我搭了一個智能體，幫想轉崗AI產品經理的小伙伴更好的準備面試

越是跨“業務 + 技術”的崗位，面試準備越不應該靠刷題。 AI 產品經理就是典型。

你打開一個 AI 產品崗位的 JD，里面既有業務目標（增長、轉化、交付周期），又有技術名詞（RAG、Agent、向量庫、Prompt、評測、A/B、數據閉環），再加上“需要懂模型、懂落地、懂協同”的泛化描述。

看完最大的感受不是“我會不會”，而是不知道從哪拆、怎么押題、怎么答得像一個真正做過的人。

更麻煩的是：

? 押題沒方向：刷了很多題，但不確定跟目標崗位的匹配度。

? 回答沒邏輯：想到哪說到哪，最后變成“我了解一些/我做過一些”。

? 優質參考難找：面經、案例、報告散落全網，臨場才去翻，效率低且容易跑偏。

所以我做了一個小型但非常“實用主義”的智能體：AI產品經理面試押題與輔導顧問。

它不想取代你準備面試，而是把最耗時間的那部分做掉：

你把目標崗位 JD 扔進去，它能拆解崗位核心考核點（尤其是大模型相關技能 + 對應業務場景），再按點押題，每個點給你“怎么答”的結構和示例。

你直接把面試題發給它，它能像一個面試教練一樣，從崗位匹配度、技術專業性、落地可行性三條線，給你一套可復用的答題框架。

所有回答基于一個覆蓋大部分技術和行業場景的 AI 面試題知識庫.

如果知識庫里命中不了，它會自動生成檢索 query，走聯網搜索，把“零散資料”變成你能直接復述的答案骨架。

智能體是面向產品經理的，所以肯定也應該“授之以漁”。

這篇文章分享一下這個智能體的搭建過程，幫助大家了解一下騰訊元器智能體的玩法。

智能體的體驗鏈接在文章最后。

定位&整體交互 產品定位：它在幫誰、解決什么、做到什么程度

目標用戶：AI 產品經理求職者、應屆生/轉行人群、其他想提升面試通過率的從業者 核心價值：“把 JD 翻譯成考核點，再把考核點翻譯成高概率面試題與高分回答。” 能力邊界與拒答策略： ? 智能體主模型只負責工作流調度，拒答任何問題 ? 僅支持 AI 產品經理/算法工程師相關崗位 ? 超出范圍固定回復

調度層通過如下提示詞約束：

作為調度員，你將接收到一段用戶發來的文本，請仔細辨識文本內容，調用對應的工具來完成任務。

如果用戶發送的文本為崗位描述、崗位職責要求等類似 JD 的內容，調用`崗位JD拆解`這個工具/工作流；
如果用戶發送的文本為面試題，或者與AI大模型、智能體、Agent 等開發、設計相關問題，調用`面試題解答`這個工具/工作流；
如果用戶發送的文本不在以上兩種類型之內（如情感陪伴、閑聊吐槽、日常生活咨詢），直接告知用戶“我目前只能提供AI產品經理、算法工程師相關崗位的面試輔導，其他問題請問別的智能體。”

**除不符合條件的提問外，所有任務，必須調用工具/工作流來完成。你不直接回復用戶的問題。**

用戶輸入

觸發工作流

用戶拿到什么

發送 JD

JD拆解&面試題模擬工作流

拆解結果 + 按考核點押題（每點 3 題+解析）

發送具體面試題

面試題解析工作流

解題框架 + 高分示例/要點

其他閑聊/無關問題

直接拒答

邊界清晰，不亂輸出

整體交互實現細節時序圖如下，接下來逐個功能點拆分。

三個工作流協同 工作流 1：JD 拆解 & 面試題模擬（主流程）

輸入：用戶 JD 大模型節點拆解 JD 提取： ? 大模型相關技能要求（3 個） ? JD 描述的業務或期望落地場景（3 個） 循環：將每個“考核點”丟給子工作流（工作流2） 輸出：按考核點匯總的面試模擬題 + 回答解析

流程非常簡單，直腸子一路走到底型：

輸入節點(SYS.UserQuery)

↓

回復節點（后續很慢，先輸出一句話穩住用戶）

↓

大模型節點（JD拆解，提取技能和場景考核點，提示詞在下面）

↓

參數提取節點（當前元器還不支持直接結構化輸出，中轉一下）

↓

代碼節點（把結構化內容拼接，以便接下來輸出給用戶看）

↓

回復節點

↓

循環節點（工作流 2，把技能考核點轉換為面試模擬題和解題思路）

↓

回復節點（告訴用戶還有，別走）

↓

循環節點（工作流 2，把場景考核點轉換為面試模擬題和解題思路）

↓

回復節點（完工告訴用戶）

↓

結束

幾個關鍵節點的內容：

1.JD 拆解節點的提示詞

其中/userQuery是引入的變量

/userQuery
 
jdContent>

請對以上崗位描述和要求進行深度分析和拆解，幫助應聘者更好的理解崗位要求、準備面試。

我們正在討論的AI 是“生成式 AI”技術，類似 DeepSeek、ChatGPT 等工具，而不是傳統的人臉識別、自動化技術。

需要注意的是，并不是所有JD 都是專業的，因為生成式 AI 技術仍處于普及中，部分招聘單位會混淆傳統 AI 技術，使用類似 NLP、TensorFlow等技能要求，此類表達請忽略。

你的拆解結果會被用來幫助應聘者模擬面試，請確保輸出的結果可以被用來創建面試題，即他們應該是可以被轉換成具體問題且能被應聘者通過描述相關項目經驗和概念理解來回答。

正確的輸出結果：熟練掌握 RAG 技術；有AI落地相關經驗；了解大模型的底層原理和能力邊界……
錯誤的輸出結果：將AI新技術轉化為具有市場競爭力的產品；快速理解市場……

從 JD 中提取以下信息：
1. 技能或者能力要求：JD 的崗位職責和崗位要求中，提到了哪些與AI 大模型或者崗位相關的能力，給出三個你認為最重要的即可。
2. 業務或應用場景描述：JD 的崗位職責和崗位要求中，提到了哪些期望用 AI 來賦能的業務、場景或工作流程，給出三個你認為最重要的即可。

結構化輸出你的分析結果：{"summary":"對崗位的整體概述和評價，包括崗位類型（內部效率賦能還是對外盈利產品）、職責要求清晰程度（是否給出了具體的期望，還是泛泛的外行式表達、通用型要求）","skills":["技能描述","技術要求"],"scenes":["賦能的場景","賦能的業務"]}

只輸出結構化 JSON，不包含任何其他解釋、Markdown 標識符。

2.參數提取節點

參數提取節點底層是一個大模型，需要非常清晰的描述你要提取的參數。

這里有三個細節，需要做到位，否則很容易直接在這里中斷，把失敗的結果呈現的前端，用戶體驗很糟糕。

? 提取參數的方式描述清楚，因為我上游輸出的是 JSON，這里描述相對簡單

? “必填”選項盡量不要勾選，否則模型很容易因為提取出不來而直接在前端讓用戶提供，非常尷尬。這里建議配一個無論如何都能提取出來的參數，確保流程正常運行

? 輔助提示詞里必須再強調一遍從哪里提取參數，否則極大概率你輸入的信息模型看不到。

3.階段性輸出

從開始到這里因為經過了兩個模型節點，等待時間會很長，必須提供一些階段產出，以防用戶跑路。

我用了一個代碼節點來拼接結構化信息（提取出來的技能和場景考核點），然后用回復節點輸出到前端。

效果如下：

4.循環節點開始拆

元器的循環節點是通過引用其他工作流來實現的，輸入需要是數組（前面參數提取節點取出來的skills和scenes參數）。

子工作流實現接下來展開。

工作流 2：面試模擬題目生成（子流程）

輸入：單個考核點 知識庫檢索：AI 面試題知識庫（100 個 Q&A） 大模型判斷：輸出結構化字段 ? is_useful：是否匹配 ? answer：最終題目與解析 ? query：不匹配時用于聯網檢索的檢索詞 分支： ? 命中：基于知識庫生成 3 道題 + 解析 ? 未命中：用 query 調用 DeepSeek 搜索 → 生成 3 道題 + 解析

這個工作流核心實現就上面這點東西，重點說一下知識庫功能。

元器此刻的知識庫還不支持自定義分段，所以我對原始數據做了預處理。

數據來源是我過去直播講解點評了 100 個 AI 崗位面試題，我把直播的回放轉文字稿做了總結，最終輸出了如下結構的文字稿文檔：

每個文檔里都有多個題目和答案，直接上傳到知識庫會被不可控的切分，所以我寫了個腳本，把他們拆成了 100 個子文檔

每個文檔里一個題目

這樣就實現了“自定義切片分段”功能。

這 100 個面試真題雖然挺全了，依然無法覆蓋全部的情況，所以在知識庫檢索之后，我增加了一個大模型節點，來判斷檢索結果是否能支持當前處理技能/場景考察點的面試題響應。

都在提示詞里了：

其中/investigation和knowledges是引入的變量，前者是開始輸入的技能考察點（上個工作流傳過來的），后者是知識庫里檢索到的結果。

/investigation
 
investigation>


/knowledges
 
knowledges>

接下來扮演一個面試輔導專家，根據上方提供的待考察能力（Investigation標簽內文本）和此考察問題在公司已有面試題庫中檢索到的結果（Knowledge 標簽內文本），生成 3 個模擬面試題和回答思路。

注意：
檢索結果可能包含與考察能力不相關的資料，甚至資料為空，請仔細辨別。
只有當資料與待考察能力相關時才參考引用。
如果資料與待考察能力不相關，請根據待考察能力生成一個用于網絡檢索的自然語言，如“想要在面試時考察應聘者 XX 相關能力，如何設置面試題目。檢索網絡信息按如下結構給出答案：#### 模擬面試題一：XXXX\n\n- 解題思路：問題意圖分析、考察能力拆解、回答思路\n\n- 示例回答：給出示例回答\n---\n”

按如下格式輸出：
{"is_useful":"檢索資料是否可用，僅輸出是或否","questions":"#### 模擬面試題一：XXXX\n\n- 解題思路：問題意圖分析、考察能力拆解、回答思路\n\n- 示例回答：給出示例回答\n---\n","#### 模擬面試題二：……","for_search":"如果is_useful字段的值為否，填充此字段"}

偽結構化輸出，依然需要一個參數提取節點來提取。

然后是判斷分支：如果is_useful的值為“是”，直接把questions字段的值輸出的前端；如果為“否”，則走 DeepSeek 搜索分支。

子工作流運行的輸出結果長這樣：

它會連續運行 6 次（3 個技能考察點、3 個場景考察點），累計輸出 18 個面試模擬題和解析。

工作流 3：面試題解析（答疑流程）

輸入：用戶面試題 知識庫檢索 → 大模型判定（同樣三字段） 分支： ? 命中：基于知識庫給“解題思路輔導” ? 未命中：生成檢索 query → DeepSeek 搜索 → 給答案骨架與落地建議

這個邏輯其實就是上面子工作流的“微調”版，整體流程一模一樣，只是大模型節點的提示詞變了。

/user_question
 
question>
/knowledges
 
knowledges>

接下來扮演一個面試輔導專家，根據上方提供的面試問題（question標簽內文本）和此問題在公司已有面試題庫中檢索到的結果（Knowledge 標簽內文本），為用戶提供面試輔導。

注意：
檢索結果可能包含與面試題不相關的資料，甚至資料為空，請仔細辨別。
按如下格式輸出：
{"is_useful":"檢索結果是否可用，僅填寫是或否","answer":"檢索結果可用時填寫此字段，格式如下：'- **題目解析：** 此面試題主要考察 XX、XX 方面能力……\n- **參考回答：** 面對此類問題，建議按照如下方式回答……'不可用時留空","query":"檢索結果不可用時填寫此字段，格式如下：'我正在準備面試，請檢索網絡資料后根據最新的信息幫我回答此問題，按如下格式回復- **題目解析：** 此面試題主要考察 XX、XX 方面能力……\n- **參考回答：** 面對此類問題，建議按照如下方式回答……'。檢索結果可用時此字段留空"}

1.等待動畫

因為過程中選擇了結構化輸出，沒辦法實現流式輸出，為了讓用戶的體驗相對好點一點，我在消息節點里放了一個請等待的 gif 圖片

waiting

用 PPT 的動畫幾分鐘就能搞定。

2.Markdown 渲染

智能體前端是支持 Markdown 語法渲染的，因為這個智能體會輸出大量文字，如果是純文本的話太難受了。

所以我在所有模型輸出的內容里要求它輸出帶標題級別、加粗、無序序列的 Markdown 格式（見提示詞）

同時在每個消息前后增加了===========這樣的分隔符，讓閱讀體驗能更好一點。

之所以沒選---是因為，有時候換行渲染不出來，會把整段都搞成加粗，起到反作用……

拓展和延伸 場景和玩法的延伸

這個面試輔導智能體，核心是基于那套 AI 面試題知識庫。

相比于常規 RAG，在根據 JD 出題這個工作流上，他并不是以答案形式提供價值，而是作為一份出題、解題的參考資料。

與此場景相似的，你可以把自己收藏的各種資料（比如爆款寫作方法論）整理成知識庫后，讓大模型參考匹配的資料作為方法論構建提示詞。

另外，循環節點也可以延伸出大量的玩法。

元器的循環節點設計，本質上是讓你用工作流構造一個“工具插件”，循環調用、生產內容。

同樣以寫作為例：把一個創作內容的流程“封裝”后引入循環節點，就可以在一次任務中產出任意數量/選題 list 的爆款內容。

關于元器智能體

元器此刻的功能和生態已經相對完善了，你可以在上面完成大部分創意的搭建。

關鍵是它的分發渠道非常硬核：你可以把搭建的智能體直接發布到小程序上。

此刻其他平臺的智能體，因為分發渠道的原因，大部分只能自用。

即便可以打包為小程序，但也需要你自己注冊主體、備案小程序（涉及到大模型還要再多一個備案）。

我之前有統計過某個頭部智能體平臺的數據，公開發布的智能體力，有 23% 只運行過一次。

一個應用，如果只是搭了給自己看，都談不上自娛自樂（排除你搭建過程的樂趣）。

如果把智能體發布到小程序，不用自己搞備案、買服務器，且消耗用戶自己的 Token，價值就不一樣了。

最近元器也在搞比賽，順便參賽拿個獎，作為簡歷的背書非常有意義。

我前面有直播分析過這次比賽的參賽方向，再次貼出來大家參考：

以上，希望能幫到大家“吃魚”和“打漁”。

如有其他問題，可以添加豆豆加入官方比賽交流群溝通。

最后，歡迎體驗AI產品經理面試押題與輔導顧問并反饋任何建議或 BUG。