AI+智能硬件 · 强落地 · 场景化适配
履历大疆化 + 认知储备 + 材料准备
核心原则：把每一段 AI 产品经历，都翻译成"如果我在大疆，我会怎么做"。
原始版：帮用户在游戏中答疑、卡关提示、主动引导
大疆版：类似 DJI Fly 里的"智能飞行助手"——新手用户说"我想拍个环绕"，Agent 识别意图→检测当前环境是否适合→引导用户完成动作→遇到风险时主动提示"前方有遮挡物，建议调整路线"
原始版：为运营提效，一键生成背景图/角色/视频
大疆版：类似大疆内部的"创意素材快生工具"——市场部说"我要一张航拍雪山的宣传图"，AI 理解→生成→人确认→一键输出
原始版：长记忆+人格一致+多模态表达
大疆版：类似"AI 飞行教练"——记住你是谁（初级/进阶/专业）、你飞过什么、你常见的问题，用语音+视频演示引导你进步
原始版：摄像头+视觉AI→体测/上体育课自动采集数据
大疆版：大疆教育产品的"感知+AI"能力——用机器视觉采集学生动作→AI 判定→输出报告，类似 DJI 教育机器人的"赛事裁判 AI"
| 产品线 | AI应用 |
|---|---|
| 消费级无人机 | 智能跟随、障碍物检测、一键短片、FocusTrack |
| 影像产品 | Osmo 系列的 ActiveTrack、DJI Mic 的语音降噪 |
| 行业应用 | 农业植保的 AI 作业规划、电力巡检的自动识别 |
| 教育产品 | RoboMaster 系列的自动瞄准、AI 识别 |
准备好可以现场演示的AIGC生成效果，如一键生成背景图/角色
录制AI助手/虚拟人的真实交互场景，展示多轮对话、意图理解能力
准备优化前后的核心指标对比，如留存、转化、响应速度等
Agent Pipeline、AIGC工作流、多模态架构等技术方案图
7 类高频题 + 回答策略
面试官您好，我叫XXX，8年产品经验，最近3年专注AI产品。
我做过三类AI产品：
1️⃣ 任务型Agent：C端游戏AI助手，帮用户在游戏里"卡关时主动提示、不懂时实时答疑"，核心是状态机+Prompt Pipeline，上线后新手用户7日留存提升15%。
2️⃣ AIGC生产力工具：为运营团队做了一套"一键生图/生视频"平台，核心是Workflow+人机协同，单张图生产时间从3天→30分钟。
3️⃣ 多模态虚拟人Agent：长记忆+人格一致+语音表情同步，核心是多模态Pipeline+三级记忆系统，用户平均对话轮次8轮+。
我的优势是：既懂AI的边界（知道什么能做、什么不能做），又有落地经验（知道怎么把Demo变成可交付的产品）。
我对大疆AI产品岗非常感兴趣，因为大疆是"AI+硬件"的极致代表，我希望能把我在C端AI产品的经验，带到DJI Fly、Osmo等产品中，帮用户"用AI更简单地飞、更简单地拍"。
背景（Situation）
我们游戏产品有一个痛点：新手用户流失严重，原因是"游戏太复杂，用户不会玩"。传统的新手引导是固定脚本，但用户卡点千奇百怪，固定引导覆盖不了。
任务（Task）
我负责从0到1设计一个"AI游戏助手"，目标是"让用户随时问、AI随时答、卡关时主动帮"。
行动（Action）
1️⃣ 定义Agent类型：这是一个"任务型Agent"，不是闲聊，而是帮用户完成具体任务（比如"怎么过这一关""这个技能怎么用"）
2️⃣ 设计状态机：把用户状态分成"正常游戏/卡关/求助/放弃"，不同状态触发不同策略（比如卡关超过3分钟，AI主动弹提示）
3️⃣ 设计Prompt Pipeline：先分类意图（攻略类/吐槽类/闲聊类），再路由到不同的Prompt模板，最后兜底"如果都不匹配，用通用回答"
4️⃣ 设计容错机制：LLM有时会"胡说八道"，我加了一层"答案校验"——如果AI说的攻略和游戏数据对不上，就不输出
结果（Result）
上线后，新手用户7日留存提升15%，"卡关放弃率"下降40%。老板说"这是我们第一个真正跑通的AI功能"。
迁移到大疆（加分项）
这个思路可以直接用到DJI Fly的"智能飞行助手"——用户说"我想拍一个环绕"，AI识别意图→检测当前环境→引导操作→遇到风险时主动提示。状态机、Prompt Pipeline、容错机制这套方法论可以直接迁移。
LLM（大语言模型）
产品视角：LLM是"能理解+能生成"的基础能力，但它的问题是"不可控"——你不知道它下一秒会说什么。所以产品经理的工作是"给LLM加约束"——用Prompt、用规则、用后处理。
Agent
产品视角：Agent是"LLM+工具调用+任务规划"。普通LLM只能聊天，Agent能"做事"——比如帮你查天气、帮你订机票、帮你在游戏里操作。我做过的任务型Agent，核心就是"把一个大任务拆成小步骤，每一步调用不同的工具"。
AIGC
产品视角：AIGC是"生成式AI"，能生成图/视频/音频。我做过的AIGC平台，核心经验是"AIGC不是替代人，而是帮人提效"——AI生成初稿，人来微调确认，这样既快又可控。
在大疆的应用
LLM可以用在"智能客服/智能手册"；Agent可以用在"飞行助手"；AIGC可以用在"内部创意生成"。
我觉得最难的有三点：
1️⃣ 预期管理
用户对AI的预期是"无所不能"，但实际上AI会犯错、会胡说。产品经理要做的是"在用户预期和AI能力之间找到平衡点"——既不能吹过头让用户失望，也不能太保守让用户觉得没用。
2️⃣ 可控性
AI的输出是概率性的，你不知道它下一秒会说什么。产品经理要做的是"加约束、加兜底、加人工确认"——比如我做的AIGC平台，所有AI生成的内容都要"人确认"才能上线。
3️⃣ 评估难
传统产品的效果很好量化（DAU、留存、转化），但AI产品怎么评估"AI答得好不好"？我的做法是"用行为数据间接评估"——比如用户问完AI后有没有继续问、有没有给差评、有没有完成任务。
例1：响应延迟问题
用户问AI，等了5秒没回应，体验很差。
优化：加了"流式输出"（一个字一个字蹦出来）+骨架屏（先出框架再填内容）。
效果：用户感知延迟从5秒→1秒以内。
例2：AI回答"跑偏"
用户问"怎么过第三关"，AI回答"你可以尝试升级装备"，根本没回答问题。
优化：加了"意图分类前置层"——先判断用户是问攻略、还是吐槽、还是闲聊，再路由到不同的Prompt。
效果：回答相关性从85%→95%+。
例3：AI"失忆"
用户聊了10轮，AI忘了之前说的话。
优化：设计了"三级记忆系统"——短期记忆（当前对话）、中期记忆（今天的对话）、长期记忆（用户画像）。
效果：用户平均对话轮次从3轮→8轮。
我的协作原则是："用技术的语言提需求，用产品的语言讲价值"。
具体做法：
1️⃣ 需求文档技术化：不只是写"用户想要什么"，还会写"建议的技术方案"——比如"建议用状态机管理用户状态，输入是用户行为，输出是推荐策略"。
2️⃣ 参与技术评审：每周和算法团队开"技术选型会"，讨论不同方案的性价比——比如"用GPT-4效果好但贵，用微调模型便宜但效果差，怎么平衡？"。
3️⃣ 建立共同语言：我会学习基本的AI概念（Prompt、Fine-tuning、RAG），这样和算法沟通更顺畅，不会"鸡同鸭讲"。
举个例子：
做AI游戏助手时，算法同学说"LLM有幻觉问题"，我问"幻觉率大概多少？"他说"10%左右"。我说"10%的错误用户能接受吗？"我们一起讨论后，加了一层"答案校验"——如果AI说的和游戏数据对不上，就不输出。这个决策是产品和技术一起做的，不是我单方面提需求。
三个原因：
1️⃣ AI+硬件的落地场景
我之前做的AI产品都是纯软件，但我一直觉得"AI+硬件"才是AI最有价值的落地方式——AI不应该只是一个聊天框，而应该真正帮用户"做事"。大疆的产品就是这样——AI帮用户飞得更安全、拍得更好看。
2️⃣ 极致产品力
我自己是大疆用户，用过Mavic和Osmo。我最佩服的是大疆的"开箱即用"——不用看说明书就能上手。这和我做AI产品的理念一致：AI应该"隐形"，用户不需要知道背后是什么技术，只需要知道"我说一句话，它就帮我做好了"。
3️⃣ 我能贡献什么
我在C端AI产品、Agent设计、AIGC工程化方面有落地经验，这些能力可以用到DJI Fly的智能助手、Osmo的AI剪辑等场景。我希望能帮大疆的AI产品做到"更聪明、更好用"。
6个核心项目的团队配置、个人职责与项目周期
| 角色 | 人数 | 职责 |
|---|---|---|
| 产品经理（我） | 1 | 需求定义、交互设计、Prompt设计、效果评估 |
| 后端开发 | 2 | 对话服务、状态机、接口对接 |
| 前端开发 | 1 | 对话UI、交互动效 |
| 算法工程师 | 1 | LLM接入、Prompt调优、RAG检索 |
| 测试 | 1 | 功能测试、边界Case测试 |
| 合计 | 6人 |
用户访谈、竞品分析、技术预研、PRD撰写
核心对话功能、状态机、基础Prompt
小范围灰度、收集反馈、Prompt调优
全量发布、数据监控、持续迭代
总周期：约3个月（MVP上线），后续持续迭代
| 角色 | 人数 | 职责 |
|---|---|---|
| 产品经理（我） | 1 | 需求定义、工作流设计、人机协同机制 |
| 后端开发 | 2 | 工作流引擎、任务调度、存储 |
| 前端开发 | 2 | 生成器UI、预览编辑器、批量管理 |
| 算法工程师 | 2 | 图像生成、视频生成、模型部署 |
| 设计师 | 1 | 参与风格定义、验收生成质量 |
| 测试 | 1 | 功能测试、效果测试 |
| 合计 | 9人 |
业务场景梳理、模型选型、技术可行性验证
单图生成功能、基础工作流、预览编辑器
运营团队试用、收集反馈、模型微调
全团队推广、新场景扩展（视频、3D）
总周期：约4个月（MVP上线），后续持续扩展
| 角色 | 人数 | 职责 |
|---|---|---|
| 产品经理（我） | 1 | 人格定义、记忆系统设计、多模态交互设计 |
| 后端开发 | 2 | 对话服务、记忆存储、多模态Pipeline |
| 前端开发 | 2 | 虚拟人渲染、交互动效、跨端适配 |
| 算法工程师 | 3 | LLM对话、TTS语音、表情驱动 |
| 3D美术 | 1 | 虚拟人形象设计 |
| 测试 | 1 | 功能测试、人格一致性测试 |
| 合计 | 10人 |
场景定义、人格设定、技术方案
对话引擎、TTS、表情驱动、记忆系统
3D形象、前端渲染、交互动效
用户测试、人格调优、Bug修复
总周期：约5个月（上线），后续持续迭代
| 角色 | 人数 | 职责 |
|---|---|---|
| 产品经理（我） | 1 | 需求定义、业务流程设计、客户对接 |
| 后端开发 | 2 | 数据服务、报表系统、设备对接 |
| 前端开发 | 1 | 教师端/学生端界面 |
| 算法工程师 | 2 | 姿态识别、动作评分、视觉检测 |
| 硬件工程师 | 1 | 摄像头部署、边缘设备调试 |
| 交付实施 | 2 | 现场部署、客户培训 |
| 合计 | 9人 |
学校走访、需求分析、方案设计
算法训练、软件开发、硬件调试
首批学校部署、现场调试、问题修复
更多学校推广、产品标准化
总周期：约4个月（试点上线），后续规模化推广
| 角色 | 人数 | 职责 |
|---|---|---|
| 产品经理（我） | 1 | 需求定义、交互设计、增长策略 |
| 后端开发 | 1 | 图片处理服务、用户系统 |
| 前端开发 | 2 | 拍照交互、滤镜预览、分享功能 |
| 算法工程师 | 2 | 卡通风格化算法、端侧推理优化 |
| 设计师 | 1 | UI设计、风格定义 |
| 合计 | 7人 |
市场调研、竞品分析、算法可行性验证
核心拍照功能、3种基础风格
应用商店上架、增长活动、风格扩展
新风格、新功能、用户运营
总周期：约2.5个月（MVP上线），后续持续迭代
| 角色 | 人数 | 职责 |
|---|---|---|
| 产品经理（我） | 1 | 需求定义、交易流程设计、增长策略 |
| 后端开发 | 3 | 交易系统、匹配系统、支付结算 |
| 前端开发 | 2 | 用户端、陪玩端、管理后台 |
| 运营 | 2 | 陪玩招募、用户运营、活动策划 |
| 客服 | 2 | 用户投诉、纠纷处理 |
| 合计 | 10人 |
核心交易流程、用户端/陪玩端
种子用户招募、初期运营
市场推广、品类扩展、生态建设
总周期：约3个月（上线），后续持续运营
为什么加入大疆 + 核心优势 + 解决问题能力
我之前做的 AI 产品都是纯软件（App、Web），但我一直觉得"AI+硬件"才是 AI 真正发挥价值的地方——AI 不应该只是一个聊天框，而应该帮用户"做事"。
大疆的产品就是这样——无人机的智能跟随、避障、一键短片，Osmo 的 ActiveTrack，都是"AI 帮用户拍得更好"。这和我做 AI 产品的理念一致：AI 应该是"隐形"的，用户不需要知道背后是什么技术，只需要知道"我一说，它就帮我做好了"。
| 大疆需要的 | 我有的 |
|---|---|
| 懂 Agent | 做过任务型 Agent（游戏 AI 助手），核心能力是"意图理解→任务拆解→工具调用→反馈闭环" |
| 懂 AIGC | 做过 AIGC 生产平台，核心能力是"Workflow 设计+人机协同+质量管控" |
| 懂多模态 | 做过多模态虚拟人，核心能力是"语音+表情+对话"的协同 |
| 懂硬件场景 | 做过智慧校园体育（摄像头+边缘计算+AI 分析），理解"软硬一体"的产品逻辑 |
| 懂 C 端用户 | 做过 C 端 App（卡通拍、游戏助手），理解"用户体验>技术炫技" |
我希望能把我的 AI 产品经验，带到大疆的消费级产品中：
DJI Fly 智能助手：用户说"帮我拍个环绕"，AI 识别意图→检测环境→引导操作→风险提示。这和我做的游戏 AI 助手一模一样，只是场景从游戏变成了飞行。
Osmo AI 剪辑：用户拍完素材，AI 自动挑选精彩片段→配乐→生成短片。这和我做的 AIGC 平台逻辑一致："AI 生成初稿，人确认微调"。
AI 飞行教练：记住用户是谁（新手/进阶/专业）、飞过什么、常见问题，用语音+视频引导进步。这和我做的多模态虚拟人一样，只是人设从"情感陪伴"变成了"飞行教练"。
大多数 AI 产品经理只做过一种类型（比如只做过 Agent、或只做过 AIGC），但我做过任务型 Agent + AIGC 生产平台 + 多模态虚拟人——这是 AI 产品的三大主流方向，我都有落地经验。
价值：面对不同的业务场景，我能快速判断"这个场景适合用 Agent 还是 AIGC 还是多模态"，不会"拿着锤子找钉子"。
我能和算法工程师讨论"Prompt 怎么写、RAG 怎么设计、幻觉怎么控制"，也能和用户聊"你想要什么、你的痛点是什么、你为什么不满意"。这让我能做到"技术可行性"和"用户价值"的平衡。
价值：不会设计出"技术上很牛但用户不买账"的产品，也不会提出"用户想要但技术做不到"的需求。
我做过的几个 AI 产品都是从"什么都没有"到"上线运营"——不是接手别人的产品做优化，而是从调研、定义、设计、开发、上线、迭代全程参与。
价值：我知道"0 到 1"的每一步会遇到什么坑、怎么避免。如果大疆要做一个新的 AI 功能，我能快速启动，不需要太多学习曲线。
问题：AI 游戏助手上线初期，用户反馈"AI 答非所问"——用户问"怎么过第三关"，AI 回答"你可以尝试升级装备"。
分析：根本原因是没有做意图分类，所有问题都用同一套 Prompt 处理，导致长尾问题无法精准回答。
解决：设计"意图分类前置层"——先判断用户是问攻略、还是吐槽、还是闲聊，再路由到不同的 Prompt 模板。
结果：回答相关性从 85%→95%+，用户满意度明显提升。
问题：AIGC 平台生成的图片质量"时好时坏"，运营不敢直接用，还要花时间筛选。
分析：根本原因是没有质量校验机制，AI 生成什么就输出什么。
解决：设计"生成→校验→人确认"三级流程——AI 生成后，先用规则+模型做自动校验（比如检测是否有畸变、是否符合风格），不合格的自动重新生成；通过校验的进入"人确认"环节。
结果：一次通过率从 60%→90%，运营效率大幅提升。
问题：多模态虚拟人在长对话中会"人设崩塌"——前面还是温柔的小姐姐，聊着聊着变成了冷漠的客服。
分析：根本原因是没有人格一致性校验，LLM 的输出只依赖 Prompt，长对话容易"漂移"。
解决：设计"人格一致性校验器"——每次 LLM 输出后，用一个轻量模型检测"这句话是否符合人设"，不符合的重新生成。
结果：人设一致性评分从 70%→95%，用户"觉得在和一个真人聊天"的比例明显提升。
AI该出现时发力，该收敛时绝不拖泥带水
AI发力点：用户卡关超过3分钟、用户主动求助、用户在关键节点犹豫——这些时刻AI主动弹出提示，帮用户度过难关。
AI收敛点：用户正常游戏、用户明确拒绝帮助、用户在"享受挑战"——这些时刻AI不打扰，不弹提示，不刷存在感。
怎么判断：通过状态机检测用户状态，不同状态触发不同策略。
AI发力点：批量生成背景图/角色/视频——AI一键生成初稿，效率比人工高10倍。
AI收敛点：最终确认——AI生成的内容必须"人确认"才能上线，不自动发布。
怎么判断：Workflow设计中明确区分"AI自动"和"人工确认"节点。
AI发力点：情感陪伴对话、知识问答、主动关怀——AI用"有温度"的方式和用户互动。
AI收敛点：涉及敏感话题、用户情绪激动、AI"没把握"的问题——这些时刻AI不强答，而是"优雅地转移话题"或"建议用户咨询专业人士"。
怎么判断：意图分类+敏感词检测+置信度阈值。
AI发力点：自动采集学生动作数据、自动评分、自动生成报告——AI替代人工的重复劳动。
AI收敛点：评分存疑、学生申诉——这些时刻AI不"一锤定音"，而是提供"AI建议+人工复核"机制。
怎么判断：置信度低于阈值自动标记为"待复核"。
这个理念可以直接用到大疆的AI产品：
DJI Fly智能助手：用户说"帮我拍个环绕"，AI果断出手帮用户完成；用户在"手动飞行享受乐趣"，AI就不打扰。
智能避障：有障碍物时AI主动提示/避让；没有障碍物时AI不刷存在感。
一键短片：AI自动生成短片推荐；用户不喜欢可以一键"不再推荐"，AI就收敛。
展示思考深度 + 了解岗位信息
从创业中学到的核心能力
创业教会我不只是"做产品"，而是"做生意"——从市场调研、产品定义、开发落地、运营增长到商业变现，每一步都要自己想、自己做。这让我比普通产品经理更有"全局视角"——我会问"这个功能做了对业务有什么价值？"，而不只是"这个功能怎么设计？"。
创业公司不像大厂，没有无限的人力和时间。我学会了"在资源有限时做取舍"——什么是 MVP、什么可以砍掉、什么必须死磕。这个能力在大厂也很有用，因为任何项目都会面临"需求多、资源少"的问题。
创业失败过、融资被拒过、团队有过矛盾——这些经历让我心态更稳、抗压更强。现在遇到项目困难、需求被挑战、方案被否定，我不会慌，而是冷静分析问题、找解决方案。
大疆是一家"技术驱动+产品极致"的公司，需要的是能独立思考、能做决策、能扛事的产品经理。我的创业经历让我具备这些能力，而且我更珍惜在大平台做事的机会——我知道"有资源"和"没资源"的区别，我会更高效地利用大疆的资源，做出更好的产品。