潜力题 & 场景题

这类题没有"标准答案"——考官考察的是你的产品思维框架和对 AI 特性的理解深度。

题目分类说明

类型	特点	应对策略
场景设计题	给你一个 AI 产品场景，让你设计	先拆用户/目标，再谈 AI 能力选型
优先级判断题	多个方向让你排序	明确决策框架，说出 Trade-off
问题诊断题	数据下滑/用户流失场景	分层拆解，提出可验证假设
技术-产品结合题	技术方案如何影响产品设计	从用户体验角度反向推导

---

To B 场景题

题1：企业知识库 AI 助手

题目：你负责一个面向中型企业的 AI 知识库产品，用户反馈"AI 回答经常不准确"。请分析原因并给出改进方案。

参考答案框架

第一步：拆解"不准确"的类型

• 幻觉（编造信息）→ RAG 召回率不足，模型自己"脑补"
• 答非所问（理解偏差）→ 意图识别失败
• 信息过时（知识库未更新）→ 数据治理问题
• 格式不对（有答案但展示差）→ Prompt 设计问题

第二步：按影响范围排优先级

原因	影响范围	修复成本	优先级
RAG 召回率低	所有问题	中	P0
知识库内容过时	特定领域	低（流程优化）	P0
意图识别差	模糊问题	中高	P1
幻觉（模型层）	边缘问题	高	P2

第三步：改进方案

1. RAG 优化：提升 Chunk 策略，增加 Reranker，引入混合检索（语义+关键词）
2. 知识库治理：建立文档更新流程，标注失效内容，加"来源"引用增加可信度
3. 不确定性兜底：当置信度低时，显示"我不确定，建议联系 HR/专家" 而非强行回答
4. 用户反馈闭环：在每条回答下加"有帮助/没帮助"，用反馈数据定向改进

加分点：提到"不同部门的知识结构差异大，可以做分域知识库，提升精度"

④ 前沿加分

2025 年企业知识库的主流升级路径：从"Naive RAG"→"Agentic RAG"——系统自主判断是否需要检索、需要检索几轮，能处理复杂多跳问题。另外 GraphRAG 用知识图谱组织企业文档，能回答"A 项目的负责人的上级是谁"这类关系型问题，特别适合组织结构复杂的大型企业。

⑤ 常见踩坑

• ❌ 直接说"优化 RAG 参数"，但说不清楚具体优化哪个环节（Chunk 大小？Reranker？Embedding 模型？）
• ❌ 忽略数据治理问题——很多企业知识库"不准"的根因是文档本身过期，而不是技术问题
• ❌ 把降低幻觉率作为唯一目标，忽略用户体验（拒答太多同样影响满意度）

⑥ 回答策略

开场句推荐：「"不准确"是个笼统描述，我先把它拆成几种类型，再针对每类给出对应解法。」

时间分配：拆解问题类型（1分钟）→ 优先级排序（30秒）→ 具体改进方案（2分钟）→ 加分补充（30秒）。
追问预判：「如果 RAG 优化后准确率还是上不去怎么办？」——可以考虑引入人工审核队列，对高频失败问题做定向 Fine-tuning 或手动编写标准答案。

---

题2：AI 工作流自动化产品

题目：你是一个面向企业的 AI 工作流自动化产品 PM（类似 Zapier + AI）。目前 DAU 增长停滞，如何分析并制定增长策略？

参考答案框架

诊断框架：增长停滞 = 获客 / 激活 / 留存 / 变现 / 传播 中某一环断了

AI 工作流产品的特殊性：

• 学习曲线高：用户需要理解"触发器 + 动作"的自动化逻辑
• 价值延迟：配置好才能感受到价值（不像 ChatGPT 即时反馈）
• 企业决策链长：采购需要 IT/安全/财务 多方审批

常见卡点诊断（按漏斗排查）：

环节	可能问题	验证方法
获客	目标客户认知度低	流量来源分析，SEO 关键词覆盖
激活	新用户不知道从哪里开始	首次使用漏斗分析，第一个工作流完成率
留存	配置了但不知道有没有在跑	工作流执行日志可见性
扩展	单用户用好了但不扩展到全公司	多席位转化率

增长策略建议：

1. 模板驱动激活：提供 50+ 开箱即用的行业模板，降低配置门槛
2. AI 辅助搭建：用自然语言描述需求，AI 自动生成工作流草案
3. 成功案例可见："你们公司已有 3 人在用，节省了 X 小时" → 内部口碑传播
4. 关键人策略：找到企业内的"效率极客"，提供高级权限，让其成为传播者

④ 前沿加分

AI 工作流产品的前沿方向是从"配置式"走向"对话式"——用户用自然语言描述业务流程，AI 自动生成工作流 DAG，降低配置门槛 10 倍以上。Zapier、Make 都在这个方向投入，国内的扣子（Coze）、Dify 也在做类似的 no-code Agent 编排。

⑤ 常见踩坑

• ❌ 只从流量/获客角度分析增长，忽略 To B 产品增长的核心逻辑：ACV（合同价值）和 NRR（净收入留存率）比 DAU 更重要
• ❌ 提的策略全是功能层面，没有说销售/CSM 配合（To B 产品增长离不开人工服务）
• ❌ 忽视"激活"环节——用户注册了但没成功搭出第一个工作流是最大的流失点

⑥ 回答策略

开场句推荐：「增长停滞的原因有很多，我先用 AARRR 框架判断卡在哪个环节，再聚焦给策略。」

时间分配：漏斗诊断（1分钟）→ 最可能的卡点分析（1分钟）→ 具体策略（1.5分钟）→ 数据验证方法（30秒）。
追问预判：「如果分析发现是定价问题怎么办？」——To B 定价调整要谨慎，可以先试 pilot 方案（小范围调整新签客户定价），观察转化率变化，避免影响存量客户。

---

题3：AI 智能客服产品

题目：你的 AI 客服产品在某大型电商客户上线后，人工转接率高达 40%（行业均值 15%）。如何系统性地解决这个问题？

参考答案框架

先理解"为什么转人工"（分类统计是第一步）：

• 用户主动要求（"我要转人工"）
• AI 置信度低，自动转接
• 用户反复问同一个问题（AI 答不上来）
• 情绪激动的投诉类问题

针对性改进：

转接原因	占比估计	解法
问题不在知识库	30%	扩充知识库，建立快速补充流程
客户情绪类（投诉）	25%	设置情绪识别，主动安抚而非直接答
复杂多步骤问题	20%	引导分步确认，而不是一次解决
AI 回答让用户不信任	15%	增加来源引用，提升回答可信度
其他	10%	专项分析

分阶段目标：

• 第1月：转接率降到 30%（解决知识库空缺）
• 第3月：降到 20%（优化意图识别 + 情绪处理）
• 第6月：降到 15%（接近行业均值）

关键原则：不要把"降低转接率"作为唯一目标——有些问题转人工是正确的，强行让 AI 回答会伤害客户满意度。应该同步监控 CSAT（客户满意度）。

④ 前沿加分

AI 客服的演进方向：从"问答机器人"→"Agentic 客服"——AI 不只回答问题，还能直接调用系统 API 执行操作（退款、改地址、查单据），实现端到端的问题解决，而不只是"答复"。这会把转接率降低的同时大幅提升解决率（Resolution Rate），这才是更核心的指标。

⑤ 常见踩坑

• ❌ 把转接率下降和用户满意度提升划等号——强行降低转接率（如提高 AI 答题门槛）可能让用户更不满意
• ❌ 只做技术层面改进，忽略知识库治理（很多客服 AI 表现差是因为运营没有及时更新文档）
• ❌ 没有提分阶段目标——"第一个月先解决最高频的失败原因"比"全面优化"更有说服力

⑥ 回答策略

开场句推荐：「40% 的转接率是行业均值的近 3 倍，我先分类统计转接原因，用数据定位主要矛盾，再分阶段给解法。」

时间分配：问题分类（1分钟）→ 优先级和改进方案（1.5分钟）→ 分阶段目标（30秒）→ 原则补充（30秒）。
追问预判：「如果客户就是喜欢跟人说话怎么办？」——可以区分"主动要求转人工"和"被迫转人工"，前者是用户偏好无法强制改变，应该设计流畅的人机协作而非对抗它。

---

To C 场景题

题4：AI 个人助手产品

题目：你负责一款 AI 个人助手 App（类似 Claude / ChatGPT App），如何提升 D30 留存率？

参考答案框架

AI 助手留存的核心挑战：

• 用户"试了一次没什么用"就流失
• 使用场景碎片化，没有固定习惯
• 同质化严重，切换成本低

留存分层分析：

新用户（D1-D7）：激活期
  核心问题：第一次成功体验是什么？
  策略：引导用户完成一个对他有价值的具体任务

成长用户（D8-D30）：习惯形成期
  核心问题：能否变成某个场景的默认工具？
  策略：识别用户高频场景，主动推送场景化提示

核心用户（D30+）：深度使用期
  核心问题：切换成本是否足够高？
  策略：个人化记忆、工作流集成、数据积累

具体提升策略：

1. 场景锚定：引导新用户选择 1-2 个核心使用场景（写作/编程/学习），推送对应的 Prompt 模板，降低"不知道用来干嘛"的流失
2. 记忆系统：跨对话记住用户偏好（口语风格、专业背景、常用工具），让每次对话都比上次更好
3. 主动触达：基于用户历史，在合适时机推送"你上次问过X，相关的Y你可能也感兴趣"（注意度量打扰率）
4. 集成深度：支持连接日历、邮件、笔记，让助手嵌入用户工作流

数据监控：使用频率（每周使用天数）比 DAU 更能反映真实习惯。

④ 前沿加分

AI 助手留存的最新方向是"个人化记忆系统"——Claude 的 Memory、ChatGPT 的记忆功能都在建立跨会话的用户画像，让每次对话都比上次更贴合用户。这从根本上改变了"每次都要重新介绍自己"的痛点，是目前提升 D30 留存最有力的产品手段。

⑤ 常见踩坑

• ❌ 只说"做更多功能"——AI 助手留存差的根因通常是缺少固定使用场景，加功能不解决这个问题
• ❌ 没有区分新用户激活和老用户留存的不同策略，混在一起说
• ❌ 忽视"替代成本"问题——D30 流失很多是因为用户发现用普通搜索/已有工具也能解决，没有形成不可替代感

⑥ 回答策略

开场句推荐：「D30 留存本质上是习惯养成问题，我从激活、习惯形成、深度绑定三个阶段分别说策略。」

时间分配：留存挑战分析（30秒）→ 三阶段策略（2分钟）→ 具体功能设计（1分钟）→ 数据指标（30秒）。
追问预判：「怎么避免推送打扰用户？」——设定"打扰率"反向指标，主动触达的打开率+点击率需高于阈值才继续，低于则降频，数据驱动而非拍脑袋决定推送策略。

---

题5：AI 创作辅助产品

题目：你负责一个 AI 写作助手产品，上线 3 个月后发现：重度用户（每周 5 次以上）占比仅 5%，但这 5% 贡献了 60% 的付费。如何利用这个数据洞察？

参考答案框架

洞察解读：典型的"幂律分布"用户结构

两个方向的战略选择：

方向 A：深耕重度用户（护城河策略）

• 研究这 5% 重度用户的使用场景和需求（定性访谈）
• 针对他们的工作流设计专业功能（批量生成、风格一致性、版本管理）
• 建立专属社区，让重度用户之间互相赋能
• 转化逻辑：把轻度用户转化成重度用户

方向 B：扩大付费比例（规模化策略）

• 降低轻度用户的付费门槛（低价入门套餐）
• 识别轻度用户的核心需求，设计"只解决一个场景"的垂直功能
• 提升激活质量，让更多新用户体验到核心价值

推荐优先级：先 A 后 B

• 理由：重度用户是产品价值的证明，先搞清楚为什么他们留下了，再考虑复制

数据采集计划：

1. 访谈 10-15 名重度用户（了解他们的工作流）
2. 分析重度用户的功能使用路径
3. 找出"轻度→重度"的转化节点

④ 前沿加分

AI 创作工具的趋势是从"单次辅助"走向"工作流嵌入"——Notion AI、Cursor 的成功说明，把 AI 嵌入用户已有的工作流比单独做 AI 工具更容易产生高频使用。对于写作助手，可以考虑做浏览器插件或者 API 集成，让 AI 在用户任何写作场景下都可以调用，而不是要求用户专门打开 APP。

⑤ 常见踩坑

• ❌ 看到"5% 用户贡献 60% 付费"就立刻说"做付费功能"，忽略先理解这 5% 的使用模式
• ❌ 两个方向（深耕 vs 扩大）说得太平均，没有给出明确推荐和理由
• ❌ 只做定量分析，没提定性访谈——用户行为数据能告诉你"是什么"，访谈才能告诉你"为什么"

⑥ 回答策略

开场句推荐：「这是个典型的幂律分布用户结构，我先解读数据含义，再给出两个方向的选择和我的推荐。」

时间分配：数据解读（30秒）→ 两个战略方向（1分钟）→ 推荐方案+理由（1分钟）→ 执行计划（1分钟）。
追问预判：「如果深耕重度用户导致产品越来越复杂，轻度用户反而更难用怎么办？」——重度用户功能可以放在进阶/专业模式，主界面保持简洁，用模式切换隔离复杂度。

---

平台型场景题

题6：AI 能力开放平台

题目：你是一个面向开发者的 AI 能力开放平台 PM（类似 OpenAI API 平台），如何设计定价策略？

参考答案框架

定价设计的核心维度：

1. 计费单元选择

计费方式	优势	劣势	适合
按 Token	精确，与成本直接对应	用户感知差，不知道会花多少钱	开发者
按调用次数	简单易懂	长短不一的调用成本差异大	轻量场景
按包月/包量	用户预算可控	平台承担超量风险	企业客户
按结果计费	对齐价值	难以定义"成功"	垂直场景

推荐：分层计费

• 免费层：每月 X 免费 Token，降低探索成本
• 按量付费：超出后阶梯定价（用量越大越便宜）
• 企业套餐：包月 + SLA + 专属支持

2. 差异化定价（按模型/功能）

能力层级	价格定位	代表场景
轻量模型（Haiku/Mini）	低价	分类、摘要、简单问答
标准模型（Sonnet/4o）	中价	通用对话、代码补全
高能模型（Opus/o1）	高价	复杂推理、专业分析

3. 开发者增长飞轮

免费额度吸引试用 → 开发者将平台嵌入产品 → 产品规模增大 → 用量增长 → 升级企业套餐

④ 前沿加分

2025 年开发者平台定价的新趋势：按输出价值收费（Value-based pricing）在特定场景落地——比如代码生成平台按"被采纳的代码行数"收费，AI 搜索按"成功解决的查询"收费，这比按 Token 更能对齐客户价值感知，但技术和销售复杂度更高。另外 Anthropic、OpenAI 都在推"Prompt Caching"降价策略，PM 需要理解缓存机制如何影响用户的实际账单。

⑤ 常见踩坑

• ❌ 只讨论定价模型，没有提生态建设——开发者平台的护城河是 SDK/文档质量和社区，纯靠定价便宜很难留住开发者
• ❌ 对"免费层"的设计没有深入思考——免费额度要足够让开发者验证产品价值，但不能免费到不需要付费
• ❌ 忽视合规和安全成本在定价中的体现，企业客户很看重这个

⑥ 回答策略

开场句推荐：「定价策略要从三个维度想：计费单元选什么、如何分层差异化、如何设计增长飞轮。」

时间分配：计费单元选择（1分钟）→ 分层定价方案（1分钟）→ 增长飞轮（30秒）→ 前沿补充（30秒）。
追问预判：「如果竞争对手大幅降价怎么办？」——不要陷入价格战，重点建立差异化：模型能力、开发者体验、生态集成深度，这些比价格更能留住高价值客户。

---

垂直行业题

题7：医疗 AI 产品

题目：你负责一个面向基层医生的 AI 辅助诊断产品，如何平衡"AI 准确率"和"医生接受度"这两个目标？

参考答案框架

核心矛盾：

• AI 准确率越高，越可能挑战医生权威感
• AI 表现得太强，医生可能不用（职业威胁感）
• AI 表现得太弱，医生觉得没用

设计原则：AI 是"助手"而不是"判官"

具体策略：

1. 定位为"第二意见"而非"诊断替代"：

   • 界面语言："AI 建议考虑..." 而非 "AI 诊断为..."
   • 始终显示置信度和支持依据
   • 医生一键确认/修改，保留最终决策权

2. 提升医生接受度的设计：

   • 让 AI 先展示医生可能忽略的罕见情况（补充视角，不是纠错）
   • 在医生确认的基础上，积累数据提升准确率
   • 显示"已帮助你捕捉 X 个漏诊风险"→ 正向反馈

3. 分阶段上线：

   • 第一阶段：只做辅助提示，不影响主流程
   • 第二阶段：在医生确认后统计 AI 建议的采纳率
   • 第三阶段：根据采纳数据优化模型

监管合规：医疗 AI 在国内属于二类/三类医疗器械，需要NMPA审批，产品设计必须留完整操作记录。

④ 前沿加分

医疗 AI 的前沿趋势是"多模态诊断辅助"——结合影像（CT/MRI）+ 文字病历 + 检验数据进行联合推理，GPT-4o、Claude 等多模态模型让这条路更可行。但监管门槛也随之提高，产品 PM 需要提前了解 AI 医疗器械软件（SaMD）的认证流程，这是绕不开的关键路径。

⑤ 常见踩坑

• ❌ 只从产品设计角度答题，完全不提监管合规——医疗场景下这是 blocker，忽视会显得不接地气
• ❌ 把"医生接受度低"归因为医生保守或不懂技术，忽视 AI 作为"竞争威胁"的心理因素
• ❌ 没有提 Human-in-the-loop 机制——医疗 AI 出错的代价是人命，必须保留医生最终决策权

⑥ 回答策略

开场句推荐：「医疗场景的特殊性在于：准确率和接受度之间存在真实的张力，我的策略是用产品设计消除医生的威胁感，而不是靠准确率说话。」

时间分配：核心矛盾分析（30秒）→ 设计原则（30秒）→ 具体策略（1.5分钟）→ 分阶段路径（30秒）→ 合规提示（30秒）。
追问预判：「如果 AI 判断比医生更准，但医生不采纳，怎么推动？」——数据积累到一定程度后，可以推动医院管理层建立"AI 建议采纳率"作为医生绩效参考，但要非常谨慎，不能激化对立。

---

通用答题技巧

场景题答题 4 步法

1. 澄清假设："我理解这个产品的目标是...，用户主要是...，对吗？"
2. 结构化分析：用漏斗/矩阵/优先级框架拆解，不要散点式说
3. AI 特性代入：每个方案明确说明"因为 AI 能做 X，所以才能实现 Y"
4. 说出 Trade-off：每个方案都有代价，主动说出来比被追问更好

---

AI 面试工具箱

想用真实 JD 生成针对你岗位的定制化潜力题？试试 JD 押题器。