✓ 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

✓ 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

✓ 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

✓ 关键点

Edge AI DAU增长停滞 · funnel analytics · smart nudge系统 · 触发率+35% · 7-day retention+12%

✓ 关键点

OpenClaw 多Agent系统 · dispatcher+specialist架构 · pipeline state machine · 人工干预率40%→8%

✓ 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

✓ 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

✓ 关键点

3PM+5工程师支持4个feature · ICE scoring · platform化 · velocity+30% · "say no with data"

✓ 关键点

Edge Copilot NPS 32→58 · intent-aware summarization · "太长"→个性化需求 · 用户留存+15%

✓ 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

✓ 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。

✓ 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。

✓ 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。

✓ 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。

✓ 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。

✓ 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。

✓ 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。

✓ 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

✓ 关键点

Orchestration/Guardrails/Eval/Observability/Fallback 五层架构 · Edge AI Harness 实践经验

✓ 关键点

Edge DAU 3M→20M 增长经验 · funnel 分析 · smart nudge · 个性化 · 社区运营

✓ 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

✓ 关键点

Edge Copilot multi-tab RAG · context grounding · dynamic chunking · token budget · OpenClaw memory 三层架构

✓ 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

✓ 关键点

Edge AI Feature Council · 跨时区协调 · 成为技术翻译者 · 统一 eval metric

✓ 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

✓ 关键点

Edge RAI filters · 入/出双向 moderation · jailbreak detection · grounding check

✓ 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

✓ 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。

✓ 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。

✓ 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。

✓ 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"。

✓ 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。

✓ 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

✓ 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

✓ 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%

✓ 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

✓ 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

✓ 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

✓ 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%

✓ 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

✓ Key Points

Requirements: 28M+ listings × multiple room types × dynamic rates (seasonality, demand, partner-set) · Sub-200ms read latency for search results · Eventual consistency acceptable (5-min stale OK for browse, real-time for checkout) · Multi-currency, multi-timezone
Architecture: Event-driven pipeline: Partner Rate API → Kafka ingestion → Rate Normalization Service → distributed cache (Redis Cluster) + cold storage (Cassandra) · Write path: rate change events published by partners, normalized (currency, tax, cancellation policy), written to Cassandra, cache invalidated · Read path: Search Service → Cache (hit rate target >95%) → fallback to Cassandra → Rate Assembly (base rate + fees + taxes + promo) · Separate Pricing Intelligence Service: ML model predicts demand elasticity, suggests dynamic markup/discount · Sharding strategy: partition by destination region (geographic locality for cache hit optimization)
Key tradeoffs: Strong consistency vs latency (chose eventual + checkout-time re-validation) · Centralized vs per-region cache (chose per-region for latency, cross-region sync via Kafka MirrorMaker) · Pre-computed vs on-demand rate assembly (hybrid: popular routes pre-computed, long-tail on-demand)
Failure modes: Partner API down → serve cached rates with "prices may vary" badge · Cache stampede → probabilistic early expiration + request coalescing · Rate spike detection → circuit breaker + manual override dashboard
Metrics: p99 read latency, cache hit ratio, rate freshness (avg staleness), checkout price-match rate, revenue per search

✓ Key Points

Problem decomposition: Three competing objectives — user relevance (conversion), partner fairness (impression distribution), business metrics (revenue, margin) · Two-phase architecture: Candidate Retrieval → Ranking
Retrieval layer: Inverted index (Elasticsearch) filtered by hard constraints (dates, location, guests, amenities) · Geo-sharded for regional performance · Returns top-N candidates (N=500-1000)
Ranking layer: Multi-objective Learning-to-Rank model · Features: user signals (search history, booking history, device, loyalty tier), property signals (rating, review count, cancellation rate, photo quality score), contextual signals (trip purpose inference, lead time, group size) · Model: gradient-boosted trees (XGBoost/LightGBM) for interpretability + periodic retraining; exploring neural ranker for personalization lift
Fairness mechanism: Position-based impression guarantee — each partner gets minimum visibility proportional to quality score · Exploration budget: 10% of impressions reserved for new/underexposed listings · Anti-gaming: detect and penalize fake reviews, manipulated availability
API design: /v2/search/rank endpoint: accepts SearchContext (user, intent, constraints), returns RankedResults with explanation metadata (why this position) · Versioned model deployment: shadow scoring → A/B → full rollout · Latency budget: 50ms for re-ranking (total search <300ms)
Edge case experience: At Edge, I built a similar multi-objective system for Copilot content ranking — relevance vs recency vs source authority. Key lesson: don't try to optimize everything in one model; use a cascade (relevance filter → business re-rank → fairness adjustment)

✓ Key Points

Design philosophy: Connected Trip = unified trip graph, not siloed bookings · API must enable cross-BU composition while each BU retains autonomy · RESTful + event-driven hybrid
Core API resources: /v2/trips/{tripId} — aggregate root, contains TripLegs (flight, hotel, transport, activity) · /v2/trips/{tripId}/legs — CRUD for individual legs · /v2/trips/{tripId}/recommendations — cross-sell suggestions based on current trip state · /v2/trips/{tripId}/pricing — bundled pricing with discount rules · /v2/availability/multi — batch availability check across BUs in single call
Orchestration pattern: Saga pattern for multi-BU booking (hotel + flight + car): each BU exposes Reserve → Confirm → Cancel compensating actions · Trip Orchestrator coordinates saga, handles partial failures (hotel confirmed but flight sold out → auto-cancel hotel or offer alternatives) · Idempotency keys on all mutating endpoints · Async webhook notifications for status changes
API versioning & evolution: URL versioning (/v2/) for breaking changes · Additive-only field policy within versions · Sunset header + 6-month deprecation window · Consumer-driven contract testing (Pact) between BUs
Rate limiting & resilience: Per-consumer rate limits (token bucket) · Circuit breaker per downstream BU · Graceful degradation: if transport API is down, still show flight + hotel with "transport unavailable" · Retry with exponential backoff + jitter
Developer experience: OpenAPI 3.1 spec auto-generated from code · Interactive sandbox with test trip data · SDK generation (TypeScript, Python, Java) · Time-to-first-successful-call target: <30 minutes
My experience: At Edge, I designed the AI Feature Harness API — 3-layer design (basic model calls → scenario templates → custom orchestration). Same principle applies here: make simple things easy (book a hotel) and complex things possible (orchestrate a multi-leg trip with conditional pricing). Integration time dropped from 2 weeks to 3 days.

✓ 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

✓ 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

✓ 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

✓ 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

✓ 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

✓ 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

✓ 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

✓ 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

✓ 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

✓ 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）

✓ 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)

✓ 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）

✓ 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

✓ 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

✓ 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）

✓ 参考回答要点

• 先定义核心价值主张：不是通用ChatBot，是"懂旅行的AI管家"
• 三层架构：意图理解层（旅行专属intent分类）→ 知识检索层（实时航班/酒店/签证RAG）→ 行动执行层（Agent直接下单/改签）
• 差异化：融入携程独有数据资产（2亿用户行为+供应链实时库存）
• 评估体系：任务完成率 > 对话轮次 > 用户满意度三级指标
• 冷启动策略：先做高频场景（航班查询/酒店推荐），再扩展长尾

✓ 参考回答要点

• 核心模块：对话引擎 / 知识库管理 / 推荐引擎 / 用户画像 / 效果评估
• API设计原则：业务无关的通用层（对话管理、context注入）+ 业务插件层（酒店/机票/租车各自的tool和prompt）
• 参考Harness设计：共享基础设施，业务线只需定义prompt+tool，接入成本O(1)
• 关键挑战：跨业务线数据打通 vs 数据隔离的平衡
• 度量：新业务线接入时间、API调用成功率、端到端延迟

✓ 参考回答要点

• 情感识别：通过用户措辞判断情绪状态（焦虑/兴奋/纠结），调整回复tone
• 场景化表达：不说"以下是3个酒店"，说"根据你带孩子出行，我挑了3个亲子友好的酒店"
• 记忆与连续性：记住用户偏好（"你上次去三亚住了亚特兰蒂斯，这次要不要试试……"）
• 主动关怀：行程前提醒天气/签证/汇率，行程中问"今天玩得开心吗"
• 边界：不过度拟人，保持"专业助手"定位而非"假装朋友"

✓ 参考回答要点

• 分级响应：紧急（航班取消）→ 秒级推送+自动查替代方案+一键转人工；一般（签证咨询）→ RAG检索+知识库回答
• Agent能力：自动调用航班API查替代航班、酒店API延住、保险API报案
• 人机协作：AI做信息收集和方案准备，复杂case（索赔/投诉）快速转人工+传递完整上下文
• 多语言：海外场景需要当地语言支持，至少覆盖英/日/韩/泰
• Degradation plan：网络差时离线缓存关键信息（使馆电话/紧急联系人）

✓ 参考回答要点

• 新用户：引导式对话收集偏好（预算/出行人数/兴趣），推荐热门+高评分
• 老用户：基于历史行为做协同过滤，"你去过XX，可能喜欢YY"
• 高端用户：专属推荐逻辑（私人定制/小众目的地/VIP服务），tone更正式
• 冷启动：利用搜索意图+季节+地理位置做基础推荐
• A/B验证：每种策略都需要实验数据支持，不能拍脑袋

✓ 参考回答要点

• 北极星指标：AI辅助转化率（通过问道完成预订的比例）
• 体验指标：任务完成率、平均对话轮次、用户满意度（CSAT/NPS）
• 效率指标：首次响应时间、人工转接率、单次对话成本
• 留存指标：7天/30天回访率、功能渗透率
• 业务指标：客单价提升、交叉销售率、退订减少率
• 关键：指标要分层（北极星→一级→二级），避免指标冲突时无法决策

✓ 参考回答要点

• Hybrid Eval Pipeline：LLM Judge（80%）+ 规则检查（价格/日期准确性）+ 人工抽样校准
• 多维评分：事实准确性 / 时效性 / 相关性 / 完整性 / 安全性
• Golden Test Set：按场景分类的标准Q&A对，每周回归
• Eval of Eval：每月抽样100条对比自动评分vs人工评分的一致性
• 关键经验：纯LLM Judge一致性只有67%，hybrid方案拉到89%
• 旅游特殊性：信息时效性极强（航班/价格实时变化），需要时效性专项检查

✓ 参考回答要点

• Funnel分析：曝光→触发→完成→转化，找最大drop-off点
• Bad Case挖掘：按负反馈聚类，找共性模式（如"改签类问题回答差"）
• 用户分群对比：高频用户vs流失用户的使用路径差异
• Implicit Signal：复制/分享/收藏行为作为正向信号，快速关闭作为负向信号
• 竞品对比：同样问题在飞猪/美团的回答质量benchmark

✓ 参考回答要点

• 非确定性输出：同一prompt不同次结果不同，需要更大样本量
• 指标延迟：AI影响可能是长期的（用户信任建立），不能只看短期
• Guardrail指标：除主指标外必须监控安全性、延迟、成本
• 分流策略：按用户而非按请求分流，避免同一用户体验不一致
• Prompt版本管理：A/B不只是功能开关，还包括prompt版本、模型版本
• 实践：先5%→验证安全→20%→验证效果→全量

✓ 参考回答要点

• 实时性：航班/价格/库存秒级变化，LLM训练数据有滞后，必须RAG+实时API
• 幻觉：旅游信息错误代价高（错误签证信息→用户出不了境），需要Grounding Check
• 多意图："帮我订下周去东京的机票和酒店，顺便查签证"→ 多任务并行编排
• 解法：RAG保时效 + 规则引擎保准确 + Agent架构保多步执行 + 人工兜底保安全
• Edge实践：Context Grounding Layer解决了类似的"基于实际内容回答"问题

✓ 参考回答要点

• 数据分层：静态知识（景点介绍/签证政策）→ 低频更新索引；动态数据（价格/库存）→ 实时API直查不走RAG
• Hybrid检索：向量语义搜索 + BM25关键词 + 元数据过滤（目的地/日期/类型）
• 时效性保障：TTL机制（签证政策7天/价格实时/攻略30天），过期自动标记
• Chunking策略：旅游内容需保留结构（酒店→房型→价格→评价），不能无脑按token切
• 质量监控：定期抽检RAG召回内容的准确性和时效性

✓ 参考回答要点

• 三层记忆架构：Working Memory（最近N轮）+ Session Summary（压缩历史）+ 持久记忆（用户偏好）
• 话题切换检测：intent classifier识别新话题，保存当前话题状态，允许回切
• Slot Filling：旅行场景天然适合槽位填充（目的地/日期/人数/预算），跨轮次累积
• 关键设计：压缩历史时保留identifier（目的地名/航班号/酒店名），否则recall失败
• Token Budget动态分配：system prompt / memory / 当前对话三者竞争空间

✓ 参考回答要点

• Pipeline优势：确定性高、延迟低、成本低、易调试；适合标准化查询（航班查询/价格比较）
• Agent优势：灵活、多步推理、能处理模糊需求；适合复杂规划（多目的地行程/突发变更）
• 最佳实践：Hybrid——简单intent用pipeline秒回，复杂任务走Agent
• 旅游特殊性：涉及多个外部API（航班/酒店/签证/天气），Agent的tool-use能力关键
• 成本考量：Agent单次调用$0.1+ vs Pipeline $0.001，需要按场景ROI决策

✓ 参考回答要点

• 携程：全品类+国际化，问道AI助手覆盖全旅行链路，数据飞轮优势（2亿用户+全品类交易）
• 飞猪：阿里生态+通义千问深度集成，依托淘系流量和支付能力，AI偏交易驱动
• 美团：本地生活+高频数据，AI切入点是"吃住行游购娱"高频决策，到店场景强
• 差异化建议：携程应聚焦非标品个性化推荐（定制游/跟团游）+ 跨品类行程规划 + 国际化多语言服务
• 关键：不是比谁模型强，是比谁的数据飞轮转得快

✓ 参考回答要点

• 出境游：多语言支持、签证政策复杂度、时区/汇率/文化差异、紧急情况处理
• 国内游：高频低客单价、即时决策多、本地化POI数据丰富、社交分享重要
• 技术差异：出境需要多语言RAG+离线能力；国内可更依赖实时API
• 商业差异：出境游客单价高，AI投入ROI更高；国内游用户量大，需注重效率
• 建议：先做出境游（高价值+强痛点），再扩国内

✓ 参考回答要点

• AI Agent化服务：从"搜索-比价-下单"变成"告诉AI你想去哪，它搞定一切"
• 非标品个性化：定制游/跟团游/特种旅游，AI能解决信息不对称
• 多模态体验：拍照识别景点、语音实时翻译、AR导览
• 供应链AI优化：动态定价、库存预测、智能采购
• 最大机会：谁先实现"一句话出行"的无摩擦体验，谁就赢

✓ 参考回答要点

• 不确定性更高：AI产品误差多，需要更快迭代周期和更强容错文化
• 技能要求：PM需要理解技术边界（prompt能做什么不能做什么），不能纯管理
• 评估体系：传统产品看DAU/转化，AI产品还要看质量/安全/成本
• 协作模式：研究员+工程师+PM三角，而非传统的PM+开发+测试
• 节奏：每周迭代而非每月，因为模型和prompt可以快速调整

✓ 参考回答要点

• ICE框架：Impact×Confidence×Ease，每2周重排优先级
• 分档：All-in（1个）/ Maintain（2个）/ Bug-fix only（1个）
• Kill Criteria：每个项目定义明确的放弃条件，避免僵尸项目
• 平台化杠杆：把重复工作抽象成Harness，让团队专注差异化
• 原则：Say no with data, not with opinion

✓ 参考回答要点

• Quality Gate：每次prompt/模型变更必须过自动eval，merge前强制检查
• Bad Case Review：每周团队一起看bad case，培养质量敏感度
• 失败安全：技术选型错了不丢人，不承认才丢人（eval框架故事）
• 用户反馈闭环：反馈→分类→insight→action→验证，每步可追踪
• 评估体系透明：所有人能看到eval dashboard，质量不是黑箱

✓ 参考回答要点

• Edge Copilot NPS只有32，用户说"回答太长"
• 深入分析：太长不是真问题，真问题是"不够个性化"
• 解法：intent-aware summarization，先理解用户为什么问，再决定回答策略
• 结果：NPS 32→58，留存+15%
• 启示：用户说的问题和真正的问题往往不一样

✓ 参考回答要点

• Copilot Mode涉及5+团队，各自指标和优先级不同
• 拉齐方法：定义Universal Topline Metrics + 明确Non-Goals
• 运作机制：Council Review只讨论blockers，不是status update
• 任务划分：按用户旅程而非功能模块，减少handoff
• 结果：MVP保质完成，部分设计被桌面端团队复用

✓ 参考回答要点

• 选择纯LLM-as-Judge方案做自动评测，一致性只有67%
• Root Cause：positional bias + fluency bias
• 承认错误，team meeting公开分享分析
• 重新设计hybrid eval pipeline：LLM Judge + 规则检查 + 人工抽样
• 结果：一致性67%→89%，被3个团队复用
• 文化：技术选型错了不丢人，不承认才丢人

✓ 参考回答要点

• 30天框架：第1周泡领域专家（至少5个深度访谈）
• 第2周画核心业务流程图 + 标注AI可切入的节点
• 第3-4周针对最高价值节点做最小原型验证
• 实例：在新加坡做金融KYC时零行业基础进去，30天搞定
• 核心：不追求全懂，追求找到"AI能10倍改善"的关键点

✓ 参考回答要点

• Edge AI功能DAU停滞3个月，leadership质疑ROI，考虑砍预算
• 搭建AI feature funnel：发现关键drop-off在trigger（曝光到触发只有3%）
• 用数据证明：不是功能不好，是用户不知道何时能用（discovery问题）
• 设计smart nudge系统，A/B test 3种策略
• 结果：触发率+35%，7天留存+12%，贡献+2.5M DAU
• Leadership不仅保住预算还加了headcount

✓ 参考回答要点

• 类比Edge AI eval dashboard：先定义核心KPI（入组率、随访完成率、AE发生率）
• 分层设计：执行层/管理层/高管层
• 数据源集成：EDC→CTMS→ETL pipeline→统一数据层
• Edge经验迁移：AI feature funnel的思路适用于临床试验漏斗

✓ 参考回答要点

• Edge AI Feature Harness：先评估市场方案→决定自建统一平台
• 评估框架：核心能力vs商品化、集成成本、数据安全/合规、长期维护
• 制药特殊性：GxP合规、数据主权→倾向Build
• 混合策略：核心Build + 基础设施Buy

✓ 参考回答要点

• 先理解R&D团队的决策场景，再设计工具
• 类比Edge smart nudge：基于行为context主动提示
• 场景：临床入组率预测、不良事件早期预警
• 技术栈：SQL + Python + Dashboard + 自动化告警

✓ 参考回答要点

• Edge数据管线：原始日志→结构化数据→分析报表
• Agent系统用LanceDB向量库+embedding pipeline
• AWS认证：Solutions Architect Associate
• SQL实战：数据提取、转换、加载、复杂查询优化

✓ 参考回答要点

• Edge经验：Universal Topline Metrics
• 分层指标：采纳率、任务完成率、时间节省
• 制药场景：数据录入效率、查询响应时间
• KPI不是数字堆砌，是驱动行动的信号

✓ 参考回答要点

• AI+医药是最有社会价值的方向之一
• 百济神州是全球化企业，需要中英文+跨文化能力
• 跨行业不是问题：Silot.ai从零进入金融，30天交付MVP
• 技术迁移能力是通用的

✓ 参考回答要点

• 核心痛点：数据孤岛、合规复杂、采纳率低
• 与传统科技的区别：GxP合规、CDISC、审计追溯
• 机会：临床试验数字化、RWD、AI辅助药物发现

✓ 参考回答要点

• 不问要什么功能，问现在怎么做、哪里最痛
• Silot.ai经验：银行说要AI风控，实际痛点是审批太慢
• 转化框架：用户故事→需求拆解→ICE→Sprint规划

✓ 参考回答要点

• Edge Copilot Mode：5+团队，各有自己指标和优先级
• Universal Metrics拉齐 + Non-Goals清晰边界 + Council Review
• PM的价值是建立让团队自驱的结构

✓ 参考回答要点

• Edge AI推广：smart nudge + 用户教育 + 渐进式采纳
• 先找early adopters验证，再用数据说服更多人
• 变革管理不是技术问题，是信任问题——Demo先行

✓ 参考回答要点

• 30天框架：第1周领域专家访谈→第2周业务流程图→第3-4周最小原型
• Silot.ai金融行业零基础，30天搞定MVP
• 不追求全懂，追求找到能10倍改善的关键点

✓ 参考回答要点

• Edge AI DAU停滞3个月，leadership质疑ROI
• 搭建AI feature funnel发现trigger drop-off（曝光到触发3%）
• smart nudge系统→触发率+35%，7天留存+12%，+2.5M DAU

✓ 参考回答要点

• ICE评分框架，每2周重排
• 3PM+5工程师支持4个AI feature，资源极有限
• 关键原则：say no with data, not with opinion

✓ 参考回答要点

• Edge iPad：重新设计核心体验→+30% DAU、D28留存+3pp
• 用户研究→竞品分析→原型设计→A/B测试→迭代
• DanceFlow：让非技术用户信任AI工具

✓ 参考回答要点

• 微软标准Agile：2周Sprint、daily standup、sprint review
• 原型→PRD→技术评审→Sprint规划→交付→复盘
• velocity dashboard追踪cycle time