product-manager git:20260908.a2a662cA

Immutable. This exact content is served forever at /api/v1/blob/20e3442898e1479c.

---
name: product-manager
description: 产品经理出题：需求分析与优先级、用户研究、指标与数据驱动、产品设计与文档、跨团队协作、AI 产品思维。岗位或简历涉及产品经理、产品运营、AI 产品经理、增长产品时加载。
keywords: [产品经理, product manager, pm, 产品运营, ai产品经理, 增长, 需求分析, 优先级, 用户研究, prd, 指标, 北极星, 竞品分析, 产品设计, 商业化]
layer: domain
---

## 岗位职责与考察重点

产品经理的职责是发现值得解决的问题、定义解决方案并推动团队交付、用数据验证效果。真实面试里最常见的题型：产品设计与改进（"你怎么改进 X 功能"）、优先级与取舍（"资源只够做一个，选哪个、为什么"）、指标诊断（"某指标掉了怎么分析"）、项目复盘（"你做过最失败的需求"）、跨团队冲突（"研发说做不了怎么办"）。这是非研发岗位，考察重点不是知识而是判断：面试官最在意三件事——一是能否从用户与业务出发定义问题而不是直接跳到功能，二是取舍时有没有清晰的依据并能承认代价，三是有没有真实推动过事情落地（包括失败与妥协）。会背 RICE、KANO、CIRCLES 但一进入具体场景就套模板的人，正是要筛掉的。

校招侧重产品 sense、逻辑结构、对常用产品的观察深度和学习能力；社招侧重项目真实性与复杂度、数据驱动的决策证据、跨团队推动力、以及对业务模型（商业化、增长、供需）的理解。2025 年起 AI 产品经理需求激增，面试会额外考对模型能力边界的理解、AI 功能的评估方式与体验兜底设计，以及"这个需求用 AI 是否真的比传统方案好"。

## 主题

### 需求分析与问题定义
- 阶梯：用户说的需求和真实需求怎么区分 → 从场景、动机、替代方案三层拆需求 → 老板拍脑袋的需求、销售带来的大客户需求怎么验证真伪 → 需求的价值与做的代价（研发、体验复杂度、长期维护）怎么权衡
- 好题：销售带来一个大客户需求"要导出 Excel 报表并支持自定义列"，你会怎么判断该不该做、做到什么程度？如果最终决定不做，怎么跟销售和客户沟通？
- 危险信号：直接开始设计功能；把"用户要"当成理由；不问需求背后的场景与频率
- 期望信号：追问使用场景与频率；找替代方案与最小验证；区分单客户定制与通用能力；有说"不"的经验

### 优先级与取舍
- 阶梯：优先级依据什么 → RICE / 价值-成本矩阵的适用与局限 → 两个高价值需求资源冲突、技术债与新功能冲突怎么决策 → 优先级排完老板不认、团队不服怎么办，什么时候该推翻自己的排序
- 好题：本季度只能做一件事：修一个影响 5% 用户的严重 bug、做一个预计提升 3% 转化的新功能、还是还一笔拖慢所有需求的技术债？你怎么决定、怎么向各方解释？
- 危险信号：套 RICE 打分却说不出分数从哪来；回避取舍说"都做"；不考虑机会成本
- 期望信号：先对齐阶段目标再排序；量化不确定性（把"预计提升 3%"追到依据）；承认代价并给出补偿方案

### 用户研究与验证
- 阶梯：访谈、问卷、可用性测试各适合什么问题 → 样本偏差、诱导式提问怎么避免 → 用户访谈结论与数据相矛盾怎么处理 → 研究投入与决策紧迫性的平衡，什么时候该先上再验
- 好题：你做了 10 个用户访谈都说想要某功能，上线后使用率不到 2%，回头看研究过程哪里出了问题？下次怎么设计验证？
- 危险信号：把访谈里"想要"当作会用；样本全是活跃用户；没有过任何验证失败的经历
- 期望信号：区分态度与行为数据；用假门测试、灰度等低成本验证；知道自己的研究偏差在哪

### 指标体系与数据驱动
- 阶梯：为什么要先定指标再做功能 → 北极星指标、过程指标、护栏指标的拆解 → 功能上线后核心指标没变化怎么归因，指标涨了但用户投诉也涨了怎么判断 → 数据能回答什么、不能回答什么，何时该靠判断
- 好题：你负责的功能 A/B 显示点击率涨 15% 但次日留存略降不显著，业务方要上线，你怎么决策？还需要什么信息？
- 危险信号：只会说"看数据"；指标都是曝光、点击这类虚荣指标；不知道 A/B 测试基本约束
- 期望信号：定义指标口径与观测周期；关注长期指标与护栏；能判断实验设计是否合理

### 产品设计与体验取舍
- 阶梯：一个功能的设计从哪里开始 → 信息架构、核心路径、异常态与边界情况 → 设计方案与研发成本冲突、与其他功能入口冲突怎么处理 → 简洁与功能完整、新手与专家用户的取舍
- 好题：给你一个日常使用的 App（让候选人自选），说一个你认为应该砍掉的功能和理由；如果你是它的 PM，砍掉后要监控什么？
- 危险信号：只谈"体验好"没有具体；设计不考虑异常与空状态；批评产品但给不出替代方案
- 期望信号：从核心路径与使用频率出发；有异常态设计意识；砍功能时考虑存量用户迁移

### PRD 与需求交付
- 阶梯：PRD 要写清什么 → 需求边界、验收标准、埋点与数据需求怎么写进去 → 研发按 PRD 做完发现和预期不一样是谁的问题、怎么避免 → 文档详尽程度与迭代速度的平衡
- 好题：一个需求上线后研发说"我是按 PRD 做的"、你说"这不是我要的"，复盘你会改哪些写 PRD 和评审的习惯？
- 危险信号：PRD 只有功能描述没有验收标准；不写埋点需求；评审只是宣讲
- 期望信号：验收标准与异常场景明确；评审时让研发复述理解；关键需求做原型验证

### 跨团队协作与推动
- 阶梯：PM 没有管理权怎么推动事情 → 研发排期冲突、设计不认同、运营要插队怎么处理 → 需求上线延期一个月的沟通与止损 → 妥协的边界：什么能让、什么不能让
- 好题：研发负责人说你的需求技术上"做不了"，但你判断是优先级问题而非技术问题，你会怎么办？说一个真实经历。
- 危险信号：靠向上汇报施压；没有真实冲突案例；把研发当执行者
- 期望信号：先理解对方约束再谈方案；拆小需求换取排期；有说服失败后调整方案的经历

### 商业化与业务模型
- 阶梯：产品怎么赚钱 → 定价、付费转化、LTV/CAC 的基本账 → 增长与变现冲突（广告伤体验、会员权益稀释）怎么平衡 → 短期收入与长期用户价值的取舍
- 好题：一个工具型 App 有 100 万 DAU，要设计付费模式，你会怎么选免费与付费的边界？怎么验证定价？
- 危险信号：只会说"会员制"；不算账；不考虑对免费用户体验的影响
- 期望信号：区分付费意愿与付费能力；先小范围定价测试；关注免费用户流失率

### AI 产品思维
- 阶梯：这个需求为什么要用 AI 而不是规则 → 模型能力边界、幻觉、延迟、成本对产品设计的约束 → AI 功能效果不稳定、用户反馈"答非所问"怎么定义评估与迭代 → 自动化程度与用户可控性的取舍，出错时的体验兜底
- 好题：老板要求在产品里加一个 AI 助手，你怎么判断哪些场景值得做、怎么定义"效果好"、上线后怎么评估和迭代？
- 危险信号：把 AI 当万能；不知道幻觉；没有评估集与人工审核的概念；不设计出错时的用户路径
- 期望信号：从高频低风险场景切入；有明确的成功率指标与评估样本；设计用户纠错与降级路径；能算单次调用成本

### 项目复盘与失败经验
- 阶梯：说一个失败的项目 → 失败的原因归到自己而不是环境 → 当时有哪些信号被忽视 → 之后的决策习惯改了什么
- 好题：说一个你主导的、最终数据不达预期的需求：当时怎么判断的、哪个环节错了、如果重来你会在哪个时点停下来？
- 危险信号：没有失败经历；失败全归因外部；复盘只有感受没有具体改变
- 期望信号：能指出具体的错误假设；有量化的偏差；改变了后续流程

### 竞品分析与市场判断
- 阶梯：竞品分析看什么、为什么不是罗列功能 → 从目标用户、核心路径、商业模式三层拆竞品 → 竞品上了一个新功能老板要跟怎么判断跟不跟 → 差异化与跟随的取舍，市场窗口与团队能力的匹配
- 好题：竞品刚上线了一个功能并在社交媒体上很热，老板要求两周内跟进，你怎么在两天内给出跟或不跟的判断？判断依据里哪些是可以快速验证的？
- 危险信号：竞品分析就是功能对比表；跟进理由是"别人有我们也要有"；不看竞品的用户与商业模式差异
- 期望信号：先判断竞品功能服务的用户是否与自己重叠；用现有数据估算需求规模；给出"不跟但监控什么"的方案

## 好题 / 坏题对比

- 坏：说说你怎么做需求优先级排序？
- 好：本季度只能做一件事：修影响 5% 用户的严重 bug、做预计提升 3% 转化的新功能、还是还一笔拖慢所有需求的技术债？说出你的决策与依据，并解释怎么跟被拒绝的一方沟通。

- 坏：你怎么理解数据驱动？
- 好：A/B 显示点击率涨 15%，次日留存略降但不显著，业务方要上线，你的决策是什么？你还需要什么信息、看多长时间？

- 坏：AI 产品经理需要什么能力？
- 好：老板要求加一个 AI 助手，给你两周判断做不做。你会验证什么、怎么定义效果好、上线后用户反馈"答非所问"你怎么评估是模型问题还是场景选错了？

## 项目结合钩子

- 简历出现"提升 X% 指标" → 追指标口径、是不是 A/B 验证、观测周期、同期有没有其他变量
- 简历出现"从 0 到 1" → 追最初的问题定义、验证方式、第一个版本砍了什么、上线后哪里判断错了
- 简历出现 AI 功能 → 追为什么用 AI、评估集怎么建、幻觉与出错的用户路径、成本
- 简历出现"推动跨部门" → 追最大的阻力是谁、怎么解决、有没有让步
- 简历出现用户研究 → 追样本怎么选、结论怎么验证、有没有和数据冲突的情况
- 简历出现商业化 / 付费 → 追定价依据、转化率、对免费用户的影响
- 简历出现竞品分析 → 追分析得出的具体决策而不是报告本身
- 简历出现产品运营 → 追活动的 ROI、复购或留存变化、哪些是一次性效果

## 出题原则

- 所有题目必须落在具体产品与具体约束（资源、时间、冲突方）上，让候选人现场做决定并说代价；只描述流程和框架不给分。
- 每个"提升 X%"都要追验证方式与口径，每个"推动"都要追阻力与妥协，识别包装的成果。
- 允许候选人自选熟悉的产品作为题目载体，评判的是思路的结构化与判断依据，不是对某个产品的了解程度。
- AI 相关题目重点看候选人是否理解模型能力边界并为出错设计了兜底，而不是看会不会说术语。