招AI Agent产品经理，我面了40个人后只留下六道题

2026 年初，我在三个月里面了 40 位 Agent 产品经理候选人。简历上几乎人人都写着「负责过 AI Agent 项目」，实际聊天后发现，其中约三分之二做的是「把聊天框接到业务系统上」——不是不能用，但离产品经理该做的判断还很远。

最后真正通过的有六个人。回顾下来，区分度几乎全部来自六道题。

第一题：这个需求该不该做成 Agent？

我给一个具体场景：「客服团队希望做一个能自动退款的 Agent。」

合格回答会先问三个问题：退款金额上限是多少？退款决策的依据能否用规则表达？出错一次的成本是多少？

然后得出判断：金额低于 50 元、依据清晰的退款，规则引擎就够，不必上模型；高金额、需判断理由的，应该做「AI 生成建议 + 人工点击」，而不是全自动。

评分点：是否把「Agent」当成选项之一而非默认答案。把一切都做成 Agent 的人，通常没经历过一次事故。

第二题：任务拆解到什么粒度？

候选人常答「把流程拆成步骤」，这是空话。我要的是具体到能看出他懂循环与分支的人。

好的回答会区分三类节点：可以一次做对的（查订单状态）、需要循环的（逐个核对商品、逐封读取邮件）、需要判断后再决定的（是否升级人工）。

关键追问：「循环里面如果第 3 步失败，你是重试整条链路还是从第 3 步继续？」能答出「取决于这一步是否幂等，以及前两步是否有副作用」的人，通常真做过。

评分点：对状态、幂等、副作用的敏感度。

第三题：失败了怎么办？

这是最能筛人的一题。大多数人只讲成功路径。

我会追问：Agent 平均每 10 次会错 1 次，你希望它在错的时候做什么？

理想回答分层：低风险动作（查询、草稿）错误可接受，静默重试；中风险动作（修改数据）必须写审计日志并在界面上告知；高风险动作（转账、对外发送）必须在执行前检查前置条件，失败即中止并升级人工。

再追一层：「如何定义『我不确定』？」好答案会提到让模型输出置信度或使用明确的自检清单（例如必须确认三个字段都存在才继续），而不是依赖模型的自我评价——后者不可靠。

评分点：是否有失败设计能力，而不只是成功路径设计能力。

第四题：你怎么知道它好不好？

候选人说「我们会做评测集」。我继续问：评测集多少条？谁标注的？多久更新一次？坏 case 怎么回流？

能给出完整答案的很少。一个成熟的做法长这样：

• 上线前 200–500 条真实场景 case，覆盖长尾而非只覆盖主流程；
• 标注由业务专家做，双人标注，不一致的进仲裁；
• 每周从线上 bad case 里补 20 条进评测集，防止分布漂移；
• 除了准确率，还看「人工接管率」「平均轮次」「任务完成时长」。

评分点：是否把评测当成持续的运营工作，而不是上线前的一次性检查。

第五题：成本你能算到多细？

我会给一个假设：一个客服 Agent 每天处理 5000 个会话，平均 6 轮。你的 Token 成本大概是多少，怎么优化到一半？

回答「用更便宜的模型」及格。真正做过的人会说：分层路由（简单意图用快模型，复杂判断用推理模型）、压缩上下文（摘要历史而非全量重放）、缓存高频问答、减少不必要的工具返回（只回传需要的字段）。

再追问一句：「如果优化后准确率掉 3%，你接受吗？」这题没有标准答案，但能看出他有没有成本与质量的权衡意识——能不能说出「哪些场景可以掉，哪些绝对不能掉」。

评分点：成本敏感度 + 分层设计能力。

第六题：上线节奏你怎么定？

我的观点是：Agent 产品不该一次放开。

好的回答通常包含三个阶段：

1. 影子模式：Agent 只生成建议不执行，人工照着做，对比两者的差异率；
2. 人工确认：Agent 执行，但每步需人工点击确认，收集「人改了什么」；
3. 有限自动：仅对高置信度、低风险的子集自动执行，其余仍走人工。

每一阶段的晋级标准要量化：差异率低于 X%、人工改动率低于 Y%、持续两周无事故。

评分点：是否理解「信任是逐步积累的」，是否有灰度思维。

一个反向信号

面试里我会特别注意一件事：候选人是否抱怨「模型不稳定，所以需求做不了」。

模型确实会波动，但把失败全部归因于模型，通常意味着他在设计上没做兜底——没有校验、没有重试、没有降级、没有人工出口。成熟的产品经理会说：「模型哪部分不可控，我用什么把它兜住。」

小结

六道题对应六项能力：需求判断、任务拆解、失败设计、评测运营、成本算术、上线节奏。会写 Prompt 只是入场券，Agent 产品经理真正的工作是围绕一个不确定性很高的组件，设计出用户可以信任的系统。这六项里如果只能看一项，我会看第三题——因为一个只想过成功路径的人，还没开始做真正的产品。