向大家分享下我面试PM的方法：

1、请从你做过的诸多的产品中挑选一个你投入精力比较多，比较能代表你产品能力的产品，简要描述下：
几乎每个PM都会做一堆产品，但是在衡量其产品能力的时候用TA自认为最能体现TA产品能力是最为核实，为后续面试奠定一个产品场景。其次这类产品候选人往往最为熟悉，往往也是面试官能够挖掘到更多的点。

2、这款产品的定位是？衡量这款产品的成功与否的指标有哪些？你在里面的角色是：
作为一个PM清楚自己负责产品的定位及度量的数据指标是最为重要的点。但是在实际过程中很多PM都回答不上来，或者回答的是非常微观的目标。在这里能够发现PM的工作的目标感，目标感加上产品经历的时间大概能测算出一个PM的积累量。
在产品中的角色意味着其在项目推进过程中可以协调的资源量，也确定了这个产品是主导人还是执行人，背后决定PM对于该产品的思考广度和深度。

3、这款产品的需求来源有哪些？从用户需求到你的产品方案中间会经过哪些环节？推进需求落地的先后顺序的决策依据是：
以上主要是判断一个PM的需求分析，需求管理、产品方案设计的基础能力。

4、这款产品最终的数据是：
最终数据最终代表着该PM的产出，可能有人有疑问：产出受多因素决定等。但是我们脑子中的项目就是产品负责制，PM的产出就是最终交付给了用户的产出。实际过程中目标都是达成，这个不重要，重要的是目标达成的程度。

5、你在做这款产品的过程中有遇到什么问题？你是怎么解决的：
考察一个产品候选人的总结、分析、提炼的能力，在实际面试过程中，大概也就20%的PM能够很好的回答这个问题，因为面试时间很紧张，临场总结提炼往往是能够感知到的。

6、如果让你将这个产品推到重来，你觉得你会在哪些方面会做一些改变，原因是什么：
考量的是一个PM有无复盘，复盘能力，对比早期决策，是否有更好的解决方案，解决方案的依据是什么？能够判断这个PM的职业习惯及在该产品期间的成长度，这种方案的改变应该是有目标的，应该有体系的。那种微观的优化，要么原产品本来就很优秀，要么就压根没想过这个事情，而是浑浑噩噩的过来了。

7、向我推荐你最近体验到的三款很不错的产品，不错在哪里：
考察PM的产品的敏感度和前沿的追逐度，有没有经常去体验一些新出来的不错的产品，体验过程中有没有去总结人家产品的好处，好在哪里？

8、在产品的知识体系中，你觉的你在哪些产品点上能力比较强：
考察PM的自我认知能力，结合PM在前面讲的产品项目，他的工作内容、方式等等。反向印证前面过程对该PM的认知，看自己判断是否准确，是否遗漏了一些该PM的长短处，也看看PM对自己的认知能力。

9、请用三个词语形容下自己，取其中之一，列举工作的实例举证下这个形容词：
开放性问题，主要是判断其个人的性格，举例证明往往很多时候可以发现有意思的点，伴随这个问题可以小范围讨论下，舒缓前面面试的紧张氛围，在这个问题之后进行反转，看看该PM有无问题需要面试来解答的，PM也处于一个相对舒缓放松的状态下，能够完整全面提出自己的疑问。

备注：这9个问题在实际的面试过程中，可能有些环节时间比较久，有些可能比较短，有些问题会随场揉在一起问了。但是基本上会覆盖这些问题。仅供参考

在Agent中启用google搜索，出现大面积的乱码，遇到了所谓的“Token 概率坍塌”或“溢出干扰”**

简单来说，当 Agent 调用谷歌搜索时，如果返回的网页内容包含大量的 HTML 乱码、广告追踪代码、多语言混合字符，或者是由于搜索插件的接口将原始数据流（Raw Data）直接喂给了模型，模型可能会被这些“噪音”带偏，进入一种随机联想状态。

未来我们所构建的任何一个应用都应该是API/工具/子agent，最终可被Agent所能调用，这其实意味着稳定的 API + 完整审计日志 + 繁琐的权限管理；

我们选择了大多数人的选择，然后期待一个远超大多数人的结果，某种层面想想也挺荒谬的

Openclaw创始人预测的未来里，用户只用做一件事：说出你的需求，Agent就能现场为你造出一个专属工具。

其实在一些简单场景下已经是这样了，比如马卡龙、比如灵光的闪应用；

但还是很难想象复杂业务流是否也可以，非常明显的一个点就是未来底层数据的存储形式会发生很大的变化，以及其它的基建会做很多的升级

这里面其外也可以推导出未来限制AI能力发挥的，可能就是人类语言自己，你可能很难将自己的需求很好、完整的表述出来；

AI Agent要抢SaaS的饭碗了，而且吃得更香

高盛近期的一项研究预测，Agent将主导软件行业的利润，并扩大整个市场规模。预计到2030年，Agent将占软件经济效益的60%以上，这意味着更多的资金将流向Agent工作负载，而非传统的SaaS服务。这里的Agent指的是能够自主运行、适应变化、​​记忆上下文并调用API完成多步骤工作的系统。目前大多数部署仍然是连接到LLM（生命周期管理）的聊天机器人，而功能更强大的Agent模式目前还处于概念验证或内部试点阶段。该技术栈需要一个稳定的平台层，以及身份、安全和数据完整性方面的保障措施，而广泛的标准化至少还需要12个月的时间。可靠性和内存性能的提升减少了故障循环，使得支持、销售、市场营销和开发者工具等各个环节都能实现无人值守的执行。将工作流程封装在代理中的供应商将成为知识工作的新用户界面，这使他们能够获得部分生产力提升，而不是将所有收益都转嫁给客户

Agent产品架构设计的核心原则，大致会变成这些：

1、Agent 是“长期运行系统”，不是一次性调用；

2、架构优先于模型：模型会换，系统要站得住；

3、企业场景里，可控性往往比创造性更重要；

4、先工程化，再智能化：先把状态、权限、审计做扎实；

低耦合带来“自愈”和“进化”：某个工具坏了、某条路径失败了，系统能换路、能恢复、能继续跑。

100年前的司机必须会修车，因为出故障的频率太高了，不会修的话这辆车很难去用，但是现在的司机还需要吗？

可以类比下当下的AI Coding

AI的渗透可能比我们想象的要高不少，一个朋友说：

我妈60了。天天用。和我爸吵架找deepseek评理，上医院体检回来给豆包看她体检报告。换季了，让豆包根据她所在的地区和饮食习惯，运动习惯给她制定食谱。没事还唠几句，看电视看哪个情节不顺眼找豆包吐槽

这已然是一种新的社交方式了...

对于具身智能感兴趣的同学，强烈推荐研究下这个站点，在国内很少能看到这种深度主题性质的内容，如同庖丁解牛讲给你看：

1. 它以极高的颗粒度，对机器人进行了“庖丁解牛”式的拆解。从谐波减速器的柔性齿轮原理，到行星滚柱丝杠的受力分析；从镁合金与钛合金的材料博弈，到电机的电磁构型。它不堆砌参数，而是用第一性原理来解释每一个工程选择背后的代价是什么。

2. 它跳出技术，揭示了中美双极下的产业暗战。提出了“工业密度（Industrial Density）”的概念，论证了为什么地理位置决定了迭代速度；它通过分析镁资源的控制权和供应链瓶颈，预警了西方在“身体”制造上的脆弱性，以及中国在硬件生态上的统治力。

3. 除了聚光灯下的明星，这份图谱还挖掘了那些低调但技术深厚的玩家：如欧洲的 Sanctuary AI；专注于液压与电驱混合路线的探索者；以及那些正在为这些机器人提供执行器和运动控制的关键供应商。它通过物料清单分析，指出了哪些零部件会随规模化暴跌，而哪些将长期昂贵。

人形机器人不仅是AI的容器，更是全球高端制造能力的终极试炼场。

上面的总结借用他人的，概括的非常到位

humanityslastmachine.com

相较于全球其它国家，我们对人工智能产品的态度异常积极，这其实在日常工作中也能够感知到这一点，开源开发者的重心也正在向中国转移，像我们工作中很多时候都是使用的开源模型，可能会去做一些领域的适配，已然可以在某些方面取得降本提效的收益。