AI Engineer 面試日練 — 2026-08-30：本週回顧與行為面試
行為面試考的不是你有沒有故事，而是你能不能在 90 秒內把一個技術事件講成『情境明確、行動具體、結果可量化』的敘事。今天用『上線模型效果驟降，你怎麼在跨團隊壓力下把它修好』這個 AI Engineer 最常被問到的情境，走一輪完整 STAR，並回顧本週 ML Fundamentals 到 Paper Reading 五個主題練了什麼。
面試準備
AI Engineer 與 Product Builder 兩條 track，各有深度系列和每日練習。
系列文章
AI Engineer 面試日練
每日一篇 AI Engineer 面試練習，依星期輪替七個主題——ML 基礎、深度學習、系統設計、LLM 工程、Coding、論文閱讀、行為面試——從網路抓最新面試題與資源。
10 篇Product Builder 面試日練
每日一篇 Product Builder 面試練習，依星期輪替七個主題——產品直覺、指標分析、策略執行、AI 產品設計、成長實驗、技術 PM、行為面試——從網路抓最新案例與面試題。
11 篇AI Engineer 面試準備
從 ML 基礎、系統設計、LLM 應用架構到行為面試，拆成十個主題逐篇準備。每篇聚焦一個面試環節，整理核心概念、常見題型與實戰策略。
10 篇Product Builder 面試準備
從產品直覺、指標設計、策略思維到 AI 產品設計，拆成十個主題準備 Product Builder 面試。每篇聚焦一個面試環節，整理框架、案例與答題策略。
10 篇學習進度
AI Engineer
0 / 10Product Builder
0 / 10每日練習 （最近 14 篇）
Product Builder 面試日練 — 2026-08-30：Behavioral & Weekly Review
Behavioral 面試考的不是你有沒有精彩的故事，是委員會聽完能不能回答『這個人會不會隨時間變得更好』。今天用 STAR-R 框架（Situation-Task-Action-Result-Reflection）練一道 influencing without authority 的情境題，案例是一場 Amazon L5 PM debrief 的真實紀錄——候選人因為說不清楚怎麼處理跨部門抵抗，被委員會爭論 18 分鐘後刷掉。文末附本週七天回顧與下週預習方向。
AI Engineer 面試日練 — 2026-08-29：Paper Reading（論文精讀）
Paper reading round 考的不是你有沒有把論文讀完，而是你能不能在有限時間內抓到核心 claim、講清楚設計選擇背後的 trade-off，並提出可驗證的追問。今天用剛發表的 SparseRead（token 效率讀取層，2026-08-23 掛上 arXiv）當練習素材，拆解 regime-aware Read Gate、Reader Backends、stateful protocol 三個核心機制，並完整跑一輪『事前過濾 vs 事後裁剪』的技術追問。
Product Builder 面試日練 — 2026-08-29：Technical PM
Technical PM 面試考的不是你會不會寫程式，是你能不能把一個技術決策（要不要接受 breaking change）講成一個工程師會認同的產品判斷。今天用「釐清→草擬→拆解取捨→回扣產品」四步法搭配輕量版 ADR，練一道 API 版本控管的真實題，並對照 Stripe 用 idempotency key 把「網路重試會不會重複扣款」這個不確定性收斂成一紙契約的做法。
AI Engineer 面試日練 — 2026-08-28：Coding（推論排程與除錯手刻）
2026 年的 ML coding round 不再只考「從零寫出來」，也考「看得懂別人寫壞的程式碼」。今天聚焦五個考點：LLM 推論排程的狀態機設計、debug 既有 ML 程式碼的方法、NumPy shape 陷阱、pandas 時序特徵的資料洩漏防範，以及 AUC-ROC 的從零手刻。練習題取自 Anthropic 近期一份公開流出的 OA 真題：簡化版 GPU 請求排程器。
Product Builder 面試日練 — 2026-08-28：Growth & Experimentation
Growth PM 面試最容易踩的坑，不是想不出成長點子，是還沒診斷瓶頸就跳去做『看起來一定對』的方案。今天用 Reforge 的 Growth Loop 框架取代線性 Funnel 思維，搭配六步診斷鏈找出真正的瓶頸，並對照 JobLeads 一個『22 步縮成 5 步、卻毫無影響』的真實實驗，看懂為什麼實驗速度比單次爆款更重要。
AI Engineer 面試日練 — 2026-08-27：LLM & Agent Engineering
2026 年的 AI Engineer 面試已經不再只考「RAG 怎麼做」，而是考你能不能在失敗模式下做出有依據的取捨。今天聚焦五塊：RAG 該不該升級成 agentic RAG、context window 的分層組裝與 lost-in-the-middle 問題、guardrails 怎麼擋住惡意輸入與輸出、RLHF 的 reward model 訓練流程，以及怎麼從 trace 裡分辨 retrieval 失敗、generation 失敗還是 agent 卡進無限迴圈。
Product Builder 面試日練 — 2026-08-27：AI Product Design
AI 產品面試最常問倒人的不是『你懂不懂 LLM』，是『當模型注定會犯錯，你怎麼設計系統讓錯誤不會傷到使用者信任』。今天用 Riddhi Bhasker 提出的四層架構（記憶／檢索／推理／控制）拆解 human-in-the-loop 該怎麼當成基礎設施設計，並對照 Intercom 讓 AI 自動核准 19% PR、仍守住品質的真實案例。
AI Engineer 面試日練 — 2026-08-26：ML System Design
ML system design 面試考的是把商業目標翻譯成完整的機器學習系統，不是背 buzzword。今天聚焦四塊高頻考點：feature store 的 online/offline 雙軌與 point-in-time correctness、線上推論的延遲預算與 shadow mode、A/B test 該用什麼隨機化單位與怎麼分辨 novelty effect，以及用 PSI 偵測 data drift 和 concept drift 的差別。
Product Builder 面試日練 — 2026-08-26：Strategy & Execution
策略題考的不是你會不會背 Porter's Five Forces，是你敢不敢在『打不贏規模』的前提下，還能講出一個清楚的取捨。Perplexity 面對 Google AI Overviews 20 億月活與 OpenAI Atlas 的夾擊，選擇在 2026 年初直接關掉廣告業務——這個看似自砍營收的決定，正是今天要練的策略連貫性（strategic coherence）。用 TAM-SAM-SOM 框市場、用五力分析找不能打的仗，再回答『你會犧牲什麼』。
Product Builder 面試日練 — 2026-08-25：Metrics & Analytics
分析型面試考的不是你會不會寫 SQL，是你能不能在『DAU 漲、廣告主卻在跑』這種矛盾訊號裡，分清楚哪個指標在說謊。Google 一場真實 debrief 裡，候選人因為把『DAU』當成 News 的北極星指標而被刷掉——committee 要的是能連到商業風險的指標，不是儀表板上最好看的那個數字。今天用指標樹拆一道這樣的題目，案例是 Google Search 那則『改個字體顏色多賺十億美金』的傳說。
AI Engineer 面試日練 — 2026-08-24：ML Fundamentals
ML fundamentals 面試考的不是背定義，而是拿到一個 train/val 落差時能不能走出一套診斷流程。今天聚焦四個高頻考點：bias-variance decomposition 與 learning curve 判讀、L1/L2 正則化的幾何直覺與選擇邏輯、loss function 要對齊商業目標而非預設值，以及 AdamW 為什麼把 weight decay 和 L2 正則化拆開處理。
Product Builder 面試日練 — 2026-08-24：Product Sense
Product Sense 面試考的不是你能想出幾個功能，是你能不能把模糊的題目收斂成「行為驅動」的診斷——Google 一場真實 HC debrief 裡，候選人提了 12 個 YouTube 功能被刷掉，理由是「他們描述了 what，沒有描述 why」。今天用 CIRCLES 框架拆解一道銀髮族搜尋體驗題，案例是 Superhuman 怎麼用一份四題問卷把 product/market fit 分數從 22% 拉到 58%。
AI Engineer 面試日練 — 2026-08-23：Behavioral（本週回顧）
AI Engineer 的行為面試不是講你做過什麼專案，而是讓面試官從你講故事的方式，反推你能不能扛更大的 scope、能不能在模糊情境裡自己定義問題、出包時會不會誠實講『我錯在哪』。今天用一個『RAG 系統上線後給錯答案，你怎麼揪出根因並穩住客戶信任』的故事框架練習，再回顧本週（週四到週六）練過的 ML System Design、Coding、Paper Reading 三個主題。
深度文章
Behavioral & Ethics 面試攻略：AI 倫理、團隊合作與影響力敘事
行為面試不是靠臨場發揮，而是靠事前準備好的故事庫。AI Engineer 的行為面試有獨特的考點：AI 倫理（bias、fairness、privacy）、技術決策的影響力敘事（為什麼選這個模型/架構）、跨團隊推動 ML 專案的經驗。準備策略：建立 8-10 個 STAR 故事，每個故事練到能在 2 分鐘內講完。
Coding 面試攻略：ML-flavored 程式題的準備策略
AI Engineer 的 coding 面試和 SWE 不完全一樣——除了 LeetCode medium，還會出 ML-flavored 的題（實作 tokenizer、寫 batch inference pipeline、處理稀疏矩陣）。準備策略：LeetCode medium 練到 70% 通過率就夠，剩下的時間花在 numpy/pandas 操作、資料處理 pipeline、以及 ML 相關的程式題。
Deep Learning 面試攻略：從 CNN 到 Transformer 的核心直覺
深度學習面試重點不是推導反向傳播，而是能不能解釋架構背後的設計直覺。高頻考點：CNN 的 locality 與 translation invariance、RNN 到 Transformer 的演進為什麼必要、self-attention 的計算邏輯與複雜度、BatchNorm vs LayerNorm 的適用場景、常見的 training tricks（learning rate schedule、gradient clipping、mixed precision）。
LLM Application Design 面試攻略：從 RAG 到 Agent 架構
LLM Application Design 是 2025-2026 面試最熱的新題型。核心考點：RAG pipeline 的 chunking/retrieval/reranking 設計、agent 架構的 tool-use 與 planning loop、context window 管理策略、guardrails 與 safety 設計、以及 LLM 應用的評估方法。面試官特別看重你有沒有踩過坑。
ML Fundamentals 面試攻略：從 bias-variance 到 evaluation metrics
ML 基礎面試不考你背公式，考你能不能用直覺解釋概念、在追問下不崩潰。高頻考點：bias-variance tradeoff 的實際意義、L1/L2 regularization 的選擇邏輯、cross-entropy 為什麼比 MSE 適合分類、SGD 與 Adam 的取捨、precision/recall 在不同場景的重要性差異。
ML System Design 面試攻略：從需求拆解到生產架構
ML System Design 面試的核心不是選模型，而是怎麼把一個商業目標變成一個可上線、可監控、可迭代的 ML 系統。面試官想看你能不能：把業務目標翻成 ML 目標、設計 data pipeline 和 feature store、選擇合理的 serving 策略、規劃 monitoring 和 A/B testing。
MLOps & Deployment 面試攻略：從 CI/CD 到模型監控
MLOps 面試考的是你有沒有把模型推上生產的經驗。高頻考點：ML pipeline 的 CI/CD（跟軟體 CI/CD 有什麼不同）、model registry 與版本管理、A/B testing 的設計與陷阱、inference 的 scaling 策略（水平擴展、模型壓縮、caching），以及生產環境的 monitoring 與 alerting 設計。
NLP & LLM 面試攻略：從 tokenization 到 RLHF
LLM 面試的分水嶺是你有沒有實際用過這些東西。高頻考點：BPE tokenization 的邏輯與多語言問題、預訓練目標（CLM vs MLM）、fine-tuning 的三種層次（full/LoRA/prompt tuning）、RLHF 的流程與 failure mode、prompting 的工程實踐、LLM 評估的困難與現有方法。
AI Engineer 面試全景圖：從公司類型到準備策略
AI Engineer 面試不只考 ML——大廠看系統設計與 coding，新創看端到端交付，AI-native 公司看 LLM 工程深度。準備策略：先釐清目標公司類型，再按六大維度（ML 基礎、系統設計、LLM 應用、Coding、Paper Reading、行為面試）分配時間。
Paper Reading 面試攻略：怎麼讀、怎麼討論、必讀清單
Paper Reading 面試不是考你有沒有讀過那篇 paper，而是考你能不能快速理解一個新方法並找出它的限制。AI-native 公司（Anthropic、OpenAI）特別愛考。準備策略：練習 30 分鐘讀完一篇 paper 並能口述 contribution + limitation，建立自己的必讀論文清單，每篇練習用三句話總結。
AI Product Design 面試攻略：從 Human-in-the-Loop 到信任建立
AI Product Design 是 2025-2026 面試最熱的新題型。核心考點：什麼時候該用 AI（不是所有問題都需要 AI）、human-in-the-loop 的設計模式（什麼時候讓人介入）、信任建立（怎麼讓用戶相信 AI 的輸出）、AI 產品的獨特挑戰（hallucination、latency、cost），以及 AI 產品的評估指標。
Behavioral & Leadership 面試攻略：影響力、衝突處理與 Vision 表達
Product Builder 的行為面試和 SWE 不一樣——不只考團隊合作，特別考你怎麼在沒有直接權力的情況下推動事情。核心能力：影響力敘事（怎麼說服工程師做你想做的功能）、衝突處理（跟設計師/工程師/stakeholder 意見不同時怎麼辦）、vision 表達（怎麼用 30 秒讓人理解你的產品方向），以及失敗故事（怎麼從失敗中學習而不是推卸責任）。
Execution 面試攻略：從 Roadmap 到跨團隊協作
Execution 面試考的是你能不能把想法變成可交付的東西。核心能力：roadmap 規劃（怎麼在有限資源下排序）、優先序辯護（為什麼先做 A 不做 B）、跨團隊協作（怎麼推動工程和設計）、stakeholder management（怎麼處理衝突），以及用數據追蹤進度的能力。
Growth & Experimentation 面試攻略：從 Growth Loop 到實驗設計
Growth 面試考的不是你會不會做 growth hack，而是你有沒有系統性的成長思維。核心能力：growth loop 設計（acquisition → activation → retention → referral 的飛輪）、實驗設計（假設 → 指標 → 實驗 → 分析的完整流程）、retention 策略（找到 aha moment、設計 habit loop）、以及用數據判斷什麼值得繼續投資。
Metrics & Analytics 面試攻略：從北極星指標到實驗設計
Metrics 面試考的是你能不能用數字做決策，而不是你懂多少統計。核心能力：北極星指標的選擇邏輯（為什麼選這個不選那個）、指標樹拆解（找到可操作的 lever）、漏斗分析（哪一步流失最值得修）、A/B testing 的設計與陷阱、以及面對反直覺數據時的判斷力。
Product Builder 面試全景圖：從 PM 到 Builder 的思維轉換
Product Builder 不是傳統 PM——你要能從 0 到 1 建產品，不只寫 PRD。面試考的是產品直覺、指標思維、技術理解力與執行力的交集。準備策略：先搞清楚目標公司要的是 PM 還是 Builder，再按九大維度分配時間。
Product Design 面試攻略：從問題到方案的設計過程
Product Design 面試不是考你畫 wireframe，而是考你怎麼從問題走到方案。核心能力：MVP 範圍判斷（什麼該做什麼不做）、trade-off 分析（速度 vs 完整度、通用 vs 客製）、設計決策的溝通能力（為什麼選 A 不選 B），以及快速迭代的思維。
Product Sense 面試攻略：從用戶洞察到功能優先序
Product Sense 面試考的不是你能想出多少功能，而是你能不能從一個模糊的需求裡找到真正值得解的問題。核心能力：用戶分群思維、問題重構（把『加個功能』翻成『解決什麼問題』）、feature prioritization 的結構化論述、以及在面試官追問下堅持或修正判斷的能力。
Strategy 面試攻略：從市場定位到競爭護城河
Strategy 面試不是考你背框架，而是考你能不能在資訊不完整時做判斷。核心能力：市場規模估算（TAM/SAM/SOM 的實際用法）、競爭護城河分析（網路效應、轉換成本、品牌）、進入新市場的 go/no-go 決策，以及用排除法而不是加法來做策略取捨。
Technical PM 面試攻略：從 API 設計到架構理解
Technical PM 面試不要求你寫 production code，但你要能讀懂 trade-off。核心能力：API 設計的基本思維（RESTful、版本控制、錯誤處理）、系統架構的 high-level 理解（微服務、資料庫選型、快取策略）、與工程師協作的溝通模式（RFC 流程、技術 spec review），以及在技術限制下做產品決策的能力。