美团 运营岗面试合集：五场面试的 SQL、AI 产品与增长追问

《面试题目》

面经 01（面试时间：2026 年 4 月 7 日）

1. 深挖三段实习经历，用 STAR 法则讲实习的背景、主要做了什么、以及收获
2. 在券商里数据库维护和数据更新校验部分具体做了什么？
3. SQL 题：select 语句的运行顺序
4. SQL 题：窗口函数的理解，partition by 的用法
5. SQL 题：where 限制里 !=、not in、is not 的区别，三者的应用场景和区别在哪？
6. 对小象超市业务的理解
7. AI 发展下，openclaw、gitops 等 AI 产品的广泛应用，对替代运营或帮助运营来说会有什么影响？

面经 02（面试时间：2026 年 3 月 20 日）

8. 请介绍一下你的项目经历
9. 产品上线之前，你做了哪些工作？
10. 请详细介绍简历中的实习经历，包括个人职责、具体工作、遇到的难点和最终结果
11. 涉及 AI 知识库相关，你主要做了什么内容？
12. 产品上线之后负责的工作内容
13. showcase 是如何挖掘的？举例说明如何筛选到该客户，重点看什么数据
14. 如果重做该项目，两个提升点在哪？用户不愿意使用 AI 的原因是什么？
15. 流失用户的原因分析，流失用户有做召回吗？
16. 项目 AI 客服使用的大模型是哪种？选择的原因是什么？

面经 03（面试时间：2026 年 3 月 16 日）

17. 怎么写 Prompt？
18. AI 记忆不好怎么办？
19. 工作内容都是跟用户增长相关的，是怎么考虑的？
20. 为什么一直都在百度？
21. AI 产品的价值是什么？
22. 有挑战的一段经历
23. 做功能推广的流程与方法
24. 怎么收集反馈并迭代能力？追问：你观察到了哪些主要的反馈，有什么运营动作？
25. 怎么找内部的资源？追问：你跟协作方的区别是什么？
26. 如何评价自己？

面经 04（面试时间：2026 年 3 月 16 日）

27. 你的 AI 产品用户到底是谁？解决了什么具体痛点？
28. 为什么非要加「拍照」功能？是为了解决输入效率还是识别问题？
29. 你说解决了联网搜索的幻觉问题，具体是怎么解决的？用了什么策略？
30. 时延太高怎么优化的？为什么改 Markdown 转 JSON，如何压缩了 Prompt？
31. 上线后转化率只有 2‰，这符合预期吗？你怎么分析这个数据？
32. 你觉得 Agent 和 Workflow 最大的区别是什么？
33. 如果换一个全新的业务场景，你搭建工作流的通用方法论是什么？步骤是怎样的？
34. 市面上这么多模型，你为什么选这个？有没有试过其他的？
35. 你自己 Coding 过吗？具体是怎么结合到工作流里的？

面经 05（面试时间：2026 年 2 月 2 日）

36. 对这个岗位的一些基础工作职责有了解吗？
37. 请详细介绍简历中的相关经历。追问：如何使用 AI 工具做数据的清洗和分析？是公司接了 API 能力后你们做了小工具，还是直接用的 Web 界面？
38. 有参与大模型本地化部署吗？本地部署后处理数据的结果，和之前用 Web API、以及人工处理的结果，这三者之间有没有差异？
39. 如果说我们自己也做本地化部署，也有可以接入模型底层能力的条件，你能不能实现让它去进行一些数据处理？
40. 简单描述一下 AI 提示词的项目工作，你主要担任什么角色？
41. 它是通过什么样的技术实现的？

《参考解析》

1. SQL 三连是运营岗最硬的一关，答案要精确到 NULL 和三值逻辑：select 的逻辑执行顺序是 from → where → group by → having → select → order by → limit，所以 where 里不能用 select 阶段才产生的别名和聚合结果，窗口函数也在 select 阶段才计算，不能写在 where 里当过滤条件。窗口函数的核心是「分组内计算但不折叠行」：partition by 定分组、order by 定组内顺序，row_number / rank / dense_rank 给排名，sum() over(...) 给累计值，lead / lag 取前后行——它和 group by 的区别正在于是否保留明细行。!=、not in、is not 那一问的坑全在 NULL：NULL 参与比较的结果是 unknown 而不是 true，所以 not in 的子查询里只要出现一个 NULL，整个条件就永远不成立、悄无声息返回空集；is not 只用于 is not null 这类判断，不是 != 的同义词。工程上更稳的写法是用 not exists 或 left join ... where 右表主键 is null 来替代 not in。

2. STAR 讲实习要提前写好三段，每段都有量化的落点：面试官说「深挖三段实习」，实际是在核简历真实性并看你有没有真正的贡献点。每段准备 60 到 90 秒：背景（业务与目标）、任务（你负责的那一块）、动作（具体做了什么、用了什么工具或方法）、结果（可衡量的数字，没有数字就给过程指标——覆盖多少用户、几个渠道、迭代几版）。写完自己再问一遍「哪一块是你独立做的、哪一块是协作的」，被追问时口径不能飘。

3. 「AI 对运营是替代还是帮助」，答法要拆成两层：一层是可替代的执行——内容初稿、素材批量生成、常规取数与报表、客服标准问答、用户分层与触达执行；另一层是被放大的判断——选题与策略、异常归因、跨部门协调、对结果的取舍。落点放在「省下来的时间挪到哪里去」，并配一个真实例子（比如某个环节原来几个人几天，现在多久）。只答「AI 会提效」是空话，只答「AI 替代不了运营」又显得没想过。

4. Agent 和 Workflow 的区别要能顺带给出选型结论：Workflow 是预先编排好的确定性流程，步骤和分支由代码写死，模型只在某些节点被调用一次，好处是成本可预期、失败可定位、能回归测试；Agent 是让模型自己规划下一步、调用工具并根据中间结果调整，适合路径不开放的开放任务，代价是成本不可控、失败难复现、评测麻烦。所以判断标准是任务的确定性——能写成 workflow 的就不上 Agent；要上 Agent，先问三个问题：步骤是否可枚举、结果好不好评测、错了能不能回滚。被追问「换一个全新业务场景怎么搭工作流」，给一个可复用的顺序：先画业务流程与角色 → 定输入输出和验收标准 → 拆节点并标注哪些节点交给模型 → 设计失败与人工兜底 → 上线后用数据迭代节点。

5. Prompt 与「AI 记忆」这两问连着答最自然：Prompt 的骨架是角色与目标、约束与禁止项、输入数据、输出格式、示例；把约束写成可检查的条目（字数、结构、必须引用的字段）比说「写得专业一点」有效得多，改 Markdown 为 JSON 这类结构化输出，本质是让下游程序能稳定消费、顺带省 token 和时延。「记忆不好」通常不是模型的问题——会话内靠上下文管理与摘要压缩，跨会话靠把用户画像和偏好落库、用的时候检索召回；真正要设计的是写入门槛（什么值得记、冲突时以谁为准）和召回策略（按什么条件捞回来）。

6. 2‰ 转化率这种题，先要口径和漏斗，再谈归因：第一句要确认分母是什么——曝光、点击、注册还是激活，不同口径差几十倍。然后按漏斗逐层拆，找流失最大的那一环（往往是注册或首次使用），再按渠道、机型、新老用户分组对比，看是全量偏低还是某个渠道拖累。判断「符合不符合预期」必须有基准：同类产品的行业值、自己历史版本、灰度对照组；单个数字本身不构成结论，还要看观察窗口和样本量是否够。最后给出下一步动作和验证方式，才算把这道题答完。

7. 大模型本地化部署那组问题，按「成本、延迟、合规、可控性、一致性」五个维度对比：自建部署的好处是数据不出内网、单次调用边际成本低、能锁定模型版本与参数（温度、提示词版本）、可以微调；代价是硬件与运维投入、并发上限受显存限制、模型能力可能弱于头部闭源模型。和 Web API 比，同一批数据的结果差异往往来自模型版本、提示词模板和温度设置，做对比实验时要把这些变量固定住，否则差异归因不到部署方式上。和人工处理比，要给出准确率与人工复核比例的取舍。面试里如果能说清「什么场景值得自建、什么场景直接调 API」，这题就稳了。