华为 AIGC 产品经理面试经验与核心考点解析
背景与转型思考
在人工智能快速发展的背景下，AIGC（生成式人工智能）产品经理成为热门岗位。许多技术背景的从业者（如算法工程师）寻求向产品侧转型。本文将从实际面试经历出发，梳理业务面、总监面及 HR 面的核心问题，并针对关键技术点进行深度解析，为求职者提供系统化的备考参考。
一、华为 AIGC 产品经理面试复盘
1. 业务面：技术与场景落地
业务面试官主要考察候选人对 AI Agent 项目的理解深度及技术实现细节。
Q1: 自我介绍 *建议：突出技术背景优势，强调对 AI 产品的热情及过往项目中的产品思维。
Q2: 可以系统介绍一下这个 AI Agent 项目吗？主要解决公司的什么业务场景？ *解析：需清晰描述痛点、解决方案、用户价值。例如：利用 Agent 自动化处理复杂工单，减少人工介入。
Q3: AI Agent 对话项目如何进行 RAG？使用 RAG 之后的优化效果如何？如何进行意图体系搭建？ *解析：
- RAG (检索增强生成)：通过向量数据库检索相关文档片段，结合 Prompt 输入大模型，解决幻觉问题。
- 优化效果：提升回答准确率，降低错误率，增加引用来源的可追溯性。
- 意图体系：建立分类标签树，将用户 query 映射到具体任务槽位，引导多轮对话。
Q4: 使用的向量库和大模型是什么？ *解析：常见组合包括 Milvus/Chroma (向量库) + Llama/Qwen/Baichuan (大模型)。需说明选型理由（如成本、延迟、精度）。
Q5: 你认为 Agent 和 ChatBot 聊天对话机器人的差异在哪？ *解析：ChatBot 多为规则或简单 NLP 驱动，侧重问答；Agent 具备感知、规划、工具调用能力，能自主完成复杂任务闭环。
Q6: 有去了解哪些国内外的 Agent 产品？详细讲讲其中一个？ *解析：可提及 Coze, Dify, AutoGen 等。重点分析其架构设计、插件生态及用户体验。
Q7: 模型训练数据的 SOP 是什么？ *思路：自动调动多个模型生成候选数据 -> 人工筛选最优数据 -> 进一步清洗标注 -> 喂给模型微调。强调数据质量对模型效果的决定性作用。
2. 总监面：架构与行业视野
总监面试更关注宏观架构、技术趋势判断及落地瓶颈。
Q1: 这款 AI Agent 项目主要服务哪些领域的客户？具体的用户画像？ *解析：明确 B 端/C 端定位，描述典型用户特征及高频使用场景。
Q2: 你觉得 Agent 的核心要素是什么？ *解析：记忆（Memory）、规划（Planning）、工具使用（Tool Use）、反思（Reflection）。
Q3: 调优的 Prompt 技巧有哪些？ *思路：角色设定、引入上下文信息、改变 Prompt 顺序、Few-Shot 示例、输出格式约束等。
Q4: 平时有没有看最新论文的习惯？最近看过哪一篇不错的 AI 相关的论文？详细讲讲这个论文 *解析：展示持续学习能力，如 Transformer 变体、MoE 架构、长文本处理等相关论文。
Q5: Agent 的核心架构是什么样的？创建主任务的步骤有哪些？ *解析：通常包含感知层、决策层、执行层。任务创建涉及目标拆解、子任务分配、结果聚合。
Q6: 目前 Agent 在落地过程中的瓶颈有哪些？你知道有哪些大厂的成功应用案例？ *解析：瓶颈包括响应延迟、成本控制、安全性、复杂任务稳定性。案例可参考客服自动化、代码辅助生成等。
3. HR 面：综合素质与文化匹配
HR 面试关注离职原因、职业规划、团队协作及价值观。
Q1: 为什么离职？ *建议：聚焦个人发展、赛道选择，避免抱怨前公司。
Q2: 对于我们这个岗位有哪些了解？后面会来深圳工作吗？ *解析：确认工作地点稳定性及对岗位JD的理解。
Q3: 你们团队有几个产品经理？都是怎么分工的？你的绩效排第几？ *解析：考察协作能力及自我认知，客观陈述即可。
