字节 一面 1-175 秒
评价最喜欢的 AI 产品（豆包 / ChatGPT / Cursor）及优缺点
对比思维——不只夸一个，指出各自定位；别堆术语，说具体使用体感。
展开完整答案
完整话术
我日常用得最多的是 Claude，主要场景是业务工作流——文档分析、方案结构化、Agent 编排。
Claude 的优势两点：长上下文处理稳定，我经常把几十万字甲方资料直接丢进去；Claude Code + MCP 生态成熟，能真正把 AI 嵌入日常工作流，不是停留在"聊天机器人"。缺点也明显：国内访问不友好、响应速度比豆包慢、中文文案略逊 GPT-4o。
对比看：ChatGPT 生态最全、GPTs Store 成熟，但迭代节奏放缓；豆包中文理解和抖音 / 头条生态整合最强，适合 C 端轻度用户；Cursor 是"AI 深度嵌入单一场景"的标杆——这种深度嵌入业务的思路，正是我理解 AI 产品的关键方向。
破题要点对比思维 + 技术平实化 + 连接到自己的实操经验
字节 一面 1-275 秒
大模型发展趋势？Decoder only 为何成主流？
坦诚不堆术语——说核心逻辑（生成效率高 + 拟合任意文本分布）。
展开完整答案
完整话术
坦诚说，我不是做底层的，理解更多从产品应用层来。
趋势三个方向：上下文窗口从 4K 到百万 token；多模态融合（文字 / 图像 / 语音 / 视频走向统一）；从被动对话到主动 Agent（能调工具、执行任务）。
Decoder only 为何成主流——Encoder-Decoder 适合翻译这种"输入-输出"边界清晰的任务；但 LLM 要做的是拟合任意文本分布，Decoder only 结构简洁、生成效率高、scaling 更容易。Transformer + 自回归 + 足够数据和算力，就能覆盖大部分生成任务。
所以不是"技术最优"，而是"在追求规模化生成时，最简洁有效"。
字节 一面 1-390 秒
对标某款 AI 产品做竞品分析，方法论是什么？
四层框架：定位 → 功能 → 数据 → 体验——强调亲自走流程。
展开完整答案
完整话术
我有一套四层框架：
定位层——先搞清对标产品解决什么问题、服务什么人群。很多分析一上来对比 feature，错了，用户不一样功能对比无意义。
功能层——对齐核心功能的广度和深度。广度是覆盖多少场景，深度是每个场景做到什么程度。
数据层——能查就查：下载量、DAU、用户评价、评分分布。重点看差评，差评里藏着真实痛点。
体验层——亲自用，走 3-5 个典型场景完整流程。很多优缺点只有真正用过才能发现。
四层拼起来，得出的不是"feature 对比表"，是"战略差异 + 落地能力差异"的判断。
字节 一面 2-1120 秒
介绍最有成就感的 AI 项目，你的角色？
STAR 完整 + 量化结果（15 天→4 天）+ owner 角色 + 具体动作。
展开完整答案
完整话术
最有成就感是把公司的策划前期工作流 AI 化。
背景：每接一个文旅项目，团队从 0 做功课——甲方研究、行业调研、需求拆解、方案大纲，要 15 天。
角色：从 0 规划到落地的完整 owner——流程拆解、AI 介入点识别、Agent 架构设计、Skills 封装、团队推广。
具体动作：
1. 流程拆解：把 15 天拆成 7 个关键节点，每个评估"是否适合 AI 介入 / 人工校验点"。
2. 架构搭建：基于 Claude Code + MCP + Skills 搭一套可复用工作流，每个 Skill 对应一个高频场景。
3. 团队推广：先跑通 3 个完整项目，做内训，配 CLI 和模板。
结果：周期从 15 天压缩到 4 天，团队真实在用、在迭代、能稳定交付。
字节 一面 2-290 秒
如何评估 AIGC 质量？核心指标？
两层指标：通识类（BLEU、ROUGE、准确性）+ 体验类（回复时长、打断率、留存）+ Bad Case 库。
展开完整答案
完整话术
两层指标：
通识性指标（可量化、可批量评测）：
· 文本：BLEU、ROUGE、perplexity
· 图像：FID、CLIP Score、人工主观评分
· 代码：pass@k、编译通过率
产品体验指标（用户真实感受）：
· 对话类：回复时长、用户打断率、多轮留存、主动退出率
· 生成类：用户修改率、二次生成率、最终采纳率
· 创作类：满意度、分享率、复用率
通识指标说"模型行不行"，体验指标说"用户真的愿意用吗"。两者必须结合，不然会出现"BLEU 高但用户不用"。
最后一定要有 Bad Case 库——真实投诉沉淀成回归测试集，每次迭代都跑。
字节 一面 2-390 秒
要提升一款 AI 产品的 DAU，从哪些维度入手？
三维度：新增 × 留存 × 回流 + 漏斗思维 + MVP 验证。
展开完整答案
完整话术
三维度：
新增：
· 渠道端——ROI 高的渠道加码投放
· 产品端——Onboarding 流畅度，3 分钟内给到 aha moment
· 内容端——设计天然可分享的输出物（AI 产品靠用户晒成品拉新）
留存：
· 习惯养成——高频使用场景
· 能力成长——个性化记忆，越用越懂
· 社交绑定——多人协作 / 分享 / 社区化
回流：
· 沉默召回——推送 / 邮件 / Push 时机内容
· 新功能刺激——重大迭代定向唤醒
具体操盘：先拉漏斗看哪一步流失最严重，资源集中优化那个节点，MVP 验证立得住再放量。
字节 一面 3-190 秒
Prompt / RAG / SFT 的区别和联系？
从轻到重递进：Prompt（灵活零成本）→ RAG（外挂知识库）→ SFT（改造模型）。
展开完整答案
完整话术
大白话说：
Prompt 是最轻——不动模型，只在输入端"教模型怎么做"。优点：灵活、零成本、迭代快。缺点：受上下文长度限制，知识不持久。
RAG（检索增强生成）是"外挂知识库"——送给模型前先从外部库检索相关资料，塞进 Prompt。优点：解决"不知道最新 / 私有数据"问题，知识更新无需重训。缺点：检索质量决定上限。
SFT（监督微调）是"重训模型"——用高质量标注数据改造模型本身。优点：能力焊死、效果稳定。缺点：成本高、迭代慢、数据质量要求极高。
关系：从轻到重递进——先试 Prompt，不够上 RAG，再不行才 SFT。实际项目常组合：SFT 训领域基座 + RAG 补实时知识 + Prompt 做场景适配。
字节 一面 3-290 秒
大模型"幻觉"怎么处理？
技术层 + 产品层双管齐下——幻觉是特性不是 bug，要让用户能识别和纠正。
展开完整答案
完整话术
幻觉是 LLM 固有问题，不是 bug 是特性。技术 + 产品双层处理：
技术层：
· 引入 RAG，让模型"有据可查"
· Prompt 明确约束——"只回答文档中有的内容，没有就说不知道"
· 关键事实做二次校验（另一个模型或规则检查引用真实性）
· 降低 temperature、用更确定的参数
产品层：
· UI 显性标注不确定性——"此内容由 AI 生成，请核实"
· 用户反馈通道——每个输出可点赞/踩，积累 Bad Case
· 高风险场景（医疗、法律、金融）强制人工审核，AI 只做初稿
· 让用户能追溯来源——引用给出具体出处
底层原则：技术只降低幻觉概率，产品决定用户能否接受幻觉的存在。不要追求 0 幻觉，要让用户知道哪里可能有问题、怎么快速识别。
字节 一面 3-375 秒
了解最近新的 AI 技术或算法吗（GRPO / MCP）？
MCP 我日常在用不只是了解；关注技术是为了判断"哪些会改变产品形态"。
展开完整答案
完整话术
我不是做底层的专家，但会跟进能改变产品形态的新技术。说两个我实操过的：
MCP（Model Context Protocol）——我不只了解，日常在用。核心价值是给大模型提供统一"工具调用协议"，让 LLM 连本地文件、数据库、外部 API。我在森科思的工作流就是基于 Claude Code + MCP——这让 AI 不再是"聊天框"，是能真正执行任务的 Agent。
GRPO 这类新训练范式——从 RLHF 到 DPO 到 GRPO，核心在降低对齐成本、提升推理能力。对 PM 的意义：未来推理模型会越来越便宜、越来越普及，很多"要博士做"的复杂逻辑会下沉到产品层。所以设计时要提前想：模型推理足够强时，哪些产品会被重构？
关注不是为了秀术语，是判断"哪些技术会改变产品形态"——这是 AI PM 的核心敏感度。
字节 二面 1-1120 秒
为抖音 / 电商设计 AI 导购助手，怎么规划？
全链路闭环：需求确认 → 技术选型 → Bad Case → 效果评估，承认情感决策边界。
展开完整答案
完整话术
按全链路规划，从需求到评估闭环。
需求确认：本质目标是什么？GMV？退货率？客单价？停留时长？目标决定设计——追 GMV 和追留存产品形态完全不一样。
技术选型：
· 通用对话层用大模型底座
· 商品知识用 RAG——商品信息实时变动，不能 SFT
· 用户画像 + 历史行为走推荐系统跟 LLM 打通
· 高情感决策商品（婚纱、奢侈品）留人工接入点
Bad Case 处理：上线前建立 Bad Case 库——"用户问 A 推 B"、"过度营销"、"商品信息错误"——持续 fine-tune Prompt。
效果评估：业务指标（GMV、转化率）+ 体验指标（对话满意度、放弃率、主动提问率）。
核心难点：
· 平衡"推销感 vs 服务感"——节奏和语气是关键
· 商品知识时效性——百万 SKU 每天变动，RAG 检索质量决定一切
· 情感决策边界——承认 AI 局限，高决策成本商品必须人工介入
字节 二面 1-290 秒
设计 AI 自动生成 SQL / 代码的工具？核心优势和边界？
优势明确 + 边界感强（适合 / 慎用 / 禁用）+ 人在环 + 可解释。
展开完整答案
完整话术
虽不是开发出身，但 Vibe Coding 实操过，从产品视角聊：
核心优势：降低技术门槛（非技术岗查数据）；提效（工程师让 AI 写样板代码）；快速 POC（自然语言 demo 验证思路）。
技术选型：
· 固定 Schema 的 SQL——RAG + Schema 注入 + few-shot 覆盖 80%
· 复杂业务逻辑——SFT 在公司代码库领域微调
· 配代码执行沙箱——AI 生成后隔离环境跑一遍，语法错自动 retry
应用边界：
· 适合：查询类、报表类、样板代码、单文件小功能
· 慎用：复杂业务逻辑、跨服务协作、高性能要求
· 禁用：生产库写操作、安全敏感代码、核心算法
关键设计：AI 生成 + 人工审核 + 可撤销三件套；让用户看得懂结果（注释 + 解释）；错误可解释。
字节 二面 1-390 秒
教育 / 客服场景如何让大模型文本丰富不单调？
三层：Prompt 策略 + 采样参数 + 内容层（素材库 + 上下文记忆）。
展开完整答案
完整话术
这是典型的生成质量控制问题。三层解决：
Prompt 策略：
· 多样性引导词——"用不同句式、比喻、切入角度"
· 角色多元化——区分温暖型、专业型、简洁型，按用户画像匹配
· 避免模板化——禁止固定开头（"好的，我理解你的问题……"）
采样参数：适度调高 temperature 和 top_p（但不能过高）；用 frequency_penalty / presence_penalty 惩罚重复词。
内容层：
· 建立话术素材库——高质量回答沉淀为"句型卡 + 案例卡 + 类比卡"随机组合
· 上下文记忆——记住用户本轮用过的比喻和用词，下一轮避免重复
· 人设一致性 × 风格多样性——用户要的是"同一个客服每次有新鲜感"，不是"每次换个人"，基础人设稳定，细节表达多样
教育场景额外加难度自适应——按学生年龄 / 能力动态调整表达。
字节 二面 2-190 秒
模型评测集效果不达预期，你怎么优化？
分层归因：数据 → 策略 → 模型 → 基建。80% 根因在数据 / Prompt，别跳过直接怪模型。
展开完整答案
完整话术
用分层归因思路排查，不能一上来怪模型。
数据层：评测集本身有问题吗？标注标准一致吗？脏数据？评测集和线上真实分布差距大不大？样本量够不够？
策略层：Prompt 有优化空间吗？加 few-shot 能提升吗？CoT 能让模型推理更准吗？Prompt 做过 A/B 对比吗？
模型层：当前模型 capacity 够吗？要不要换更强底座？预算允许考虑 SFT；用 RAG 补缺失知识。
基建层：token 被截断？上下文窗口不够？采样参数不合理？线上和评测环境一致吗？
关键心态：不要跳过数据层直接怪模型。我的经验，80% 的"模型效果差"根因在数据或 Prompt。动模型本身是最后的手段。
字节 二面 2-290 秒
从规则引擎切换到大模型，核心挑战是什么？
四挑战：确定性认知 / 评测重建 / 兜底机制 / 成本结构——迁移要分层并行。
展开完整答案
完整话术
我在森科思有部分规则引擎式策划流程迁移到 AI 驱动的经验，踩过坑。四个挑战：
确定性 vs 概率性的认知转换——规则引擎 100% 可预测，AI 是概率输出。相关方的心理预期必须同步调整，这是最难的一步，不是技术问题是认知问题。
评测体系重建——规则是对错二元；AI 是"大部分对、偶尔错、偶尔惊喜"。需要新指标：准确率阈值、容错率、用户满意度、Bad Case 覆盖率。
回滚和兜底机制——AI 坏了怎么办？设计降级方案：AI 不可用时切回规则引擎、模板填充兜底。
成本结构变化——规则一次开发几乎零成本；AI 每次调用都花钱。提前评估 token 成本，设计 cache 策略。
迁移思路：不是一把切换，分层并行——核心路径保留规则兜底，边缘场景先上 AI，成熟了再替换。
字节 二面 2-390 秒
技术团队觉得需求成本太高，怎么说服他们？
三步：先听（具体贵在哪）→ 拆需求（MVP / P1 / P2）→ 摆 ROI。研发不是敌人是合作伙伴。
展开完整答案
完整话术
不硬推——研发说贵大概率有他们看到的问题。三步：
先听——让研发具体说贵在哪。算力成本？开发工时？架构改动？不同的"贵"解决思路完全不同。
拆需求——研发觉得贵通常因"一次想做太多"。拆成 MVP 核心 + P1 增强 + P2 扩展。MVP 必须小到研发觉得"好吧这个能干"。
摆 ROI——用数据说话：
· "预计提升 XX 指标 N%，半年回收成本"
· "竞品已经在做，不做半年后会落后"
· "现在做 MVP 成本 X，业务复杂了再做成本 3X"
如果说服不了——反思：我的成本预估错了？业务价值没想清楚？PM 为自己的需求负责到底，不是硬推到研发头上。
原则：研发不是敌人，是合作伙伴。说服最好的方式是"带他们一起想怎么做成"，不是"想办法压他们干"。
字节 二面 3-190 秒
内部工具（抖音）vs 外部商业化（火山）在设计上的核心差异？
一句话：内部重效率，外部重易用——五维度（UI / 文档 / 权限 / SLA / 变更）+ 商业逻辑差异。
展开完整答案
完整话术
一句话：内部重效率，外部重易用。
用户画像不同：
· 内部——同事懂业务、能接受丑
· 外部——付费客户、体验挑剔、对文档支持有强预期
五维度差异：
· UI 容忍度：内部可"丑"但要"准"；外部必须美观、交互符合主流 SaaS 惯例
· 文档：内部可口头传承；外部必须完整文档 + 视频 + API reference + 最佳实践
· 权限：内部粗粒度（部门级）；外部细粒度（用户 / 角色 / 项目 / 资源级）
· SLA：内部挂了道歉；外部挂了赔钱，多 9 保障 + 监控 + 降级
· 变更：内部可快速迭代；外部版本管理 + 向后兼容 + 迁移指南
商业逻辑：内部是成本中心（指标：内部效率）；外部是利润中心（指标：ARR、续约率、NPS）。
字节 二面 3-290 秒
如何平衡商业化变现和用户体验？
"价值对齐"——只在用户感受到价值的节点推变现，绝不反向收费。
展开完整答案
完整话术
两者不对立，核心在"在正确的节点做正确的变现"。
我的原则是"价值对齐"——只在用户已经感受到价值的节点推变现，绝不在他体验到爽点前就收钱。
分层：
· 基础功能免费——拉留存建用户基础
· 增强付费——长上下文、更快响应、专属模型
· 企业化——团队协作、权限管理、SLA
时机：不在 Onboarding 弹付费，等用户至少 3-5 次 aha moment 后温和提示"经常用升级会更顺"。
价值感知：差异要能感知——"免费用 10 次，升级无限用 + 快 2 倍 + 独享 XX 功能"。
底线：绝不反向收费——限制导出自己数据、锁死关键功能。短期有收入长期毁口碑。
信念：好的商业化是"用户愿意付"，不是"被迫付"。ChatGPT Plus、Claude Pro 高续订率，是因为用户觉得"值"。
字节 三面 1-1120 秒
如何评价豆包？最想改进的三个点？
三点具体优化：场景纵深 / 记忆个性化 / 创作者链路——底层判断是"通用能力被拉平，差异化在嵌入深度"。
展开完整答案
完整话术
豆包优势明显——中国用户洞察（中文自然、本地内容敏感、多端覆盖）。作为产品我想改进三点：
场景纵深不够——豆包更像"通用助手"，缺场景化深度产品。Cursor 之于编程、Figma AI 之于设计，证明了"深度嵌入单一场景"比"通用聊天"更有粘性。我会推动豆包在 2-3 个高价值场景做"嵌入级"集成——跟抖音电商、剪映深度打通。
记忆和个性化——豆包目前偏"即时性"。希望像 Claude Memory 一样主动积累偏好、历史、长期目标。个性化体验比功能强大更有感知。
创作者深度工具——文案、图像、视频生成都有覆盖但深度不够。我会在创作者链路做纵深——从灵感到草稿到成品到发布，AI 变成创作流"中枢"，不是单点工具。
底层思路：通用模型能力会被拉平，产品差异化在场景嵌入深度和个性化。
字节 三面 1-290 秒
字节在 AI 赛道最大的优势和短板？
优势：场景流量 / 推荐算法基因 / 组织敏捷；短板：大模型原创 / ToB 服务。
展开完整答案
完整话术
优势三个：
· 场景和流量——抖音、TikTok、头条、飞书是超级场景，任何 AI 能力都能找到真实用户验证。这是 OpenAI、Anthropic 羡慕不来的。
· 推荐算法基因——十几年积累，本质也是大模型一分支。算法工程和数据闭环能力让大模型产品快速找 PMF。
· 组织敏捷——OKR + 赛马机制适合 AI 快速试错。
短板两个：
· 大模型底层原创能力——相比 OpenAI、Anthropic 的基座原创，字节更多"快速追赶"。长期决定天花板。
· ToB 服务经验——C 端基因，但 AI 商业化大块在 ToB（火山）。ToB 要服务、稳定、文档、SLA，和 C 端快速迭代文化冲突。组织转型是观察点。
判断：字节打法是"场景驱动 + 快速迭代"短期强；要成为 OpenAI 那样的 AI 原生公司，需要补"技术原创文化"。
字节 三面 1-390 秒
为什么大模型公司都在推 Agent？你看好哪个方向？
Agent = 从"对话"到"执行"。看好Coding / Knowledge Work / Personal，不看好通用聊天 Agent。
展开完整答案
完整话术
底层原因：大模型价值从对话演进到执行。对话时代 LLM "你问我答"；Agent 时代 LLM "你交给我任务，我自己做完"。这意味着 AI 直接产生业务价值，不只是辅助价值——对商业化和付费意愿是数量级提升。
我最看好三个方向：
· Coding Agent——Cursor、Devin 已证明。代码领域任务结构化、反馈闭环、可验证，最先成熟。
· Knowledge Work Agent——面向知识工作者（法律、咨询、财务、策划）的垂直 Agent。任务流程长、专业性强，能替代中低端重复劳动。我在森科思做的策划工作流就是这个方向的实践。
· Personal Agent——个人日常事务助手（日程、邮件、预订）。技术难度大（工具调用 + 隐私），市场潜力最大。
不看好通用聊天 Agent——没有 stable 价值锚点，用完即散。
关键判断：Agent 跑出来的前提是"垂直深度 + 可验证闭环 + 确定性收益"。
字节 三面 2-190 秒
标注团队数据质量不稳定但他们不认可你的标准，怎么沟通？
"对事不对人"——先看 Bad Case 对齐，不谈对错；溯源业务价值；共建机制。
展开完整答案
完整话术
原则是对事不对人，先对齐数据再对齐人。三步：
不谈对错先看 Bad Case——挑 20-30 个有争议的样本一起过，让双方看到具体哪些判断不一致。抽象吵"标准对不对"没结果，看具体例子才能收敛。
溯源需求——解释为什么这么定标准。是下游模型评测不好看？还是线上用户投诉集中某类问题？让标注团队理解他们对齐的是业务价值，不是我的个人偏好。
共建机制：
· 标注员申诉渠道——不同意可反馈，定期 review
· 双人交叉标注——关键样本多人标，分歧高的单独讨论
· 版本化标准文档——有迭代有记录
心态：不以"需求方"压标注团队，他们是合作者不是执行者；我的标准也可能错，他们说服了我我愿意改。最终目标是数据质量高，不是我标准赢。
字节 三面 2-290 秒
面对多个业务方需求（内部急迫 vs 外部商业化），怎么排优先级？
二维矩阵（价值 × 紧急度）+ ROI，冲突时向上同步要决策。
展开完整答案
完整话术
用二维矩阵 + ROI决策。
价值维度：业务价值（收入、留存、品牌）+ 战略价值（是否在公司 3 年方向上）。
紧急度：真紧急（有 deadline 错过就崩）vs 看似紧急（业务方推得紧但可延后）。
矩阵处置：
· 重要且紧急——立刻做
· 重要但不紧急——排期做
· 不重要但紧急——授权或砍掉（很多"紧急"是对方时间压力）
· 不重要不紧急——backlog
内部 vs 外部的特殊处理：
· 内部紧急需求——快速给 MVP（80% 功能快速上线）
· 外部商业化——不能打折扣，付了钱质量不达标就违约
· 默认排序：外部商业化长周期为主线，内部用 20% 机动资源响应
真冲突时向上同步——不是甩锅，是让 leader 看到优先级冲突从全局拍板。
字节 三面 2-3120 秒
过往经历遇到的最大困难？怎么扛过来的？
2023 推动团队转 AI 的抵触——自己先跑成果 + 种子用户 + 承担失败成本。
核心认知：组织变革靠"看得见的成功"说服人。
展开完整答案
完整话术
讲一个真实的——2023 年我在多巴安推动策划团队转 AI 工作流时的抵触。
背景：GPT-3.5 刚出来，我判断 AI 会彻底改变策划行业，决定推 GPTs + Dify。
困难：
· 团队抵触——老策划"AI 写不出我的味道，我干了十几年"
· 质量不稳定——初期 AI 输出时好时坏，一次失败让大家觉得"看吧不行"
· 工具断层——GPTs 刚出没有最佳实践，全靠摸索
怎么扛过来：
· 不硬推——不下命令，自己先用，用出可见成果。我用 AI 做了几个项目效率明显高，同事自然好奇。
· 先选愿意尝试的人——找 2-3 个对新技术开放的同事做早期种子用户，带他们踩坑。他们成功后其他人自然跟上。
· 承担失败成本——前几个 AI 项目出问题我全担，同事没有后顾之忧去尝试。
结果：半年后从抵触到主动找 AI 用；一年后整个流程基本 AI 化。
复盘：这件事让我想明白——组织变革不是靠技术先进性说服人，是靠"看得见的成功"说服人。这个认知影响了我后来所有 AI 推广的打法。
字节 三面 3-190 秒
为什么从上一家公司离职？（为什么转行做 AI 产品？）
方向（互联网规模化）+ 节奏（持续迭代、数据反馈）——转型是升级不是改行。
展开完整答案
完整话术
两层原因：方向和节奏。
方向：做 AI 越深越清楚——AI 真正战场在互联网产品，不在文旅乙方。森科思资源有限：项目制决定每案做完就结束，AI 能力没法在用户端持续迭代。我最想做的是把 AI 能力规模化触达真实用户，只有互联网产品公司能做到。
节奏：乙方是"接一个做一个"，每次从 0 开始，服务个体甲方；互联网产品是"一个产品面向千万用户持续迭代"——数据反馈快、迭代紧、能看到 AI 长期价值。我希望进入这种节奏。
不是"逃离策划行业"——12 年策划是我最宝贵的财富，训练了用户共情、内容敏感、跨文化视野。我是带着这些能力进入能让 AI 发挥更大价值的平台。
转型是升级，不是改行。
字节 三面 3-290 秒
你的优缺点分别是什么？
优点具体有证据；缺点真实 + 给补齐方案——"不怕有缺点，怕的是不知道、不承认、不改进"。
展开完整答案
完整话术
优点两个：
· AI 实践的深度和完整性。2021 底 MJ V3 开始系统跟进，4 年时间。从 Prompt 到 RAG 到 Agent 到 MCP，每次技术迭代都实操过、在业务里用过。这种连续性实战经验不是短期能补的。
· 流程标准化能力。12 年策划训练了把复杂创意流程拆解成可复用标准的能力。放到 AI PM 就是能把"一次性 campaign"沉淀成"可复用产品能力"。
缺点两个，真实不做表演：
· 大规模 AB 测试和漏斗分析实操深度不够。策划行业接触百人级用户不是百万级。转 C 端产品后需要补齐精细化分析。应对：已在系统学方法论，计划三个月内在实际业务跑通 2-3 个完整 AB 实验实战积累。
· ToB / 商业化产品经验有限。做的是 B2B2C 或 B2C，纯 ToB SaaS 经验浅。未来涉及商业化要重点补。
原则：缺点不怕有，怕的是不知道、不承认、不改进。
字节 三面 3-390 秒
你对未来 3-5 年的职业规划？
短期深耕应用层 PM → 中期做"AI × 垂直方向"专家 → 长期保持在 AI 最前沿。表达稳定性 + 长期主义。
展开完整答案
完整话术
我的规划：深耕 AI 应用层 PM，3 年内独立负责 AI 产品线。
短期（1-2 年）：在一家真正把 AI 做成业务核心的公司，把 4 年 AI 实战经验规模化——从"给百人团队提效"变成"给百万用户提效"。补齐数据驱动、AB 测试、商业化思维。
中期（3-5 年）：成为"AI × 某垂直方向"的专家——最看好"AI × 跨文化社交"和"AI × 内容创作"两个方向，能把策展背景、跨文化经验、AI 能力全调动。希望做出有行业影响力的产品。
长期（5 年+）：不设死天花板。AI 这行 6 个月一个时代，10 年后什么样没人知道。我唯一确定的是——只要 AI 在前进，我就在前进的最前沿。
对公司的期待：希望找一家愿意和我长期走的公司。不是跳板，是共同成长的平台。