美团 AI 产品经理实习面经
《面试题目》
- 你参与过模型训练吗？产品经理能为模型训练贡献什么？
- 什么样的 AI 产品能够赚到钱？
- 如何定义 Bad Case？评估标准如何制定？
- Bad Case 由谁评估？是否了解自动化的 AI Native 评测方式？
- 知识库的主要使用场景是什么？为什么传统 AI 无法直接解决？
- 请介绍 RAG 的完整流程、知识来源和拆分逻辑。
- 如何优化 RAG 的 Bad Case 并提升效果？
- BERT 和 Transformer 分别是什么？架构和适用场景有何区别？
- 大模型的“大”体现在哪些方面？为什么这一轮 AI 浪潮现在才出现？
- 为什么大模型回答通常是逐 Token 流式输出？
- 什么是过拟合？什么业务适合大模型，什么业务适合小模型？
《参考解析》
- 评测体系：先从真实业务目标定义正确、错误和不可判定边界，建立代表性测试集；结合规则、模型裁判与人工抽检，并持续回流线上 Bad Case。
- RAG 优化：按数据、切分、召回、重排和生成逐层定位；分别尝试语义切分、Query 改写、混合检索、Rerank、引用约束，并用固定评测集验证增益。
- BERT 与 Transformer：Transformer 是基于自注意力的通用架构；BERT 是采用 Transformer Encoder 的双向预训练模型，擅长文本理解，生成任务通常使用解码器或编码器—解码器架构。
- 过拟合：模型在训练数据上表现很好、对新数据泛化差。可通过增加和清洗数据、正则化、早停、交叉验证及降低模型复杂度缓解。
- 模型选型：开放生成、复杂语义和泛化任务适合大模型；类别稳定、低延迟、高吞吐或端侧任务可优先使用小模型，最终以质量、延迟和成本评测决定。