AI PM 面试真题答题框架：三个高频 Case 逐字练
把三个高频 Case 练到能脱口而出
- 掌握三个高频 Case 的固定拆解骨架
- 会用八步答题链路组织完整回答
- 懂得先定产品类型再选量化指标
- 主动准备一个「不完美案例」体现复盘能力
三个高频 Case 的答题框架
AI PM 面试里最常被现场出题。别一上来就给结论，先套框架拆。下面三个 Case 逐字练，每个都有固定骨架——这些是答题方法论，不是某家公司的原题。
Case 1：某入口 CTR 低怎么办
四层拆：需求层（用户到底想干嘛）→ 表达层（文案/图标清不清楚）→ 链路层（点击后落地对不对）→ 场景层（什么时间/人群/设备低）。拆完先埋点看数据，再开 AB 验证哪一层是真因。
Case1 答题骨架：
第一步：别猜，先分层定位
需求层 - 用户进来到底想完成什么？入口和心智匹配吗？
表达层 - 文案/图标/位置/视觉能不能被注意到、看懂？
链路层 - 点进去落地页是不是用户预期？有没有断层？
场景层 - 是全量低还是某个时段/人群/端低？
第二步：埋点补齐数据（曝光-点击-到达-转化）
第三步：对最可疑的一层开 AB，一次只改一个变量Case 2：你们的量化标准是什么
先别急着报指标，先定义产品类型：是增效工具（帮人更快干活）、赋能工具（帮不会的人也能做）、还是陪伴产品（情感/打发时间）。类型不同，北极星指标完全不同。通用指标（留存/时长/满意度）放第二层。
增效：任务完成时长缩短%、人工替代率、单次任务成本。赋能：新手首次成功率、不会用的人也能完成的比例。陪伴：主动回访率、情感对话深度、次日留存。通用指标（留存/时长/NPS）第二层再讲。（这套分类的完整指标体系——北极星三标准、AARRR、埋点——在 s9-m5-l15 系统讲；这里先记住面试答题口径。）
Case 3：模型上线效果差怎么排查
逐层 fallback，从最便宜、最可能的原因查起：数据分布（线上输入和评测集是不是两回事）→ Prompt（是不是改坏了）→ RAG 召回（检索到的文档对不对、排第几）→ 模型版本（有没有静默升级/降级）→ 分发（是不是灰度到了坏桶）。每一层先验证再下结论。
Case3 排查顺序（从易到难、从大概率到小概率）：
1. 数据分布：线上 query 分布 vs 评测集，有没有漂移
2. Prompt：最近改过吗？回滚上一版对比
3. RAG召回：top-k 命中了吗？chunk 切分/embedding 变了吗
4. 模型版本：底层模型有没有悄悄升级/限流/降级
5. 分发：灰度比例、badcase 是不是集中在某个桶完整答题链路
谁（用户/角色）→ 目标（他要完成什么）→ 为什么这指标（指标和目标怎么挂钩）→ 数据变化（现在多少、变了多少）→ 假设（我猜原因是）→ 验证（怎么埋点/AB证伪）→ 动作（先做哪个）→ 结论（所以我会怎么决策）。
面试答题结构：结论先行→框架→细节→反思
面试答题和写 PRD 一样，要有结构。推荐四段：第一句先给结论（别绕圈子，面试官时间有限）；再给一个简单框架（比如「我会分三层看」）；然后举你做过的具体细节填进去；最后补一句反思或代价，体现你想过反面。最怕的是东一句西一句讲三分钟，面试官还没听到结论。
结论先行：第一句就说你会怎么决策框架：用两三点把回答框住（如分需求/表达/链路三层）细节：拿你做过的真实案例/数据填进去反思：补一句「不过也要注意XX风险」，显得不极端
不会的问题怎么答
遇到完全不会的题，别硬编。面试官考的 often 不是这个知识点本身，是你遇到未知问题怎么思考。正确姿势：先说「这个我之前没深入研究过，但我会这样推想……」，然后把你已知的相关逻辑摆出来，一步步推。诚实加思路，比不懂装懂强一百倍。面试官见过太多硬编的，你老实说「这块不熟」反而加分。
别说：「这个不重要」/「我们公司没做过」/瞎编一个数字要说：「这块我没实际做过，但按我的理解可以从A和B两步切入……您看这个方向对吗？」展示思考过程，不假装全知。
反问环节问什么
面试结尾「你有什么想问我的」是送分题，别问「加班多吗」「福利怎样」这种 HR 才聊的。问业务和成长：这个团队当前最想解决的一个问题是什么？这个岗位入职后前三个月最期待我做成什么？团队怎么衡量 PM 做得好不好？这既显得你在认真思考怎么干活，也真能帮你判断要不要去。
团队当前最想解决的一个问题是什么？这个岗位前三个月最期待我做成什么？团队怎么评估 PM 做得好不好？别问百度能查到的，别只问福利。
三个 Case 的变体练习
同一个骨架，换个场景再练一遍才算真会。Case 1 变体：你们 App 次日留存掉了 5%，怎么拆？——还是四层，但换成留存维度。Case 2 变体：你要给公司内部工具选北极星指标，怎么选？——先判断它是增效还是赋能。Case 3 变体：用户投诉 AI 客服「答非所问」，怎么排查？——还是那五层 fallback，但聚焦在 RAG 召回和意图识别。把骨架套到新场景上，说明你真懂了，不是背答案。
Case1 变体：留存掉了5% → 还是需求/表达/链路/场景四层Case2 变体：内部工具北极星 → 先定增效/赋能再选指标Case3 变体：答非所问 → 数据分布→Prompt→RAG召回逐层查
主动准备一个「不完美案例」
面试里主动讲一个数据不好看的案例：你做了什么、结果没达预期、但你把它拆清楚了、学到了什么。这比包装一个完美案例更能体现 PM 的诚实和复盘能力——面试官见过太多注水故事。
本课是逐字演练版。系统的五类题分类和 STAR 讲法看 s9-m4-l12。那边讲「有哪些题型」，这边讲「每句话怎么说」，配合着练。
高中搭桥
这就是作文模板：给你一个固定骨架（八步/四层），你往里面填具体案例。和高中写议论文先列提纲再填论据一模一样——先把架子立住，内容才不会散。
面试官问「某入口 CTR 低怎么办」，你的第一步动作是？
面试官问「你们AI产品的量化标准是什么」，最该先做的是？
面试官问了一个你完全没接触过的技术问题，最好的应对是？
面试结尾反问环节，下面哪个问题最好？
资深工程师加餐
底层原理 · 大厂视角 · 工程经验，点卡片展开
时间复杂度看「基本操作次数随输入规模 n 的增长量级」，空间复杂度看额外占用的内存；还要区分最好、最坏、平均与均摊。面试时先给能工作的暴力解并说明其复杂度，再一步步优化到更优——面试官评估的往往是你的推导过程，而不只是你是否背出了最优答案。
挑战任务
Case 答题挑战
用八步答题链路，把「模型效果差」Case 完整说一遍。
课后作业
面试口述：写出「CTR低」答题要点
题目：面试官问「某入口 CTR 低，你怎么办？」。下面 5 个答题要点，按正确顺序该出现的标 True、不该出现的标 False，顺序①~⑤。 ① 结论先行：我会先分层定位而不是直接改图标 ② 直接换一版更炫酷的图标上线试试 ③ 按需求/表达/链路/场景四层拆，先埋点拿数据 ④ 对最可疑那一层开 AB，一次只改一个变量 ⑤ 凭感觉同时改文案、图标、位置三个地方看效果