面试腾讯，都问了哪些问题？
腾讯面试官：衡量AIGC内容质量都有哪些指标？
面试官您好，在过往工作经验中我负责过多款AIGC产品，我们在评估AIGC内容的质量，会综合考虑内容特性、使用场景、用户需求、安全合规等维度。
通常从可量化的客观指标和用户感知的主观维度入手。
以下是分类别整理的核心评估指标：
??一、通用核心指标（各类内容均适用）
这类指标是判断内容是否合格的基本依据，不因类型不同而变化：
??1. 准确性
判断信息是否真实、符合常识，比如文本中的数据与事件、图像中物体的属性与场景逻辑是否合理。
例如“狗在水中游泳”可以成立，但若说“狗属于水生动物”则属错误。
常用评估方法包括人工核对事实，或借助知识图谱等数据库进行自动比对。
??2. 相关性
生成内容是否紧贴用户给出的 prompt 或需求，有没有偏离主题。比如用户想要“关于新能源汽车发展的说明文”，却得到大量涉及“太空探索”的内容，就属于相关性弱。
可通过人工1~5分打分，或使用语义相似度模型进行评估。
??3. 原创性
内容不应直接复制或大幅借鉴训练数据，应具备一定独特性。比如图像不能只是对某张训练图片的微调，文本不宜整段照搬现有文章。
常用查重工具或相似度模型进行检测。
??4. 安全与合规
杜绝出现有害、偏见或违法的内容，比如涉及Bao力、歧视、Se情，或不符合法规的信息。
一般通过安全过滤模型+人工复核进行把控。
??5. 一致性
长内容或多轮生成中，信息应保持前后统一。
比如文本里的人设不能突然改变，图像系列风格要一致，视频中物体不可出现不合理变化。
??二、类型特有指标
??1. 文本内容
除通用指标外，还需额外关注语言质量和逻辑结构：
1）流畅性：语句是否通顺、符合语法，避免错字和语病。
评估方法可借助人工阅读感评分，或使用语言模型自动化检测。
2）逻辑性：观点是否清晰，论证是否合理，因果关系或时间顺序是否正确。
可人工评判逻辑，或借助结构分析工具。
3）信息量与冗余：是否涵盖用户需求的关键信息，是否存在无意义重复。
可通过计算信息密度（有效词数/总词数），并比对用户意图做判断。
4）风格匹配：是否贴合所要求的文体和语气，比如不能把悼词写得很搞笑。
常用风格分类模型辅助，再加人工校验。
??2. 图像内容
在通用指标基础上，强调视觉层面的表现：
1）构图合理性：主体是否突出，视觉层次是否舒服，透视和比例是否准确。
可借助构图分析算法，或人工进行审美评判。
2）风格一致性：若生成多张图像，其画风、色调等是否协调统一。
3）细节丰富度：比如物体的纹理、光影、背景等信息是否完整清晰。
可人工判断细节，或借助清晰度、噪点水平等图像指标。
??3. 视频内容
在图像指标之外，额外强调时间维度上的连贯与合理：
1）帧间一致：动作是否流畅不跳帧，物体运动是否自然、符合物理规律。
可使用光流法检验运动平滑度，或通过人工观察判断。
2）时间逻辑：事件发展是否符合时间顺序，比如步骤不可颠倒混乱。
3）画质清晰度：不仅单帧要清晰，整体也需保持良好分辨率、少压缩失真。
常使用VMAF、PSNR等技术指标进行评估。
4）音画同步（如含音频）：声音和画面是否对齐，比如人口型应对上说话声音，动作与音效一致。
腾讯面试官：如何评估Agent产品的好坏
面试官您好，最近我做了几款AI Agent相关的产品，我们团队内部是如何判断一款AI Agent是否出色的呢？
我们一般是从技术实现、使用体验、商业效益及安全合规等多个角度进行全面评估。下面????我分别进行阐述：
??一、核心能力：是否高效达成目标
??1. 目标完成能力
1）成功率：在标准测试或真实环境中完成指定任务的比率，例如客服型Agent解决问题的准确率、工具型Agent正确执行指令的比率。
2）任务广度：是否可处理多种类型任务及边缘场景，如能否应对模糊提问或非常规需求。
3）输出质量：所生成内容的专业性、逻辑性和实用性，比如所撰写报告的准确度或所推荐方案的合理性。
??2. 交互表现
1）上下文理解：在多轮对话中能否有效关联历史信息，避免遗漏关键内容。
2）表达自然度：语言是否流畅自然，避免机械和生硬感，比如减少模板式应答。
3）意图识别：能否准确识别用户的显性及隐含意图，比如将“有点热”联系到“调低空调温度”。
??3. 效率与资源占用
1）响应延迟：包括单次请求的响应时间与复杂任务的处理时长。
2）多任务支持：是否具备并发处理多个请求或子任务的能力，例如同时服务多个用户。
??二、用户体验：是否好用、愿意用
??1. 用户主观感受
1）满意度调研：通过NPS、CSAT等工具收集反馈，重点包括用户是否愿意再次使用。
2）情感化设计：是否具备符合用户期待的语气和个性，能否传递共情与信任。
??2. 容错与引导机制
1）错误应对：在无法理解需求时是否能够得体应对，比如提供备选方案或转接人工，避免交互中断。
2）主动引导：能否通过提问帮助用户澄清模糊需求，减少用户操作负担。
??3. 个性化能力
1）用户适配：能否根据用户历史行为、身份特征提供差异化服务，如为VIP用户提供优先处理。
2）场景调节：能否在不同情境下调整应答策略，例如在工作场景保持严谨，在休闲环境增加轻松元素。
??三、技术与工程实现：是否稳健、可扩展
??1. 系统稳定性
1）故障频率：尤其在高压或高并发情况下是否仍维持正常运行。
2）输出一致性：相同输入是否能够稳定输出相同结果，保障使用过程中的可靠性。
??2. 扩展与集成
1）外部调用：能否接入API、知识库或运行代码以拓展能力边界。
2）多模态支持：是否支持文本、语音、图像等多种形式的输入与输出。
??3. 可解释与可追溯
1）决策透明：能否说明结果背后的依据或数据来源，尤其在医疗、金融等高合规要求场景。
2）日志完备：是否完整记录交互行为，便于审计回溯与体验优化。
??四、商业价值：是否带来真实收益
??1. 成本与效率
1）人力节省：相较于人工处理，是否能显著降低成本，如客服费用下降30%。
2）效能提升：是否提高处理效率或拓展服务能力，比如实现全天候自动应答。
??2. 用户增长与留存
1）转化推动：是否帮助提升用户注册、下单等关键行为。
2）使用黏性：用户使用频次和时长是否因Agent而提升。
??3. 生态与品牌价值
1）数据反馈：交互数据是否可用于优化其他业务，如改进推荐算法。
2）品牌增强：是否因AI能力形成差异化优势，提升品牌技术形象。
??五、可持续进化：能否持续迭代优化
??1. 反馈机制
1）数据收集：是否具备实时回收用户行为与反馈的数据能力。
2）迭代速度：从发现问题到发布修复或优化版本的周期长短。
??2. 自主学习与适应
1）小样本学习：能否借助用户行为数据自主优化，减少对标注数据的依赖。
2）跨领域适配：是否能够将现有能力快速迁移至新业务场景。
总结来说，优秀的AI Agent需实现技术、体验与商业价值的乘法效应：
技术是基础，保障功能可靠与合规；
体验是关键，通过自然和人性化的交互赢得用户信任；
商业是目标，必须为业务带来可衡量的增长或降本增效。
作为产品负责人，需在技术可行性、用户真实需求和商业目标之间把握平衡，推动AI智能体向更智能、实用和可信的方向发展。
腾讯面试官：什么是RAG？如何从零搭建一个RAG系统？
面试官您好，我将从以下几部分回答您的问题。
??一、什么是RAG
RAG，也就是检索增强生成，是一项结合实时检索与大模型生成能力的技术框架。
它通过从外部知识库动态获取相关信息，并让大语言模型基于这些信息生成回答，显著提升答案的准确性、时效性和可信度。
尤其适合弥补传统大模型在实时性、专业性和事实一致性方面的不足。
??二、RAG的核心组成
一套完整的RAG系统通常包括三个关键部分：
??1. 检索模块：负责理解用户问题，并从知识库中查找最相关的信息片段。常用技术包括语义向量模型（比如BERT）和向量数据库（比如FAISS）。
??2. 生成模块：将检索结果和用户问题组合，输入大语言模型（如GPT-5、Llama等）生成自然、流畅且准确的回答。
??3. 知识库：作为系统背后的“外脑”，可以是企业文档、数据库、实时信息源等任何结构化的数据。
??三、如何构建RAG系统
从产品经理的视角，该如何构建RAG呢？
??步骤一：明确需求与场景
首先要确定系统要解决什么问题——是应对信息过时、专业度不足，还是减少模型幻觉？
常见落地场景包括：客服答疑、企业内部知识库、法律医疗咨询、内容辅助生成等。
??步骤二：构建高质量知识库
数据是关键。需完成领域数据的收集、清洗与标注，来源可包括PDF、数据库和API等。随后通过向量化处理构建易于检索的索引结构，同时要特别注意数据的时效性、覆盖面和合规性。
??步骤三：设计检索策略
检索一般分为“粗排”和“精排”两步：粗排依靠向量相似度快速召回候选文档，精排则进一步结合时间、来源权威性等维度做最终排序。
需在响应速度、召回率和准确率之间做好平衡。
??步骤四：生成模块融合与优化
通过Prompt工程将检索上下文和用户查询有效组合，例如模版化拼接：“根据以下资料：{context}，请回答：{query}”。也可对生成模型做轻量化微调，增强领域适应性。
??步骤五：系统评估与持续迭代
评估应涵盖检索质量（如MRR、NDCG）、生成质量（准确性、流畅度、人工评价）和系统性能（延迟、吞吐量、成本）。
建立用户反馈和A/B测试机制，推动知识库与模型持续更新。
总结来说，RAG通过检索与生成的结合，显著提升了大模型在实际应用中的可信度和可用性。
产品经理应该在场景定义、数据建设、效果评估和成本体验之间做好平衡，推动系统持续优化与业务落地。
