把AI知识，读成可复用的工作方法

覆盖 AI 需求定义与场景挖掘、模型能力边界与选型、效果验收与评估、成本与商业化、数据合规、人机协作体验设计、AI 项目管理等产品经理核心考点

覆盖 AI 漫剧全流程：LLM 剧本创作、分镜设计、角色一致性方案、图像与视频生成工作流、配音口型同步、竖屏短剧运营、内容合规与商业化等核心考点

覆盖 Transformer 原理、预训练与数据工程、SFT 与参数高效微调、RLHF/DPO 对齐、推理优化与量化部署、评测体系等大模型算法核心考点

覆盖提示词设计结构、CoT/ReAct 等推理技术、结构化输出、提示词安全与注入防御、评估与版本治理、业务落地方法论等 Prompt 工程核心考点

覆盖知识库规划与治理、内容质量与切分配合、标注数据生产、RAG 效果运营与 bad case 归因、知识保鲜机制、数据合规与安全、运营指标体系等核心考点

覆盖大模型评测体系、评估集建设、程序断言与 LLM-as-judge、对抗与红队测试、性能与安全测试、回归与线上监控、RAG/Agent 专项测试等核心考点

覆盖 AI 平面与视觉设计的全链路考点：提示词与风格控制、ControlNet 工作流、电商/品牌/插画场景、版权与商用授权、批量设计工程化、设计师竞争力重构

覆盖 B 端 AI 落地的全链路考点：客户调研与痛点挖掘、方案架构设计（RAG/Agent/微调选型）、POC 设计、ROI 测算与报价、投标与演示、交付边界管理、行业方案与异议处

覆盖职场 AI 应用的全场景考点：文档写作与总结、表格与数据分析、汇报演示、个人知识管理、提示词模板库建设、人机分工与验证习惯、数据安全红线与团队 AI 化推广

从工具调用走到规划、协作与治理。内容整理自开源仓库 ai-interview-guide（MIT 协议）

从开放问题走到客户生产结果。内容整理自开源仓库 ai-interview-guide（MIT 协议）

从模型能力走到可上线的业务系统。内容整理自开源仓库 ai-interview-guide（MIT 协议）

从架构原理走到吞吐与部署。内容整理自开源仓库 ai-interview-guide（MIT 协议）

从多模态理解走到视觉工具与实时交互。内容整理自开源仓库 ai-interview-guide（MIT 协议）

从召回链路走到评测与生产治理。内容整理自开源仓库 ai-interview-guide（MIT 协议）

从评测方法走到风险控制与线上监测。内容整理自开源仓库 ai-interview-guide（MIT 协议）

覆盖 AI 漫剧前期创作全链路：LLM 辅助剧本创作、人设与世界观、钩子与反转设计、分镜与文案、连载剧情管理与一致性、原创与版权合规、数据驱动改剧等核心考点

覆盖 AI 漫剧中期制作与制片管理：流水线设计与排期、角色一致性生产管控、提示词与 LoRA 资产管理、批量产能、质量与成本控制、外包协作、商业化与合规台账等核心考点

覆盖 AI 漫剧后期全链路：图生视频与运动控制、口型同步与 TTS 配音、音效与混音、剪辑节奏与字幕包装、调色统一、成片规格导出与质检、工程化素材管理等核心考点

Python 语言特性、编码规范、数据类型、正则、装饰器等高频面试题（已排除并发/网络/爬虫/Git/算法专题）。内容整理自开源仓库 Python-Interview-Custom

Java SE 基础高频面试题：JDK/JRE、运算符与关键字、字符串三兄弟、接口与抽象类、异常体系、反射、深浅拷贝等。带【高频】标记的是笔试面试超高频考点。

Linux 常用命令与 Docker 容器高频考点：目录文件操作、vi/vim、压缩解压、授权、端口/进程/内存排查、Docker 镜像与容器管理、docker-compose 等

Redis 高频面试题：数据类型、高性能原理、持久化、缓存三大问题（穿透/击穿/雪崩）、过期删除与内存淘汰、集群方案、事务与缓存预热等。

MySQL 高频面试题：连接与合并、char/varchar、事务与隔离级别、三大范式、索引（分类/创建原则/失效/B+树/覆盖索引）、锁、日志、主从复制、SQL优化与慢查询日志。

RabbitMQ 高频面试题：微服务交互、MQ 三大作用、收发代码流程、消息可靠性（丢失/堆积/幂等）、死信队列、延迟消息与交换机模式，结合项目实战场景整理。

Elasticsearch 高频面试题：倒排索引原理、查询关键字、keyword/text 类型、query 与 filter 区别、与 MySQL 的数据一致性方案、性能优化。

大模型微调高频面试题：全参数微调的局限（显存/硬件/灾难性遗忘/存储成本）、参数高效微调（PEFT）核心思想、LoRA 低秩适配的技术原理与数学基础、适配器注入位置与推理时权重合并

LangChain 高频面试题：六大核心组件、链与代理、提示模板与输出解析、Memory 多轮对话、文档检索与向量存储、LCEL 声明式编排、流式处理、SQL 数据库代理与数据安全

LangGraph 高频面试题：状态图与节点执行流程、TypedDict/Annotated 与 Reducer 状态管理、ToolNode 工具调用、interrupt() 人机

MCP（Model Context Protocol）高频面试题：协议定位与函数调用关系、Server/Client 核心角色、Resources/Tools/Prompts 能力

多智能体（Multi-Agent）系统高频面试题：单 Agent 瓶颈、多 Agent 协作收益、Boss-Worker 中心化模式、流水线模式、民主/辩论式协作、通信冗余控制、一

Agent Skill（智能体技能）高频面试题：SKILL.md 结构与 frontmatter、渐进式披露三层加载、description 触发设计、脚本化确定性执行、Skill

=- 区分本地网络效应与全局网络效应<br>- 计算维持网络活跃所需的最低用户密度(Critical Mass)<br>- 识别阻碍网络效应形成的“反向网络效应”<br>- 制定突

=- 分析供需双方的价格敏感度与替代成本<br>- 设计阶梯费率或动态佣金机制<br>- 平衡短期营收与长期生态繁荣<br>- 应对竞争对手的低价补贴策略

=- 建立内容质量的多维评分模型(原创度、信息量、互动率)<br>- 设计内容冷启动的流量测试池机制<br>- 自动识别并打压低质/搬运/营销号内容<br>- 规划优质内容的流量加

- 确定“先有鸡还是先有蛋”的供给侧优先策略<br>- 设计人工营造流动性（Fake it till you make it）的方案<br>- 筛选高频、刚需的单点突破场景<br>

=- 监测供给端与需求端的实时流动性比率<br>- 设计潮汐效应下的动态定价或补贴策略<br>- 建立供需失衡时的自动调度机制<br>- 优化匹配算法以最大化全局交易效率

=- 利用产品数据监测客户健康度(Health Score)<br>- 自动化触发主动关怀(Proactive Outreach)<br>- 将成功客户转化为案例与推荐(Advoc

- 识别产品属于哪种网络效应（直接/间接/双边）<br>- 计算引爆点（Tipping Point）所需的关键规模<br>- 设计冷启动时期的“单机模式”价值<br>- 规划从线性

- 确定双向奖励的标的（现金/积分/权益）<br>- 测算CAC（获客成本）与LTV的ROI关系<br>- 设计阶梯式奖励以刺激超级传播者<br>- 防止黑产薅羊毛的风控策略

- 定义PQL（Product Qualified Lead）的行为特征<br>- 设定不同行为的权重分值（如邀请同事+10分）<br>- 建立分发给销售团队的触发阈值<br>-

=- 绘制用户旅程中的价值溢出点<br>- 识别功能互补的Upsell/Cross-sell组合<br>- 设计不打扰用户的推荐弹窗触发逻辑<br>- 利用数据预测用户的购买意愿

- 设定触发用户回访的外部Trigger（推送/邮件）<br>- 培养内部Trigger（情绪/场景关联）<br>- 设计阶梯式的奖励反馈<br>- 建立“连胜（Streak）”机

- 建立上下文感知的Help Center（Contextual Help）<br>- 设计智能化的Onboarding Checklist<br>- 搭建用户社区互助问答机制<b

- 识别数据上的Aha Moment（如“关注7个人”）<br>- 移除通往Aha时刻的所有非必要阻力（Friction）<br>- 设计引导式交互（Walkthrough）直达核

- 植入内生性（Inherent）病毒触发点<br>- 利用网络效应（Collaboration/Communication）<br>- 设计“Powered by”式的水印传播<

- 定义NRG（自然增长率）与病毒系数（K-factor）<br>- 追踪TTV（Time to Value）与激活率<br>- 分析Expansion Revenue（扩张收入）

- 建立“数据胜于观点（Data > Opinion）”的决策原则<br>- 鼓励“大胆假设，小心求证”的创新氛围<br>- 消除对失败实验的惩罚机制<br>- 普及全员实验意识与

- 规划实验元数据（Metadata）的存储结构<br>- 设计用户分桶快照（Snapshot）的保留策略<br>- 支持跨实验周期的长期效果归因<br>- 建立实验数据的ETL清

- 结合A/B测试、准实验（Quasi-Experiment）、因果推断<br>- 针对无法随机分组的场景设计验证方案（如双重差分DID）<br>- 利用用户访谈进行定性验证<br

- 检测实验样本（Sample）与总体（Population）的特征差异<br>- 识别选择性偏差（Selection Bias）<br>- 分析时间段选择对样本属性的影响<br>

=- 自动检查分流比例之和是否为100%<br>- 校验实验参数的类型与范围合法性<br>- 检测实验人群圈选条件的逻辑冲突<br>- 模拟用户请求以验证Flag生效情况