阿里云AI产品经理一面面经
《面试题目》
- 请介绍项目经历。
- 大语言模型的基本原理是什么？
- Diffusion 扩散模型主要解决什么问题？
- RAG 技术用于解决什么问题？
- 模型微调与提示词工程有什么区别？
- 哪些情况下应优先选择微调，哪些情况下应选择提示词工程？
- 如何缓解大模型幻觉？
- 设计一款 AI 与具体场景结合的产品，说明用户痛点、核心功能和功能优先级。
- AIGC 在教育等垂直领域有哪些应用案例？
- 如何将用户反馈转化为 AI 产品需求？请结合案例说明。
- 需求优先级通常如何排序？
- 你是否使用过 KANO 模型或四象限法？
- Kimi、DeepSeek 和通义千问等国内大模型产品在定位上有什么差异？
《参考解析》
- LLM基本原理：Transformer 通过自注意力建模上下文关系，预训练阶段学习预测后续 Token，再通过指令微调和偏好对齐提升任务遵循能力；回答时应说明能力来源和局限。
- 微调与提示词工程：提示词适合快速验证、低成本调整任务说明；微调适合稳定改变输出风格、领域行为或特定能力。选择时需比较数据质量、效果增量、迭代速度和维护成本。
- 幻觉治理：可通过高质量检索、工具调用、结构化约束、事实校验和不确定性表达降低风险；高风险场景还要配置人工审核和拒答边界。
- 需求优先级：综合用户影响、业务价值、覆盖规模、信心和实现成本排序，KANO 可辅助区分基本需求、期望需求和兴奋需求，但不能替代真实用户证据。
- 用户反馈转需求：先聚类并还原场景，区分表象诉求和根因，再用行为数据验证规模，形成问题定义、目标指标和验收标准，而不是直接照抄用户提出的方案。