AI PM 面试素材库

什么是 Harness Engineering？

01 一个价值数十亿美元的设计蓝图 | harness-engineering、agent-architecture、ai-product

为什么源码解析的价值不在逐行读代码？

01 一个价值数十亿美元的设计蓝图 | source-analysis、design-decision、competitive-research

为什么 AI CLI 需要完整运行时系统？

02 架构全景：Harness的骨架 | cli-runtime、agent-runtime、observability

AI 工具选型应该看哪些真实约束？

02 架构全景：Harness的骨架 | tech-stack、latency、terminal-ui

为什么 system prompt 是 AI 产品的核心资产？

03 System Prompt工程 | system-prompt、prompt-engineering、product-spec

静态 prompt 和动态上下文应该怎样分层？

03 System Prompt工程 | dynamic-context、context-injection、prompt-architecture

如何把 prompt 从玄学变成工程资产？

03 System Prompt工程 | prompt-testing、eval、change-management

Agent 工具系统可以如何抽象？

04 工具系统：4个原语，59个工具 | tool-system、capability-primitives、permissions

为什么命令行工具对 Agent 很重要？

04 工具系统：4个原语，59个工具 | bash、tool-adapter、sandbox

Agent 工具数量增加会带来什么问题？

04 工具系统：4个原语，59个工具 | tool-governance、schema、agent-ux

为什么权限系统是 AI Agent 的核心产品设计？

05 权限系统：信任是设计出来的 | permission-system、trust、agent-safety

为什么安全审查要做成多层流水线？

05 权限系统：信任是设计出来的 | safety-pipeline、risk-control、classifier

Auto 模式如何同时做到高效和安全？

05 权限系统：信任是设计出来的 | auto-mode、user-control、safety-ux

Agent 长期记忆应该记什么？

06 记忆系统：只记偏好，不记代码 | memory、preference、state-management

为什么简单文件也能做 Agent 记忆？

06 记忆系统：只记偏好，不记代码 | file-memory、simple-design、explainability

长期记忆如何建立用户安全感？

06 记忆系统：只记偏好，不记代码 | memory-privacy、user-control、personalization

为什么长上下文仍然需要压缩？

07 上下文管理：长对话的生存术 | context-management、compaction、long-session

什么时候应该自动压缩，什么时候让用户手动压缩？

07 上下文管理：长对话的生存术 | auto-compact、manual-compact、state-summary

好的上下文摘要应该长什么样？

07 上下文管理：长对话的生存术 | structured-summary、handoff、agent-state

为什么代码搜索不一定需要 RAG？

08 搜索：为什么grep打败了RAG | search、grep、rag

如何判断该用关键词搜索、结构化索引还是向量检索？

08 搜索：为什么grep打败了RAG | retrieval、hybrid-search、information-architecture

为什么外围组件可以保持简单？

08 搜索：为什么grep打败了RAG | simple-components、architecture-principle、maintainability

多 Agent 系统为什么像公司？

09 多Agent架构：像公司一样运转 | multi-agent、organization-design、coordination

Agent 并发应该如何选择隔离级别？

09 多Agent架构：像公司一样运转 | concurrency、isolation、agent-runtime

多 Agent 的难点为什么在合并而不是启动？

09 多Agent架构：像公司一样运转 | merge、conflict-resolution、quality-control

为什么成熟 AI 产品需要 feature flags？

10 Feature Flags里的未来 | feature-flags、ab-testing、release-management

为什么 feature flags 能透露产品未来方向？

10 Feature Flags里的未来 | roadmap、competitive-analysis、experimentation

Feature flags 会带来什么工程债？

10 Feature Flags里的未来 | flag-debt、governance、experimentation

为什么同一代码库会分化出内部版和外部版？

11 两个Claude Code | internal-product、external-product、dogfooding

什么时候用编译时分化，什么时候用运行时配置？

11 两个Claude Code | build-time、runtime-config、product-variants

为什么安全不是 Agent 能力的反面？

12 Harness Engineering方法论 | trust、agent-safety、automation

为什么持久化应该存变化慢的东西？

12 Harness Engineering方法论 | persistence、slow-changing-state、memory-design

AI 产品如何从 demo 变成可依赖工具？

12 Harness Engineering方法论 | reliability、demo-to-product、agent-product

评审一个 Agent 产品应该问哪些问题？

12 Harness Engineering方法论 | review-checklist、prd、agent-eval

面试中如何讲 Claude Code 这类 Agent 产品架构？

全书整合 | interview、architecture-story、ai-pm

这本书最值得 AI PM 二次抽取的专题是什么？

全书整合 | ai-pm、knowledge-base、agent-playbook

产品经理没有直接管理权时，如何推动跨团队完成目标？

产品经理手册（原书第4版） | organization、stakeholder、leadership

面试中如何证明自己具备产品领导力？

产品经理手册（原书第4版） | leadership、interview、decision

产品经理应该如何做竞争分析？

产品经理手册（原书第4版） | competitive-analysis、strategy

一个新产品从机会到发布，PM 应该输出哪些关键产物？

产品经理手册（原书第4版） | prd、launch、roadmap

产品进入成熟期后，PM 还应该做什么？

产品经理手册（原书第4版） | lifecycle、growth、brand

优秀产品经理的能力结构是什么？

产品经理的第二本书 | career、pm-skill、aipm

产品经理如何管理多个并行需求和项目？

产品经理的第二本书 | project-management、prioritization

一个产品计划应该包含哪些内容？

产品经理的第二本书 | planning、strategy、execution

PM 做用户/市场研究时最容易犯什么错误？

产品经理的第二本书 | user-research、market-research、JTBD

产品经理为什么要懂财务和产品组合？

产品经理的第二本书 | finance、portfolio、unit-economics

为什么说互联网产品竞争本质上是用户体验竞争？

产品经理的五项修炼 | ux、value、user-centered

如何从用户研究走到可执行需求？

产品经理的五项修炼 | requirement、user-research、prd

信息架构设计解决什么问题？

产品经理的五项修炼 | information-architecture、ux、search

为什么说互联网产品是运营出来的？

产品经理的五项修炼 | operation、pdca、growth

如何理解产品的道、法、术？

经·理@互联网产品经理的进阶修炼 | strategy、execution、product-thinking

互联网产品行业分析要看哪些结构性因素？

经·理@互联网产品经理的进阶修炼 | industry-analysis、network-effect、strategy

如何确认目标用户和核心需求？

经·理@互联网产品经理的进阶修炼 | positioning、need、focus

如何区分需要、需求和产品功能？

经·理@互联网产品经理的进阶修炼 | requirement、JTBD、feature

产品经理做一个产品/功能的基本工作流是什么？

产品心经：产品经理应该知道的50件事 | workflow、0-to-1、prd

产品战略规划应该如何展开？

产品心经：产品经理应该知道的50件事 | strategy、roadmap、planning

如何用精益方法验证一个产品想法是否靠谱？

产品心经：产品经理应该知道的50件事 | lean-startup、mvp、validation

如何定义需求优先级？

产品心经：产品经理应该知道的50件事 | prioritization、requirement、roadmap

产品运营中哪些指标最重要？

产品心经：产品经理应该知道的50件事 | operation、metrics、data

产品经理如何构建自己的能力金字塔？

产品前线：48位一线互联网产品经理的智慧与实战 | career、pm-skill、growth

如何通过使用场景挖掘真实需求？

产品前线：48位一线互联网产品经理的智慧与实战 | scenario、requirement、user-behavior

为什么好的需求文档应该简短但清晰？

产品前线：48位一线互联网产品经理的智慧与实战 | prd、prototype、requirement

数据驱动产品时，如何避免被数据误导？

产品前线：48位一线互联网产品经理的智慧与实战 | data、metrics、omtm

如何提升产品经理的说服力？

产品前线：48位一线互联网产品经理的智慧与实战 | communication、persuasion、collaboration

产品经理应该如何理解设计？

产品设计七日修行 | design、ux、product-thinking

竞品分析应该服务什么？

产品设计七日修行 | competitive-analysis、design、ux

产品设计如何通过迭代变好？

产品设计七日修行 | iteration、design-management、ux

关于产品经理岗位，常见误区有哪些？

产品经理修炼之道 | career、pm-role、interview

产品规划要回答哪四个核心问题？

产品经理修炼之道 | planning、case-interview、strategy

产品经理处理需求时有哪些实用技巧？

产品经理修炼之道 | requirement、analysis、prd

产品设计需要哪些核心能力？

产品经理修炼之道 | product-design、workflow、interaction

这套产品经理合集对 AI PM 最大的价值是什么？

产品经理修炼之道 | aipm、study-plan、career

为什么产品经理需要长周期视角？

引子 / 文明史视角 | long-term-view、civilization、strategy

科学方法对产品验证有什么启发？

科学之路 / 理性时代 | scientific-method、product-validation、experiment

交通和通信技术如何改变商业模式？

交通、通信、计算、互联网 | transaction-cost、connection、platform

计算技术从工具变成基础设施意味着什么？

计算的时代 | computing、infrastructure、platform

技术浪潮里为什么容易出现泡沫？

华尔街 / 泡沫 / 增长极限 | bubble、risk、unit-economics

为什么创新常常发生在生态而不是单个公司里？

硅谷 / 互联网时代 | innovation-ecosystem、silicon-valley、network

智能能力不是凭空出现的，数据把现象转化为可计算、可学习、可优化的对象。没有高质量数据，模型和产品都难以持续改进。

数据是文明基石 | data-intelligence、ai-era、data、product

如何理解“把智能问题变成数据问题”？

大数据和机器智能 | machine-intelligence、datafication、problem-framing

大数据思维为什么强调相关性？

思维的革命 | correlation、causality、data-thinking

为什么大数据商业的共同点在数据流中？

大数据与商业 | data-flow、personalization、business-model

如何用“现有产业 + 机器智能 = 新产业”分析机会？

现有产业 + 机器智能 | industry-upgrade、machine-intelligence、opportunity

智能时代个人如何避免被浪潮淘汰？

智能革命和未来社会 | career、ai-era、skill-migration

选校本质上是多目标匹配：个人目标、资源环境、文化适配、长期发展和机会成本。职业选择也应使用类似框架，而不是只追排名。

选校框架 | career、education

好的环境提供同伴、师资、项目、信息和标准，它改变人的机会集合与默认行为。个人成长不是只靠自驱，也受系统环境影响。

教育资源与环境 | career、education

产品工作常在技术、商业、用户和组织之间做翻译。通识能力让人更容易理解不同领域的约束，也更容易发现跨界机会。

通识教育与专业能力 | career、education、product

教育和能力建设的回报常常滞后，但会通过认知框架、选择质量和机会网络复利释放。短期功利容易错过底层能力。

长期主义教育投资 | career、education

商业的本质是创造价值、交换价值和分配价值。看一个产品不能只看功能，还要看它为谁创造了可持续价值，以及价值如何被捕获。

商业的本质 | judgment、business、business-model

个人发展既有结构性约束，也有可主动选择的路径。好的策略是提高自己遇到机会、识别机会和承接机会的概率。

命和运 | judgment、business

见识决定一个人能看到多少变量、多少时间尺度和多少替代方案。产品经理的判断力很大程度来自见识的广度和结构化程度。

人生的智慧 | judgment、business

伪勤奋常表现为忙于产出文档、会议和局部优化，却没有推动关键指标或核心风险降低。真正的工作要让问题更清楚、结果更可验证。

拒绝伪工作 | judgment、business、product

资源、注意力、时间和信任都是有限的。懂取舍不是少做，而是围绕目标选择最有杠杆的事，并愿意放弃低价值选项。

边界与取舍 | judgment、business、product

早期统计语言模型把语言问题转成概率问题，今天的 LLM 更强大，但核心仍是基于上下文预测和生成。理解概率视角有助于理解模型能力和局限。

统计语言模型 | math-for-ai、nlp、ai-product

分词、序列标注和隐马尔可夫模型说明，很多 NLP 任务要先把自然语言转成模型能处理的结构。结构化是理解和计算的桥梁。

中文分词 / HMM | math-for-ai、nlp

信息论关注不确定性的减少。好的产品文案、数据报告和 AI 输出，本质上都要减少用户完成任务的不确定性。

信息论 | math-for-ai、nlp、product

高效检索依赖好的表示、索引和排序。知识库不是把资料堆在一起，而是让用户能在正确时刻找到正确内容。

搜索引擎索引 | math-for-ai、nlp

搜索不是返回包含关键词的内容，而是按用户意图、内容质量和上下文排序。相关性排序决定用户是否觉得系统聪明。

PageRank / 相关性 | math-for-ai、nlp、product

最大熵思想提醒我们：在已知约束之外不要额外假设。产品和模型评估也应避免用不足证据做过度判断。

最大熵 / 分类 | math-for-ai、nlp

布隆过滤器和信息指纹展示了工程设计中的取舍：用可接受的误差换取速度、空间和规模化能力。产品设计也常需要定义可接受误差。

布隆过滤器 / 信息指纹 | math-for-ai、nlp、data、product

动态规划把复杂问题拆成子问题，并利用中间结果避免重复计算。产品策略也可以拆阶段、存状态、逐步优化。

动态规划 | math-for-ai、nlp、product

科技公司兴衰常受技术代际、商业模式、生态位置、组织惯性和资本周期共同影响。领先者失败往往不是因为不聪明，而是被既有成功路径束缚。

信息产业规律 | tech-business、strategy、business-model

每一代技术产业都会形成硬件、平台、应用、渠道和资本的生态链。AI 也在形成模型、算力、数据、工具、应用和分发的分层生态。

生态链 | tech-business、strategy、ai-product

好的商业模式通常具备高毛利、可规模化、强复用、低边际成本和较强用户锁定。技术领先必须转化为可持续价值捕获。

商业模式 | tech-business、strategy、business-model

风险投资提供的不只是钱，还包括对高风险高增长模式的筛选、加速和治理。它改变公司扩张速度，也会影响产品优先级。

风险投资 | tech-business、strategy

从大型机、PC、互联网到云和 AI，每次平台迁移都会重排价值链。新赢家通常抓住新平台的分发、开发者或数据入口。

从 IBM 到微软到 Google | tech-business、strategy

云计算让算力和软件服务化，互联网2.0让用户参与内容和数据生产。AI 产品正建立在这两者之上：服务化能力加用户反馈数据。

云计算 / 互联网2.0 | tech-business、strategy、product、ai-product

巨头通常出现在新技术平台、巨大未满足需求、可规模化商业模式和强网络效应交汇处。判断重点是结构条件，而不是复制上一代公司形态。

下一个 Google | tech-business、strategy

硅谷的持续创新来自开放网络、人才密度、资本、大学、移民文化、失败容忍和工程实践的组合，而不是单一政策或地理优势。

硅谷的奇迹 | innovation、silicon-valley

文化决定组织如何看待风险、用户、工程质量、人才和长期目标。技术公司竞争到最后，很多时候是文化和组织能力的竞争。

企业文化与情怀 | innovation、silicon-valley、business-model、product

信息论、控制论、计算机科学和网络科学让产品经理能用系统、反馈、复杂性和概率来理解现代产品。

信息时代的科学基础 | innovation、silicon-valley、product

复杂系统的成功通常由多因素共同作用。只找一个原因会导致错误模仿，真正有价值的是识别必要条件、增强条件和偶然因素。

拒绝简单归因 | innovation、silicon-valley

如何用吴军作品形成技术商业分析框架？

全书整合 | analysis-framework、tech-business、ai-pm

这套合集最适合沉淀哪些面试素材？

全书整合 | interview-map、study-plan、ai-pm

如何用系统1和系统2解释用户决策？

第一部分 系统1，系统2 / 第1章 | system-1、system-2、decision-design

为什么产品设计要把注意力当作成本？

第一部分 / 第2章 | attention、cognitive-load、ux

为什么聪明人也会犯简单判断错误？

第一部分 / 第3章 | lazy-system-2、checklist、review

联想机制如何影响用户对产品的第一印象？

第一部分 / 第4章 | association、framing、trust

为什么顺畅的信息更容易让人相信？

第一部分 / 第5章 | cognitive-ease、trust、llm-output

WYSIATI 对产品和面试有什么启发？

第一部分 / 第6-7章 | wysiati、evidence、evaluation

用户为什么会用替代问题来做判断？

第一部分 / 第8章 | judgment、proxy-metric、heuristic

情感如何影响风险与收益判断？

第一部分 / 第9章 | affect-heuristic、risk、tradeoff

为什么小样本会误导产品判断？

第二部分 / 第10章 | small-sample、ab-test、evaluation

锚定效应如何影响定价、谈判和评估？

第二部分 / 第11章 | anchoring、pricing、planning

为什么最近发生的事会被高估？

第二部分 / 第12章 | availability、risk、feedback

公共风险为什么会被情绪和传播放大？

第二部分 / 第13章 | availability-cascade、risk-policy、communication

为什么典型故事会压过基础概率？

第二部分 / 第14章 | base-rate、representativeness、segmentation

琳达问题说明了什么判断错误？

第二部分 / 第15章 | conjunction-fallacy、probability、story

为什么个体案例比统计数据更能说服人？

第二部分 / 第16章 | causal-story、statistics、reporting

为什么极端表现后常常会回落？

第二部分 / 第17章 | regression-to-mean、metrics、causality

怎样让直觉预测更可靠？

第二部分 / 第18章 | prediction、base-rate、calibration

为什么事后看起来一切都很明显？

第三部分 / 第19章 | hindsight、decision-log、retrospective

为什么专家预测常常过度自信？

第三部分 / 第20章 | illusion-of-validity、forecasting、confidence

为什么简单模型有时胜过专家直觉？

第三部分 / 第21章 | algorithmic-judgment、scoring、structured-decision

什么时候可以相信专家直觉？

第三部分 / 第22章 | expert-intuition、feedback、automation

为什么项目计划总是过于乐观？

第三部分 / 第23章 | outside-view、planning-fallacy、project-management

乐观主义为什么既有价值又危险？

第三部分 / 第24章 | optimism-bias、premortem、risk

为什么同样结果在不同背景下感受不同？

第四部分 / 第25章 | reference-point、pricing、expectation

前景理论对产品决策有什么意义？

第四部分 / 第26章 | prospect-theory、loss-aversion、behavioral-economics

为什么拥有之后就更不愿放弃？

第四部分 / 第27章 | endowment-effect、retention、ownership

为什么合理涨价也会被认为不公平？

第四部分 / 第28章 | fairness、pricing、trust

人们为什么既买彩票又买保险？

第四部分 / 第29章 | probability-weighting、risk、insurance

为什么极端案例会支配决策？

第四部分 / 第30章 | rare-events、risk-communication、safety

为什么要用宽框架看一组决策？

第四部分 / 第31章 | broad-framing、risk-policy、experimentation

心理账户如何影响用户选择？

第四部分 / 第32章 | mental-accounting、sunk-cost、pricing

为什么同一选项单看和对比看会得出不同评价？

第四部分 / 第33章 | joint-evaluation、preference、testing

框架效应如何改变同一事实的选择？

第四部分 / 第34章 | framing-effect、copywriting、ethics

为什么用户选择的东西不一定让自己满意？

第五部分 / 第35章 | experienced-utility、decision-utility、retention

为什么体验的结尾会强烈影响用户记忆？

第五部分 / 第36章 | peak-end-rule、remembering-self、journey-design

评价生活满意度和体验幸福有什么区别？

第五部分 / 第37章 | well-being、user-research、measurement

为什么被问到的因素会被高估？

第五部分 / 第38章 | focusing-illusion、user-research、roadmap

面试中如何系统化讲启发法与偏见？

附录A | heuristics、bias-map、interview-framework

如何把本书第四部分用于商业化设计？

附录B | commercialization、pricing、choice-architecture

如何把《思考，快与慢》变成团队决策工具？

全书整合 | decision-checklist、product-process、debiasing

面试中怎样讲这本书对 AI 产品的价值？

全书整合 | ai-pm、interview、behavioral-design

《思考，快与慢》怎样指导 AI 评测？

全书整合 | ai-eval、bias、rubric

为什么推荐系统能成为互联网产品的增长引擎？

第1章 互联网的增长引擎 | growth、recsys、product-metric

一个推荐系统通常由哪些模块构成？

第1章 互联网的增长引擎 | architecture、recall、ranking

UserCF 和 ItemCF 有什么区别，分别适合什么场景？

第2章 前深度学习时代 | collaborative-filtering、usercf、itemcf

矩阵分解相比协同过滤解决了什么问题？

第2章 前深度学习时代 | matrix-factorization、embedding、matching

逻辑回归为什么曾是推荐/广告系统的重要 baseline？

第2章 前深度学习时代 | logistic-regression、baseline、ctr

FM 为什么适合推荐和广告场景？

第2章 前深度学习时代 | fm、ffm、feature-cross

GBDT+LR 为什么是经典组合模型？

第2章 前深度学习时代 | gbdt、lr、feature-engineering

LS-PLM 这类分片模型解决什么问题？

第2章 前深度学习时代 | ls-plm、moe、segmentation

深度学习给推荐系统带来的核心变化是什么？

第3章 深度学习在推荐系统中的应用 | deep-learning、model-evolution、recsys

AutoRec 的基本思想是什么？

第3章 深度学习在推荐系统中的应用 | autorec、autoencoder、collaborative-filtering

Deep Crossing 对推荐模型有什么启发？

第3章 深度学习在推荐系统中的应用 | deep-crossing、feature-cross、resnet

NeuralCF 如何把协同过滤和深度学习结合？

第3章 深度学习在推荐系统中的应用 | neuralcf、matching、collaborative-filtering

PNN 为什么要引入 Product 层？

第3章 深度学习在推荐系统中的应用 | pnn、product-layer、feature-cross

Wide&Deep 中的记忆能力和泛化能力分别指什么？

第3章 深度学习在推荐系统中的应用 | wide-and-deep、memorization、generalization

FNN、DeepFM、NFM 如何把 FM 和深度学习结合？

第3章 深度学习在推荐系统中的应用 | deepfm、fnn、nfm、fm

DIN 为什么要把注意力机制引入推荐系统？

第3章 深度学习在推荐系统中的应用 | attention、din、user-interest

DIEN 相比 DIN 进一步解决了什么问题？

第3章 深度学习在推荐系统中的应用 | dien、sequence、interest-evolution

强化学习为什么会被用于推荐系统？

第3章 深度学习在推荐系统中的应用 | reinforcement-learning、long-term-value、exploration

为什么 Embedding 对深度推荐系统如此重要？

第4章 Embedding 技术 | embedding、vector、representation

Item2vec 如何把 Word2vec 推广到推荐系统？

第4章 Embedding 技术 | item2vec、word2vec、recall

Graph Embedding 在推荐系统中解决什么问题？

第4章 Embedding 技术 | graph-embedding、deepwalk、node2vec

为什么 embedding 召回需要近邻搜索技术？

第4章 Embedding 技术 | ann、lsh、vector-search

推荐系统特征工程应该遵循什么原则？

第5章 多角度审视推荐系统 | feature-engineering、business-understanding

召回层和排序层的功能差异是什么？为什么要多路召回？

第5章 多角度审视推荐系统 | recall、multi-channel、ranking

推荐系统为什么强调实时性？

第5章 多角度审视推荐系统 | real-time、feature、serving

推荐系统如何合理设定优化目标？

第5章 多角度审视推荐系统 | objective、metrics、product

为什么说推荐系统中比模型结构更重要的是业务理解？

第5章 多角度审视推荐系统 | problem-driven、model-selection、business

推荐系统如何解决冷启动问题？

第5章 多角度审视推荐系统 | cold-start、active-learning、personalization

推荐系统中探索与利用如何平衡？

第5章 多角度审视推荐系统 | exploration、bandit、long-term-value

推荐系统的数据架构为什么要区分批处理和流计算？

第6章 工程实现 | data-architecture、streaming、batch

推荐模型为什么需要分布式训练？

第6章 工程实现 | distributed-training、parameter-server、tensorflow

深度推荐模型有哪些常见上线方式？

第6章 工程实现 | model-serving、deployment、latency

推荐系统工程中有哪些典型取舍？

第6章 工程实现 | tradeoff、engineering、cost

推荐系统有哪些常用离线评估指标？如何选择？

第7章 推荐系统评估 | offline-evaluation、auc、map、ndcg

Replay 评估为什么比普通离线评估更接近线上？

第7章 推荐系统评估 | replay、offline-evaluation、simulation

推荐系统为什么必须做 A/B 测试？

第7章 推荐系统评估 | ab-test、online-evaluation、metrics

Interleaving 相比传统 A/B 测试有什么优势？

第7章 推荐系统评估 | interleaving、ranking-evaluation、online-test

Facebook 推荐系统实践给我们什么启发？

第8章 前沿实践 | facebook、dlrm、ctr

Airbnb 如何用 Embedding 改进搜索推荐？

第8章 前沿实践 | airbnb、search、embedding

YouTube 推荐系统为什么采用候选生成和排序两阶段？

第8章 前沿实践 | youtube、candidate-generation、ranking

阿里推荐模型从 DIN 到 DIEN 等演进背后的主线是什么？

第8章 前沿实践 | alibaba、din、dien、model-evolution

优秀推荐工程师需要哪些核心能力？

第9章 知识框架 | career、recsys-engineer、aipm

如果面试问“设计一个推荐系统”，应该如何回答？

全书综合 | system-design、interview、framework

AI PM 为什么要学习推荐系统？

全书综合 | aipm、personalization、study-plan

算法工程师和普通工程师最大的工作差异是什么？

前言 / 机器学习算法工程师的自我修养 | career、algorithm-engineer、productization

为什么需要对数值类型的特征做归一化？

第 1 章 特征工程 | feature-engineering、normalization

类别型特征应该如何处理？

第 1 章 特征工程 | feature-engineering、categorical

什么是组合特征？如何处理高维组合特征？

第 1 章 特征工程 | feature-engineering、recommendation、embedding

有哪些文本表示模型？它们各有什么优缺点？

第 1 章 特征工程 | text、embedding、RAG

Word2Vec 如何工作？它和 LDA 有什么区别？

第 1 章 特征工程 | word2vec、topic-model、embedding

图像分类训练数据不足会带来什么问题，如何缓解？

第 1 章 特征工程 | data、overfitting、transfer-learning

为什么准确率高不一定说明模型好？

第 2 章 模型评估 | evaluation、metrics、imbalance

精确率和召回率如何取舍？

第 2 章 模型评估 | evaluation、precision、recall、RAG

为什么 RMSE 可能被少量异常点拖垮？

第 2 章 模型评估 | evaluation、regression、outlier

ROC/AUC 和 P-R 曲线分别适合什么场景？

第 2 章 模型评估 | evaluation、auc、roc

为什么有些场景要用余弦相似度而不是欧氏距离？

第 2 章 模型评估 | similarity、embedding、RAG

为什么需要在线 A/B 测试？如何避免实验陷阱？

第 2 章 模型评估 | ab-test、evaluation、online-experiment

如何做超参数调优并降低过拟合风险？

第 2 章 模型评估 | hyperparameter、overfitting、experiment

SVM 的核心思想是什么？核函数和松弛变量解决什么问题？

第 3 章 经典算法 | svm、classic-ml

逻辑回归相比线性回归有何异同？

第 3 章 经典算法 | logistic-regression、baseline

决策树如何选择分裂特征，如何剪枝？

第 3 章 经典算法 | decision-tree、interpretability

PCA 和 LDA 的区别是什么？

第 4 章 降维 | dimensionality-reduction、pca、lda

KMeans 的优缺点是什么？如何评估聚类算法？

第 5 章 非监督学习 | clustering、kmeans、gmm

生成式模型和判别式模型有什么区别？

第 6 章 概率图模型 | probabilistic-model、sequence-labeling、topic-model

机器学习中的损失函数和优化算法怎么选？

第 7 章 优化算法 | optimization、loss、regularization

采样在机器学习中有什么作用？样本不均衡怎么处理？

第 8 章 采样 | sampling、imbalance、evaluation

神经网络为什么不能把参数全部初始化为 0？激活函数如何影响训练？

第 9 章 前向神经网络 | neural-network、training、activation

CNN 的稀疏交互、参数共享和池化分别有什么作用？

第 9 章 前向神经网络 | cnn、resnet、deep-learning

RNN 为什么会梯度消失？LSTM 和注意力解决什么问题？

第 10 章 循环神经网络 | rnn、lstm、attention、nlp

强化学习中的状态、动作、奖励、策略、价值分别是什么？

第 11 章 强化学习 | reinforcement-learning、rlhf、agent

如何从偏差和方差角度解释 Bagging 和 Boosting？

第 12 章 集成学习 | ensemble、bias-variance、random-forest

GBDT 的基本原理是什么？XGBoost 与 GBDT 有什么联系和区别？

第 12 章 集成学习 | gbdt、xgboost、structured-data

GAN 的基本思想是什么？WGAN、DCGAN、SeqGAN分别解决什么问题？

第 13 章 生成式对抗网络 | gan、generative-ai

计算广告系统通常包含哪些关键模块？

第 14 章 人工智能热门应用 | ads、ranking、business

热门 AI 应用背后的共同产品问题是什么？

第 14 章 人工智能热门应用 | ai-application、system、agent

如果目标是 AI PM，而不是算法工程师，这本书应该怎么读？

全书综合 | aipm、study-plan、interview