.com Customer Service Center (Shanghai) Co. Ltd.
上海office，日常需与阿姆斯特丹总部协作。该PM岗位面向内部后台技术平台——支撑Connected Trip战略的系统重构（跨品类推荐：酒店↔机票↔接送机↔保险↔目的地活动）。服务内部团队，非直接C端产品。
结构化面试 · Case-Heavy · 英文全程
Booking面试以结构化著称：每轮有明确考察维度。Case study可能涉及metrics设计、优先级排序、A/B test分析。全程英文。重视STAR格式的行为面问题。
Q: Describe a time you led a technical architecture tradeoff decision
S: Edge Copilot needed multi-model inference on mobile — team was split between on-device vs. cloud-only architecture.
T: As technical PM, lead the architecture review and make the final call.
A: Organized arch review comparing latency, cost, maintainability, and complexity. Proposed hybrid architecture: lightweight tasks on-device (fast + cheap), complex tasks cloud-routed (accurate), with an intelligent routing layer for dynamic dispatch. Used data to show hybrid could cut latency 40% while only adding 15% cloud cost.
R: Proposal adopted by engineering. On-device handled 70% of requests, cloud calls reduced 60%, user satisfaction unchanged. Pattern reused across 3 other features.
Q: How do you collaborate effectively with a remote HQ?
S: Edge team distributed across China, India, US — daily alignment needed with Redmond HQ.
T: Ensure cross-timezone team stayed aligned on product direction, priorities, and progress.
A: Designed async-first collaboration: daily written updates, weekly all-hands in overlap window, key decisions recorded + summarized. Replaced status meetings with shared dashboards. Major discussions scheduled in dual-timezone overlap slots.
R: Team alignment scores went from bottom to top-3 across org. Zero releases delayed due to timezone gaps. Communication efficiency rating improved significantly.
Q: Describe a time you used A/B testing to make a product decision
S: Edge AI feature launch — needed to validate if Copilot summarization improved user engagement without hurting page load.
T: Design experiment to measure impact on DAU, session duration, and task completion rate.
A: Defined primary metric (task completion) + guardrail metrics (latency p95, bounce rate). Set 2-week test duration, 5% traffic ramp → 20% → full rollout. Built automated dashboard for real-time monitoring.
R: Task completion +18%, latency within budget, bounced rate flat → green-lit full rollout. Framework adopted as team standard for all AI feature launches.
Q: How do you define product vision and translate it into a quarterly roadmap?
S: Edge Copilot multi-tab RAG — from 0 defining AI-assisted browsing direction for 20M+ users.
T: Create annual vision + quarterly milestones aligned with business OKRs.
A: User research (500+ surveys, 30 interviews) → competitive analysis → defined 3 strategic pillars → quarterly OKR breakdown → bi-weekly sprint reviews with 3 time zones → monthly stakeholder updates.
R: Accuracy +23%, DAU 3M→20M over 18 months. Roadmap adopted as department strategic direction. Earned “best practice” recognition from CVP.
Q: Tell me about managing competing stakeholder priorities
S: Edge Copilot involved Search, AI Platform, and Browser teams — each with different KPIs and timelines.
T: Align 3 teams on shared priorities, eliminate duplicate work, ship on time.
A: Created AI Feature Council (bi-weekly sync, rotating chair). Built shared backlog with transparent prioritization framework (RICE). Established “single source of truth” dashboard. Escalation path for unresolved conflicts.
R: Time-to-ship reduced 30%. Zero duplicate initiatives in 12 months. Cross-team satisfaction score improved from 3.2→4.5/5.
Q: Give an example where data changed your product direction
S: Building AI eval framework at Edge — initial hypothesis was users wanted faster responses.
T: Validate assumption before investing 2 sprints in latency optimization.
A: Ran multivariate analysis on user satisfaction signals. Discovered accuracy (not speed) was the #1 driver of repeat usage. Pivoted roadmap to prioritize retrieval quality over latency. Built automated quality scoring pipeline.
R: User satisfaction +22% in next quarter. Saved 2 sprint cycles of wasted latency work. Decision cycle shortened from 2 weeks to 3 days with the new eval pipeline.
Q: What do you do when two metrics move in opposite directions?
S: Silot.ai risk assessment — speed improvement caused false positive rate to increase temporarily.
T: Decide whether to ship the faster model or revert.
A: Analyzed cohort data: false positive spike was concentrated in edge-case transactions (< 2% of volume). Calculated business impact: speed gain saved $50K/month in processing costs vs. $3K in false positive remediation. Set guardrail threshold and phased rollout with monitoring.
R: Shipped with guardrails. After 30 days, false positive normalized as model retrained. Net: approval time 48h→2h, false positive -62% long-term.
Q: How do you keep internal customers at the center of platform decisions?
S: Edge AI platform served 5 internal product teams with different needs and priorities.
T: Build platform roadmap that maximized adoption while serving diverse use cases.
A: Established quarterly “customer advisory board” with reps from each team. Ran NPS surveys monthly. Created self-serve documentation + office hours. Prioritized by adoption impact × effort using data from usage analytics.
R: Platform adoption grew from 2 teams to 5 in 6 months. Internal NPS went from 32 to 67. Support tickets reduced 40% through better docs.
Q: 描述你用A/B测试做产品决策的经历
S: Edge AI功能上线——需验证Copilot摘要功能是否提升用户engagement且不影响页面加载。
T: 设计实验衡量DAU、会话时长、任务完成率的影响。
A: 定义主指标（任务完成率）+护栏指标（p95延迟、跳出率）。设置2周实验期，5%→ 20%→全量放量。建自动化实时监控Dashboard。
R: 任务完成率+18%，延迟在预算内，跳出率无变→全量上线。该框架被团队采纳为所有AI功能发布标准。
Q: 描述你主导技术方案tradeoff决策的经历
S: Edge Copilot需在移动端支持多模型推理，团队在“端侧推理vs云端调用”之间有分歧。
T: 作为技术型PM，需主导架构评审并做出最终方案决策。
A: 组织架构评审会，从延迟、成本、维护性、难度四维度对比。提出“混合架构”：轻量任务端侧处理（快+省钱），复杂任务云端处理（准确），智能路由层动态分发。用数据证明混合方案可将延迟降40%且云端成本只增15%。
R: 方案被架构师团队采纳并落地。端侧处理覆盖70%请求，云端调用减少60%，用户满意度不变。
Q: 你如何制定产品愿景并拆解为季度路线图？
S: Edge Copilot多标签Page RAG——从零定义AI辅助浏览方向，服务2000万+用户。
T: 制定年度愿景+季度里程碑，对齐业务OKR。
A: 用户调研（500+问卷、30场访谈）→ 竞品分析 → 定义3大战略支柱 → OKR季度拆解 → 双周sprint评审（3时区）→ 月度stakeholder同步。
R: 准确率+23%，DAU从300万增长到2000万（18个月）。Roadmap被部门采纳为战略方向，CVP认可为“最佳实践”。
Q: 如何处理多方stakeholder的优先级冲突？
S: Edge Copilot涉及Search、AI Platform、Browser三个团队——各有不同KPI和时间线。
T: 对齐3个团队的共同优先级，消除重复工作，按时交付。
A: 创建AI Feature Council（双周同步、轮值主持）。建立共享backlog+透明优先级框架（RICE）。设立“单一事实源”看板和冲突升级路径。
R: 交付周期缩30%，12个月零重复任务。跨团队满意度从3.2到4.5/5。
Q: 如何与远程总部高效协作？
S: Edge团队分布在中国、印度、美国三个时区，日常需与雷德蒙德总部同步决策。
T: 确保跨时区团队对产品方向、优先级、进展始终对齐。
A: 设计“async-first”协作模式：每日异步更新文档、每周一次全员同步、关键决策录屏+写摘要。用共享Dashboard代替状态会议。重要讨论双时区重叠时段安排。
R: 团队对齐度显著提升，沟通效率评分从团队倒数变为前三。产品发布无因时区差异延期的记录。
Q: 如何把内部客户放在平台决策的中心？
S: Edge AI平台服务5个内部产品团队，各有不同需求和优先级。
T: 制定平台路线图，最大化采用率同时覆盖多元场景。
A: 建立季度“客户咨询委员会”（各团队代表）。月度NPS调研。自助文档+office hours。用使用分析数据按“采用影响×工作量”排优先级。
R: 平台采用从2个团队增到5个，内部NPS从32增到67。支持工单减40%。
瑞启深空 — 产品经理 (AI平台方向)
商业航天+AI · 苏州虎丘区 · 40-50k×15薪
第一轮：HR 初筛
背景确认、动机了解、薪资预期、入职时间
待准备第二轮：产品面（Hiring Manager 殷鹏）
AI平台产品架构、Agent编排设计、MLOps理解、开源策略
重点准备第三轮：技术面
LLM原理、Agent架构深挖、API设计能力、图模型+图RAG理解
重点准备第四轮：创始人/VP 面
战略fit、创业心态、对商业航天+AI赛道的理解
待准备LLM/Agent 产品化能力
能否把 LLM 和 Agent 能力封装为可用产品。从模型接入、能力封装、效果评估到迭代优化的全流程。
平台架构思维
对 MLOps、Prompt 管理、Agent 编排、效果监控等模块的产品规划能力。平台化而非单点解决方案思维。
开源生态理解
熟悉 Hugging Face、GitHub 等开源社区，能评估开源模型与工具，设计"开源+自研"混合策略。
API/开发者体验设计
设计开发者友好的 API 体系、SDK、技术文档与示例，推动平台生态繁荣。
创业心态 & 从0到1经验
公司2026年初创，需要能在模糊环境中主动创造、快速迭代的人。
遥感/航天行业理解
对商业遥感赛道、星座运营、太空情报服务的基本理解。非必要但加分。
瑞启深空 — 商业航天+AI 智能遥感星座公司
2026年3月成立，苏州虎丘区。刚完成2.2亿元天使轮融资（苏高新金控、卓璞资本等）。规划2800颗卫星"全球智能遥感元星座"，2030年前426颗在轨。"复兴中华01/02号"已在轨运行。对标Palantir，从"提供图像"到"给出判断"的价值跃迁。
院士+创业者 · 硬核技术驱动 · 从0到1阶段
三位院士领衔（任露泉、林君、段广仁）。创始人杜一光（CEO，连续创业者）+张刘（航天科学家，吉天星舟创办者）。团队汇聚博士人才，涵盖卫星总体设计、AI算法、GIS空间信息、全球市场运营。创业初期，快速迭代、技术氛围浓厚。
通遥算一体 · 在轨AI · 图模型+图RAG
单星硬件：非沿轨一次过境曲线成像、高几何高光谱成像，单星效率达传统10倍，成本降至1/10。
星座协同：星间激光通信+在轨AI处理，"天拍天算"替代"天拍地算"。
情报引擎：自研图模型+图RAG与大模型融合，自动生成六维研判决策情报（何时/何地/何物/何变/何因/何对策）。
从卫星数据商到太空情报服务商
不停留在卫星基础数据供应商，而是把遥感数据转化为可落地、可决策的情报结论。服务国家安全、能源监测、海洋、应急管理、矿产、文物保护等高价值场景。商业模式：短期整星销售+数据服务，中长期太空情报订阅服务。
Q: 你如何设计多Agent协作系统的产品架构？
S: 个人运营OpenClaw宗门系统，需要11个Agent协同工作，覆盖投资、内容、开发、社区等业务线。
T: 设计可扩展的Agent编排架构，支持串行 pipeline、并行 spawn、动态调度。
A: 设计了"总指挥+分层执行"架构。每个Agent有独立人设、记忆系统、工具集。子Agent结果自动回报父Agent。设计了统一的 skill 分发机制和 memory 持久化方案。
R: 11个Agent稳定运行，每天处理小红书内容、投资分析、代码审查等任务。架构支持新Agent热插拔，不需重启系统。
Q: 你如何把AI从实验室搬到产品中？
S: Edge Copilot 需要把 LLM 能力集成到浏览器移动端，服务千万级 DAU。
T: 从模型接入、能力封装、效果评估到线上迭代的全流程产品化。
A: 建立分层评估体系（离线 eval→A/B test→线上监控），设计 prompt 版本管理和回滚机制，定义核心 metrics（准确率/延迟/满意度）。
R: 实验决策周期从2周压到3天，误报率降62%。Copilot DAU 从零增长到数百万。
Q: 你如何设计开发者友好的平台API？
S: Edge AI 平台服务5个内部产品团队，每个团队说"API太难用"。
T: 重新设计 API 体系，让内部开发者能在5分钟内跑通第一个 demo。
A: 设计了三层 API 架构（基础调用→场景模板→自定义编排），配套 Playground、Quickstart Guide、交互式文档。每周 office hours 收集反馈。
R: 平台 adoption 从2个团队增到5个，集成时间从2周降到3天。内部 NPS 从32增到67。
Q: 你如何设计"开源+自研"的混合产品策略？
S: OpenClaw Agent系统需要选择底层模型和工具链，预算有限但需要高质量。
T: 在开源和商业方案之间找到最优组合。
A: 建立了三层评估框架：① 基础能力用开源（Llama/Qwen做本地推理，LangChain做编排）② 核心差异化用商业API（Claude/GPT做复杂推理）③ 自研部分聚焦在领域适配（prompt工程、记忆管理、skill系统）。定期跑 benchmark 对比开源模型新版本。
R: 成本降低60%的同时，核心任务质量不降反升。形成了可复用的"开源评估→试点→灰度→替换"流程。
Q: 你有从0到1搭建产品的经验吗？
S: 加入新加坡Silot.ai时公司只有5人，需要从零给东南亚银行做AI风控系统。
T: 6个月内交付可用产品，赢得客户续约。
A: 亲自做客户调研、需求分析、PRD撰写、原型设计。与3人工程团队紧密协作，2周一个sprint。在客户现有系统的限制下找到最小可行方案，先用规则引擎跑通流程，再逐步引入深度学习模型。
R: 审批时间从48小时降到2小时，误报率降低62%，处理$2M+交易量。客户续约并扩展到更多业务线。
Q: 你如何搭建AI效果评估体系？
S: Edge Copilot上线后缺乏系统性的质量评估，产品决策靠"感觉"。
T: 从零搭建可量化、可自动化的AI评估体系。
A: 设计三层评估：① 离线eval — golden test set + 自动化pipeline，每次模型/prompt更新自动跑 ② A/B test — 线上实验框架，定义primary/guardrail metrics ③ 线上监控 — 实时 dashboard，异常自动告警。引入双Grader评估（Pairwise盲评+Rubric评分），消除评估偏差。
R: 评估覆盖率从30%提升到95%，实验决策周期从2周降到3天。该框架被Edge其他AI功能团队采用。
题目库
多公司面试题库
Q1: 请举一个你从0到1落地AI产品的例子
✓ 关键点
Silot.ai AI风控产品 · 5人团队6个月上线 · 审批时间48h→2h · 误报率降低62% · 处理$2M+交易量
Q2: 你如何推动跨团队协作完成复杂AI项目？
✓ 关键点
Edge Copilot Mode launch · 5+团队(产品/研发/设计/市场/搜索) · 定义Universal Topline Metrics · Non-Goals减少80%scope讨论 · Council Review只聊blocker · 按journey划分ownership不宜过细 · CVP级好评 · 设计被桌面端复用 · 因高层战略调整未GA但协作模型沉淀
Q3: 说一个你做技术决策后来发现错了的经历
✓ 关键点
LLM-as-Judge 评测 · 一致性67%→89% · 重新设计 hybrid eval pipeline · "eval of eval"机制
Q4: 你如何用数据驱动决策来提升产品指标？
✓ 关键点
Edge AI DAU增长停滞 · funnel analytics · smart nudge系统 · 触发率+35% · 7-day retention+12%
Q5: 描述一个你设计 Agent 架构的项目
✓ 关键点
OpenClaw 多Agent系统 · dispatcher+specialist架构 · pipeline state machine · 人工干预率40%→8%
Q6: 你如何向非技术 stakeholder 解释复杂AI概念？
✓ 关键点
Side Projects实战 · DanceFlow给舞蹈老师解释骨架检测(用“镜子+角度”类比) · Working Demo替代PPT · 多Agent用“专业团队”类比 · 量化不形容(“2小时⇒10分钟”) · 让对方信任而非懂技术
Q7: 你如何快速学习新技术领域并应用？
✓ 关键点
LLM 从0到落地 · 6周建立团队能力 · LLM Product Playbook · AI Paper Club · 被promote为tech lead
Q8: 你怎么处理资源有限但目标很大的情况？
✓ 关键点
3PM+5工程师支持4个feature · ICE scoring · platform化 · velocity+30% · "say no with data"
Q9: 描述一个你将用户反馈转化为产品改进的闭环
✓ 关键点
Edge Copilot NPS 32→58 · intent-aware summarization · "太长"→个性化需求 · 用户留存+15%
Q10: 你对 AI 在教育领域的应用有什么思考？
✓ 关键点
Reverie Diary + DanceFlow 实践 · 苏格拉底式AI · 个性化学习路径 · AI TA · Assessment革新 · 教师赋能
T1: 多轮对话的时候记忆问题怎么解决？
✓ 回答要点
三层记忆架构：① 短期记忆（sliding window, 最近N轮原文保留）② 中期记忆（conversation summary，用LLM压缩历史为摘要，随对话滚动更新）③ 长期记忆（向量数据库存储关键事实/用户偏好，按相关性检索注入context）。实践中还需：token budget管理（在context window限制内动态分配给system prompt/memory/当前对话）、memory decay（旧记忆降权）、explicit memory（用户说"记住这个"时写入持久存储）。关键trade-off：全量保留太贵且噪音多，压缩太狠丢信息——需要根据场景调整压缩策略。
T2: Harness怎么做？
✓ 回答要点
AI Harness = 将LLM能力封装为可控、可测、可观测的执行环境。核心组件：① Orchestration layer（管理 prompt template + tool routing + output parsing）② Guardrails（input/output validation, content filtering, PII detection）③ Eval pipeline（自动化质量检测，包括factuality/safety/relevance评分）④ Observability（tracing每次调用的latency/token/cost/quality score）⑤ Fallback & retry（模型降级策略、timeout处理）。在Edge的实践：我们建了统一的AI Feature Harness，所有AI功能通过同一套infra接入，包含A/B test framework、feature flag、metrics collection。好处：新feature接入成本从2周降到2天，质量回归自动catch。关键设计原则：harness要对业务逻辑透明，开发者只关心prompt和tool，infra层处理可靠性和监控。
T3: Chatbot embedding用的什么模型？
✓ 回答要点
选型取决于场景：① 通用高质量：OpenAI text-embedding-3-large（3072维，多语言强）或 Cohere embed-v3（支持search/classification不同模式）② 开源自部署：BGE-M3（多语言+多粒度）、GTE-large、E5-mistral-7b（大模型embedding，效果最好但贵）③ 轻量低延迟：text-embedding-3-small 或 all-MiniLM-L6（384维，适合端侧）。选型考量：维度（越高越准但存储贵）、多语言能力（中英混合场景必须测中文效果）、检索 vs 分类（用途不同微调方向不同）、latency要求（实时对话 vs 离线索引）。关键insight：embedding选型要看下游任务的端到端效果（retrieval recall@10），不能只看MTEB排行榜。
T4: Copilot in MSFT Edge的技术方案是怎样的？在GPT模型之上做了什么？
✓ 回答要点
Edge Copilot 不是裸GPT，是多层增强：① Context Grounding — 将当前页面/多tab内容通过RAG注入，让模型基于用户正在看的内容回答（multi-tab RAG：提取多个tab的关键内容，rerank后拼接）② Task-specific routing — 不同用户意图（summarize/compare/create/chat）路由到不同prompt template+工具链 ③ Safety layer — Microsoft Responsible AI filters，content moderation，jailbreak detection ④ Personalization — 基于用户浏览历史和偏好调整回答风格和长度 ⑤ Mobile adaptation — 端侧轻量推理（部分简单任务用小模型on-device处理，复杂任务走cloud）⑥ Eval & iteration — 自建eval framework持续监控质量，每周根据bad case更新prompt和filter rules。核心创新点：把浏览器作为context source，让AI"看到"用户正在看什么，而非无状态对话。
T5: AI语音产品里用的什么模型？什么模型效果最好？
✓ 回答要点
AI语音产品涉及三个环节：① ASR（语音转文字）：Whisper large-v3（开源最强）、Azure Speech/Google Speech（商用低延迟）、Deepgram Nova-2（性价比高）② TTS（文字转语音）：ElevenLabs（最自然，支持clone）、OpenAI TTS（4种voice，低成本）、Azure Neural TTS（多语言+情感控制）、Fish Audio/CosyVoice（中文效果好+开源）③ Voice Agent（实时对话）：OpenAI Realtime API（端到端最低延迟~300ms）、LiveKit+各模型组合、Vapi/Bland.ai（voice agent平台）。效果最好看场景：自然度→ElevenLabs；中文→CosyVoice/Fish；低延迟实时对话→OpenAI Realtime；成本敏感→Azure Neural TTS。关键趋势：从pipeline（ASR→LLM→TTS）走向端到端speech-to-speech模型（GPT-4o style），延迟更低、表达更自然。
T6: 传统ML vs Agentic AI：有人反对用ML因为结果不透明，Agent能看到过程，你怎么看？
✓ 回答要点
这个观点有道理但过于绝对，正确答案是"看场景选工具"：① ML适合的场景：高频低延迟决策（推荐系统毫秒级响应）、有明确数据pattern的分类/回归任务、需要严格可复现性的场景（金融风控合规审计）② Agent适合的场景：复杂多步推理、需要调用外部工具、任务定义模糊需要探索、需要chain-of-thought可解释性 ③ 两者并非对立：Agent系统内部可以调用ML模型（如Agent用ML做初筛，再用LLM做深度分析）④ 关于"透明度"：ML也可以做可解释（SHAP/LIME/feature importance），Agent的"过程"未必是真正的推理过程（LLM可能rationalize而非真正reason）⑤ 实践建议：先用ML跑baseline（快、便宜、可控），只在ML搞不定时上Agent；Agent的observability要做好（每步trace），否则debug比ML更难。我在Edge的经验：AI feature用hybrid——simple intent detection用lightweight ML，complex reasoning用LLM agent。
T7: 如何搭建Agent的知识库？
✓ 回答要点
Agent知识库搭建全流程：① 数据收集与预处理 — 确定数据源（文档/网页/数据库/API），清洗格式化，处理多模态（图表OCR、PDF解析用docling/marker）② Chunking策略 — 不要无脑按token切，按语义切（recursive character splitter + 尊重段落/标题边界），保留metadata（来源、时间、章节），chunk size 512-1024 tokens为主 ③ Embedding & Indexing — 选合适embedding模型，向量数据库（Pinecone/Weaviate/Qdrant/LanceDB），建hybrid index（向量+keyword BM25）④ Retrieval优化 — 多路召回（semantic + keyword + metadata filter），Reranker（cross-encoder或Cohere rerank），结果去重合并 ⑤ 知识更新 — 增量索引（不要每次全量rebuild），版本管理，过期内容标记 ⑥ 质量保障 — 定期跑retrieval evaluation（recall@k, MRR），人工抽检，建golden test set。关键经验：知识库不是建完就完了，是持续运维——数据源变化、embedding模型升级、业务需求变化都需要重新评估。Agent的知识库要支持动态扩展（新tool接入自动生成对应知识条目）。
✦ 实战方案对比（亲测）
Obsidian Vault + 向量化 — 我自己的 Agent 系统用的就是这个思路。Markdown 文件作为知识源，天然支持 Git 版本控制，双向链接形成知识图谱。配合 embedding pipeline 做向量索引后，Agent 可以语义检索整个 vault。优势：知识对人可读可编辑，维护成本低，本地优先不依赖第三方服务；劣势：需要自己搭 embedding + retrieval 链路，多人协作不如 SaaS 方便。适合：技术团队、个人 Agent、对数据主权有要求的场景。
LangChain / LlamaIndex RAG Pipeline — 最灵活的自建方案。支持 40+ document loader、多种 chunking 策略、可插拔向量库。我在做投资 Agent 扫描全 A 股时用过 LangChain 的 document pipeline 处理研报数据。优势：完全可控，支持复杂 retrieval 策略（multi-query、HyDE、parent-child chunk）；劣势：工程量大，每个环节都要调参，小团队容易过度工程化。适合：有工程能力的团队、需要深度定制 retrieval 逻辑的产品。
Coze / Dify 内置知识库 — 上传文件即可用，零代码。我测试过 Coze 的知识库模块，chunking 和 retrieval 都是黑盒但效果及格。优势：10 分钟上线，非技术人员也能维护；劣势：retrieval 策略不可控，embedding 模型不可选，数据存在第三方。适合：快速 MVP 验证、业务团队自助搭建、对数据隐私要求不高的场景。
选型建议：先用 Coze/Dify 验证知识库对 Agent 效果有没有提升（1 天），确认有价值后再迁移到 Vault + 自建 RAG pipeline（1-2 周）。关键不是工具选型，是建立 retrieval quality 的评估闭环——没有 golden test set 的知识库优化就是盲人摸象。
DQ1: 你是哪些 Agent 产品的深度用户？请对比分析它们的优劣
✓ 关键点
OpenClaw/Claude Code/Cursor/Manus 深度对比 · Agent Loop 差异 · Tool Use 实现 · Memory 策略 · 开发者 vs 消费者定位 · 2026.7 八天四模型（Grok 4.5/GPT-5.6/Muse Spark 1.1/Kimi K3）前沿白热化
DQ2: 请设计一个 Agent Harness 的产品方案
✓ 关键点
Orchestration/Guardrails/Eval/Observability/Fallback 五层架构 · Edge AI Harness 实践经验
DQ3: DeepSeek 的 Chat 产品如何提升用户留存？
✓ 关键点
Edge DAU 3M→20M 增长经验 · funnel 分析 · smart nudge · 个性化 · 社区运营
DQ4: 如何衡量“Agent 是否真的帮助到用户”？
✓ 关键点
任务完成率/用户满意度/效率提升 · eval framework 经验 · implicit feedback · A/B test
DQ5: 描述你对 Context Engineering 的理解和实践
✓ 关键点
Edge Copilot multi-tab RAG · context grounding · dynamic chunking · token budget · OpenClaw memory 三层架构
DQ6: 如何从用户社群中提取有效产品信号？
✓ 关键点
反馈分类体系 · NPS 32→58 · implicit feedback · “用户说的≠真实需求” · 量化+定性结合
DQ7: 你如何与研究员协作推动产品迭代？
✓ 关键点
Edge AI Feature Council · 跨时区协调 · 成为技术翻译者 · 统一 eval metric
DQ8: 请分析 DeepSeek 产品的竞争优势和改进空间
✓ 关键点
开源优势/性价比/推理能力 · 对比 ChatGPT/Claude · 产品化差距 · 移动端体验 · 2026.7 竞争白热化：Intelligence Index>50 实验室2→6家 · Kimi K3 2.8T参数开源第一 · GPT-5.6 Sol Coding Agent Index 80 · DeepSeek需加速Harness产品化
DQ9: 如何设计 AI 产品的安全和 Responsible AI 策略？
✓ 关键点
Edge RAI filters · 入/出双向 moderation · jailbreak detection · grounding check
DQ10: 你的 Side Projects 体现了什么产品能力？
✓ 关键点
多 Agent 系统→编排能力 · iOS App→全栈交付 · DanceFlow→AI+垂直场景 · 从PM到Builder
PQ1: 如何设计技术监控和情报追踪系统？
✓ STAR 关键点
S: Edge用户关注主题但不想每天手动搜索
T: 设计智能监控系统，重要变化时主动通知
A: ①定义"重要变化"信号源(新专利/论文/竞品更新) ②用户兴趣画像(行为推断+明确设定) ③Agent推送策略(频率控制/优先级:breakthrough>incremental/渠道适配) ④闭环验证(打开率/深度阅读/后续动作)
R: Edge smart nudge触发率+35%，7天留存+12%。推送不是越多越好，是"每条都有价值"才能建立信任。
PQ2: 研发人员的信息获取痛点是什么？如何设计产品解决？
✓ STAR 关键点
S: 研发人员痛点：时间碎片化、信息源分散(专利/论文/博客/竞品)、需要深度非广度
A: ①用户画像拆分(初级=全景/资深=精准监控/管理=趋势判断) ②嵌入工作流 ③高密度结构化呈现(摘要+数据+原文) ④Delta视图("这周有什么新变化")
R: Edge技术用户NPS最高功能="帮我总结关键点"——要效率不要花哨。直接适用Pulse。
PQ3: 如何让AI情报产品“可持续使用”而非一次性体验？
✓ STAR 关键点
S: AI产品通病——用户尝鲜后不回来，留存最难
A: ①Habit Loop(触发→行动→30秒扫一眼→奖励→投入调整偏好) ②个性化进化(用越久越懂你) ③社交层(团队内共享/评论/@同事) ④里程碑感("本月你比92%用户更早发现竞品新专利") ⑤融入决策流(导出到立项报告)
R: Edge Copilot DAU翻6倍，核心策略：Passive→Active→Indispensable。
PQ4: 你对AI Agent推送的产品形态有什么思考？
✓ STAR 关键点
三个进化阶段：
1.0 关键词匹配→噪音大用户疲劳
2.0 语义理解+优先级→AI过滤噪音，只推高价值+一句话解读
3.0 主动分析+建议→"这条信息对你意味着什么"、影响FTO分析
实现：用户行为+偏好→兴趣向量→RAG+Reranker筛Top-K→LLM生成insight→Feedback loop
R: Edge中context-aware推送比rule-based打开率高2.3倍。核心不是"推了什么"而是"帮用户省了多少时间"。
PQ5: 描述一个你主动验证产品想法的经历
✓ STAR 关键点
S: Edge AI功能团队对"多tab对比分析"有争议
T: 在没有足够数据时快速验证产品假设
A: ①周末自己用Chrome Extension+OpenAI API做prototype ②10个内部用户试用一周 ③记录使用场景、频率、反馈 ④带真实数据和用户quote回去讨论
R: 7/10人表示"killer feature"，直接推动Edge Copilot multi-tab RAG进入正式路线图，上线后成为使用率最高功能之一。PM最大说服力=working prototype+真实用户反馈。
PQ6: 如何评估 AI 情报推送的质量？如何确保评估本身是可靠的？
✓ 关键点
双Grader框架(Pairwise盲评+Rubric逐条打分) · Orchestrator/Subagent评估架构 · 消除Identity Bias(匿名化) · 多评估者多数投票 · 确定性计算(Python自动化) · Sector-specific skills提升行业准确率 · 评估维度：相关性/时效性/信息密度/可行动性/用户后续行为
BQ1: Describe a time you designed an A/B test that changed a product decision
✓ Key Points
Edge AI feature — defined primary metric (task completion) + guardrail metrics (latency p95, bounce rate) · 2-week test, 5%→20%→full rollout · Automated monitoring dashboard · Result: task completion +18%, latency within budget · Framework became team standard
BQ2: What do you do when two metrics move in opposite directions?
✓ Key Points
Silot.ai — speed improvement caused false positive spike · Cohort analysis: edge cases < 2% volume · Business impact calc: $50K savings vs $3K remediation · Shipped with guardrails + phased rollout · Long-term: approval 48h→2h, false positive -62%
BQ3: How do you define product vision and translate it into a quarterly roadmap?
✓ Key Points
Edge Copilot — 500+ surveys, 30 interviews → 3 strategic pillars → quarterly OKR breakdown · Bi-weekly sprint reviews across 3 time zones · Monthly stakeholder updates · DAU 3M→20M over 18 months · Roadmap adopted as department strategy
BQ4: Tell me about managing competing stakeholder priorities
✓ Key Points
AI Feature Council (bi-weekly, rotating chair) · Shared backlog + RICE prioritization · Single source of truth dashboard · Escalation path for conflicts · Time-to-ship -30% · Zero duplicate initiatives · Cross-team satisfaction 3.2→4.5/5
BQ5: Give an example where data changed your product direction
✓ Key Points
Initial hypothesis: users wanted faster responses · Multivariate analysis showed accuracy was #1 driver of repeat usage · Pivoted roadmap to retrieval quality over latency · Saved 2 sprint cycles · User satisfaction +22% next quarter
BQ6: How do you keep internal customers at the center of platform decisions?
✓ Key Points
Quarterly customer advisory board · Monthly NPS surveys · Self-serve docs + office hours · Prioritized by adoption impact × effort · Platform adoption 2→5 teams in 6 months · Internal NPS 32→67 · Support tickets -40%
BQ7: How would you approach improving conversion rate for a travel marketplace?
✓ Key Points
Framework: funnel analysis (search→view→book→complete) · Identify biggest drop-off · Hypothesize causes (price transparency, trust signals, UX friction) · Design experiment to test · Primary metric: booking completion rate · Guardrails: average booking value, cancellation rate · Consider supply-side effects on marketplace balance
BQ8: Design a system to support Connected Trip cross-sell recommendations
✓ Key Points
Platform architecture: unified user intent graph · Cross-BU data pipeline (flights↔hotels↔transport↔insurance) · Recommendation engine with context awareness (destination, dates, traveler profile) · API design for internal consumers · A/B testing each cross-sell surface · Metrics: attach rate, incremental revenue per trip, user satisfaction · Guardrails: don't annoy users with irrelevant upsells
BQ9: Describe a time you led an architecture tradeoff decision
✓ Key Points
Edge Copilot on-device vs cloud · Organized arch review (latency/cost/maintainability/complexity) · Proposed hybrid: lightweight on-device + complex cloud + intelligent routing · Data-backed: -40% latency, +15% cloud cost · Adopted by engineering · 70% requests handled on-device · Pattern reused across 3 features
BQ10: What are your principles for designing internal platform APIs?
✓ Key Points
3-layer API design (basic calls → scenario templates → custom orchestration) · 5-min-to-first-demo principle · Playground + interactive docs · Backward compatibility + versioning · Rate limiting + graceful degradation · DX metric: Time-to-First-Success · Result: integration time 2 weeks → 3 days, platform adoption 2→5 teams
BQ11: How do you collaborate effectively with a remote HQ in a different timezone?
✓ Key Points
Async-first: daily written updates, decisions recorded · Weekly all-hands in overlap window · Shared dashboards replace status meetings · Critical discussions in dual-timezone overlap · Recording + summary for absentees · Result: alignment scores from bottom to top-3, zero releases delayed by timezone
BQ12: How do you approach migrating a legacy system to a new architecture?
✓ Key Points
Strangler fig pattern · Define migration scope + risk assessment · Parallel run (old + new) with shadow traffic · Feature flag controlled rollout · Rollback plan at every stage · Success metrics: error rate parity, latency budget, feature parity checklist · Stakeholder alignment on timeline + acceptable degradation window
BQ-CN1: 描述你主导技术架构tradeoff决策的经历
✓ 关键点
Edge Copilot端侧vs云端 · 组织架构评审（延迟/成本/维护性/复杂度） · 混合方案：轻量任务端侧+复杂任务云端+智能路由 · 数据证明延迟-40%且云端成本仅+15% · 70%请求端侧处理 · 模式被3个其他feature复用
BQ-CN2: 如何设计支撑Connected Trip跨品类推荐的后台系统？
✓ 关键点
统一用户意图图谱 · 跨BU数据pipeline（酒店↔机票↔接送机↔保险↔活动） · 上下文感知推荐引擎（目的地/日期/旅客画像） · 面向内部团队的API设计 · 指标：关联购买率、每行程增量收入、用户满意度 · 护栏：不用无关推荐打扰用户
BQ-CN3: 如何与阿姆斯特丹总部高效远程协作？
✓ 关键点
Async-first协作模式 · 日常异步更新文档 · 关键决策录屏+写摘要 · 共享Dashboard代替状态会议 · 重要讨论安排在双时区重叠时段 · 结果：团队对齐度前三、零发布延期
BQ-CN4: 你设计内部平台API的原则是什么？
✓ 关键点
三层设计（基础调用→场景模板→自定义编排） · 5分钟跑通demo原则 · Playground+交互式文档 · 向后兼容+版本管理 · 集成时间从2周降到3天 · 平台采用从2个团队增到5个
BQ-CN5: 如何将過时系统迁移到新架构？
✓ 关键点
Strangler Fig模式 · 迁移范围+风险评估 · 并行运行（新旧同时+shadow traffic） · Feature Flag控制满量 · 每阶段回滚方案 · 成功指标：错误率平齐、延迟预算、功能平齐检查列表
RQ1: 如何设计Agent编排平台的产品架构？
✓ 关键点
分层架构（基础Agent Runtime → 编排引擎 → 场景模板）· DAG式工作流定义 · Agent间通信协议（消息传递/共享状态/事件驱动）· 可视化编排界面 · 调试与可观测性（trace/log/replay）· 容错（重试/降级/熔断）· OpenClaw实战：11个Agent协同，skill分发+memory持久化
RQ2: 如何构建"开源+自研"的混合产品策略？
✓ 关键点
三层框架：基础能力用开源（降本）→ 核心差异化用商业API/自研 → 领域适配自研 · 评估流程：benchmark对比→试点→灰度→替换 · License合规审查 · 社区贡献策略（吸引人才+品牌建设）· 开源模型版本追踪自动化
RQ3: MLOps产品如何支撑模型全生命周期管理？
✓ 关键点
模型注册中心（版本/元数据/血缘）· 训练Pipeline编排（数据准备→训练→评估→发布）· 模型服务化（多模型路由/灰度/AB）· 监控告警（性能衰退检测/数据漂移）· Prompt版本管理（Git-like工作流）· 回滚机制（一键回退到上一个稳定版本）· 成本核算（GPU用量/API调用/推理成本）
RQ4: 如何设计开发者友好的API体系？
✓ 关键点
RESTful基础 + Streaming API（SSE/WebSocket）+ GraphQL灵活查询 · 分层设计（低阶精细控制→高阶场景封装）· SDK多语言支持 · Playground交互式调试 · 5分钟Quickstart · Rate limiting + 优雅降级 · 开发者门户（文档/示例/社区）· DX指标：首次调用成功时间(TTFS)
RQ5: Prompt管理平台应该包含哪些核心能力？
✓ 关键点
版本控制（Git-like diff/merge/branch）· A/B测试（多prompt同时在线对比）· 模板库（行业场景预设prompt）· 变量管理（动态参数注入）· 效果追踪（每个prompt版本的metrics关联）· 协作编辑（多PM/工程师协同迭代）· 安全审查（敏感信息/注入攻击检测）· 成本预估（token消耗预测）
RQ6: 如何评估和选择开源模型？
✓ 关键点
评估维度：任务准确率 · 推理延迟 · 部署成本（显存/吞吐）· License合规 · 社区活跃度 · 私域数据微调难度 · 长期维护风险 · 实操流程：① 公开benchmark初筛 → ② 领域golden test set精评 → ③ 部署压测 → ④ 灰度对比 → ⑤ 全量切换 · 工具：LM Eval Harness、vLLM/TGI部署、Weights & Biases追踪
RQ7: 你对遥感+AI的行业理解？
✓ 关键点
行业趋势：从1.0（拼卫星数量/分辨率）到2.0（全域感知+在轨计算+智能情报一体化）· 价值跃迁：从"卖图像"到"卖判断"，对标Palantir · 技术关键词：在轨AI推理、图模型+图RAG、六维研判 · AI平台的角色：为遥感数据处理pipeline提供模型管理、Agent编排、效果评估能力 · 虽无直接遥感经验，但AI平台能力高度可迁移——模型管理、评估体系、API设计与行业无关
RQ8: 创业公司PM与大厂PM有什么不同？
✓ 关键点
大厂PM：深度专精、流程完善、资源充足、影响力靠alignment · 创业PM：全栈打杂、快速迭代、资源有限、影响力靠execution · 我的优势：两段经历都有——Silot.ai创业期5人团队从0到1，微软大厂规模化迭代 · 创业公司核心能力：优先级判断力（资源少必须砍需求）、动手能力（不能等工程师排期）、容忍模糊性（需求不完整也得往前走）
BQ8: Design metrics for a new feature that helps users compare hotel prices across dates
✓ Key Points
Primary: flexible date search adoption rate, booking conversion from flex-date users · Secondary: avg booking value change, date flexibility (do users shift dates?) · Guardrails: overall search latency, partner impression fairness · Counter-metrics: cancellation rate (are flex bookings less committed?) · Experiment: 50/50 split, 2-week minimum, segment by user type (business vs leisure)