Shopee AI产品经理一面面经
《面试题目》
- 介绍个人背景、实习经历，以及当前求职方向和城市选择的原因。
- 企业知识库Agent主要解决什么业务问题？企业为什么需要它？
- Agent如何在实际业务中落地，给团队原有工作流程带来了哪些变化？
- Agent的整体技术架构和核心模块是什么？
- RAG中的知识检索如何设计？Embedding模型、向量数据库和召回策略分别如何选择？
- 产品上线后如何评估和持续优化？如何判断输出是否准确并发现、解决幻觉？
- 如何构建Agent评测体系？评测数据、人工标注和自动评测分别如何设计？
- 介绍简历筛选产品的整体方案和用户流程。
- 图片型PDF简历如何提取信息？Prompt与模型配置如何维护？
- 企业知识库Agent的消息推送功能如何设计，后续还有哪些优化空间？
- 多人群聊中如何为不同用户提供个性化内容，同时避免信息骚扰？
- B端企业Agent与C端用户Agent的产品设计思路有哪些核心差异？
- 面对“帮我整理一下最近的工作”等模糊需求，Agent如何理解意图并利用历史信息提供个性化服务？
- 平时使用哪些AI辅助开发或产品工具，分别解决什么问题？
- 用户要求监控下周三的航班变化并立即提醒，如何设计信息获取、监控机制和Agent工作流？
《参考解析》
1. RAG检索如何设计：先根据文档结构选择切分策略并保留标题、时间、权限等元数据，再组合关键词检索与向量检索提升召回，使用重排模型筛选结果。Embedding和向量数据库的选择应由中文效果、延迟、成本、过滤能力和运维条件决定，并通过真实问题集评测召回率和答案准确率。
2. 如何评测Agent：建立覆盖正常、边界和对抗场景的版本化数据集，分别评估任务成功率、事实准确性、工具调用、延迟、成本和人工接管率。人工评测适合复杂主观任务，自动评测适合规模化回归，但要定期用人工标注校准评审模型，避免只看单一总分。
3. 如何治理幻觉：要求回答引用可追溯证据，在检索不足或低置信度时明确拒答或请求补充信息；对高风险动作增加权限校验和人工确认。将线上错误沉淀为评测样本，区分检索失败、上下文缺失与生成错误后再针对性优化。
4. 航班监控工作流：先确认日期、航班号、出发地和通知渠道，调用可靠数据源获取基线状态，再由定时任务按合理频率查询。状态变化时应去重、记录时间和数据来源后通知用户；工作流还要处理接口失败、航班号歧义、时区和重复提醒。
5. 多人群聊中的个性化推送：基于用户明确授权的偏好和角色决定内容，通过私聊、摘要或按需订阅控制触达范围。设置频率上限、免打扰和退订入口，并用打开率、负反馈率和后续行动衡量推送质量。