Shopee AI产品经理一面面经

《面试题目》

1. 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。
2. 企业知识库Agent主要解决什么业务问题？企业为什么需要它？
3. 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？
4. Agent的整体技术架构和核心模块是什么？
5. 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？
6. 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？
7. 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？
8. 介绍简历筛选产品的整体方案和用户流程。
9. 图片型PDF简历如何提取信息？Prompt与模型配置如何维护？
10. 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？
11. 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？
12. 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？
13. 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？
14. 平时使用哪些AI辅助开发或产品工具，分别解决什么问题？
15. 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。