华为AI Agent产品经理二面
《面试题目》
- 当 Agent 依靠 RAG 回答专业领域问题时，若检索耗时超过 2 秒，你会选择让用户等待，还是先返回部分流式内容？
- 检索重排序（Rerank）策略会对产品体验带来哪些具体影响？
- 对于金融场景的 Agent，如果工具调用返回 JSON 格式错误等结构性异常数据，除常规重试机制外，产品层面应如何设计人工兜底的触发条件与接管流程，以保障资金操作的绝对安全？
- 在评估多工具协同的 Agent 时，除任务完成率外，你会如何定义“工具调用准确率”这一指标？
- 若模型选错了工具，但最终结果正确，这类数据该如何归因？
- 如果要引入 MCP 协议统一内部工具接口，作为产品经理，你认为这会对现有 Agent 任务规划模块带来哪些架构层面的改动？
- 主要迁移成本体现在哪些方面？
- 面对复杂任务，你如何选择采用“对话式逐步确认”还是“一次性生成工作流供用户审核”？
- 请结合 Token 成本与用户认知负荷两个维度，说明你的决策逻辑。
《参考解析》
- AI产品与 Agent 项目：回答这类问题要先讲清目标用户和业务场景，再说明模型、数据、工作流、评测指标和上线后的真实使用效果。面试官通常更看重你能否把 AI 能力转成可落地的产品闭环，而不是只罗列模型名。
- RAG 系统：RAG 的核心是召回质量、切分策略、排序和答案可追溯。BM25 擅长关键词精确匹配，向量检索更适合语义相近的问题，工程上常用混合检索加重排来提升稳定性。
- 用户研究：用研回答要覆盖样本选择、访谈或问卷方法、洞察提炼和需求转化。面试官会追问研究结论是否真正影响产品决策，因此最好用指标或后续迭代结果闭环。