AI Engineer 與 Product Builder 兩條 track，各有深度系列和每日練習。
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。
16 篇每日一篇 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。
17 篇從 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Paper reading 面試環節考的不是背論文結論,而是能不能在 15-20 分鐘內講清楚一篇陌生論文的問題定義、方法核心與限制,並提出有意義的追問。今天精讀的論文提出 invalidation contracts:讓 LLM agent 快取的錯誤修復建議帶上版本戳記與可快取性提示,伺服端資料一旦飄移就能精準逐筆(row-level)讓快取失效,而不必整批作廢或每次都重新推導。論文最核心的洞察是把「快取有沒有省到錢」拆成兩個獨立變數——validity(快取內容還對不對,只跟協議設計有關)與 compliance(規劃模型願不願意採用這個修復建議,因模型而異,同一份資料在 Claude Haiku 4.5 上有 100% 的第一次遵循率,在 Claude Sonnet 5 上卻可能低於 11%)。這個拆解框架本身就是很好的面試素材:它示範了怎麼把一個含糊的效能問題,拆成可以分別度量、分別歸因的兩個因子。
Technical PM 面試不是要你會設計系統，是要你能跟工程師用同一套語言討論取捨。今天用 RFC 流程（Draft-Review-Decision-Implementation）練『怎麼收斂技術討論的範圍』，用 Architecture Decision Record（Context-Decision-Consequences-Alternatives）練『怎麼把一個技術取捨寫清楚、留下可追溯的紀錄』，練一道 Exponent 收錄的 Stripe 技術輪真實題：設計一個 Ledger Service。
ML coding 面試考的不是背 LeetCode 樣板,而是能不能用 NumPy 徒手寫出 building blocks(linear、residual、layer norm、causal self-attention)並且看得懂別人的訓練/推論迴圈在哪裡壞掉。今天聚焦四個概念:coding 面試的真正考點是徒手實作能力而不是背答案;BPE tokenizer 的核心是「頻率統計 → 迭代合併 → 用同樣的合併順序 encode」,順序錯了 encode 就會跟 decode 對不上;batch inference 的吞吐量/延遲取捨要處理不同長度序列的 padding 與浪費運算;NumPy 向量化的判斷依據是「這段迴圈裡有沒有跨元素依賴」。練習題是 Glean 技術篩選常出的題目:實作一個 BPE tokenizer,走一遍從訓練到 encode/decode 的完整思路。
Growth 面試最容易漏掉的不是成長點子，是忘記雙邊市場（Guest／Host）要同時成長才叫成長。今天用 HubSpot 的 Growth Flywheel（Attract-Engage-Delight）拆解成長的複利結構，再用 Nir Eyal 的 Hook Model（Trigger-Action-Reward-Investment）設計讓使用者「不用被推、自己想回來」的習慣迴圈，練一道 Exponent 收錄的 2026 年真實 Airbnb 面試題：How would you 3x Airbnb's growth?
LLM & Agent Engineering 面試考的重點不是『你會不會串 LangChain』，而是你能不能把一個模糊的『系統壞掉了』拆成可診斷的子問題。今天聚焦四個高頻概念：RAG 的『retrieval 對、答案卻錯』要拆成 retrieval 和 generation 兩段分開評估；agent context window 變大不能解決品質下降,因為問題是 context pollution（雜訊稀釋注意力）不是 token 數不夠;RAG 跟 fine-tuning 的選擇邏輯是『RAG 管知識、fine-tuning 管行為』；LLM-as-judge 有一致性偏誤與自我偏好偏誤,不能單獨當唯一指標。練習題是一道很常見的企業面試情境題:『retrieval 90% 準、答案只有 60% 準,怎麼診斷』,走一遍把模糊症狀拆成可驗證假設的完整思路。
AI 產品題最容易垮的地方不是講不出願景，是講不出「這個模型會怎麼壞掉、壞掉時使用者會怎麼樣」。Meta 今年把 PM 面試五年來首次改版，新增一輪「Product Sense with AI」，要求候選人跟 AI 一起即時解題，考的正是這件事。今天用前 Google／Meta AI PM Marily Nika 提出的「地圖失敗模式→定義最小可行品質（MVQ）→設計 Guardrail」框架，拆一道真實案例：一個 Slack 摘要助理把還沒拍板的討論當成決策，還幫沒答應的人指派了 owner。案例則看 GitHub Copilot 怎麼用 Ghost Text 讓「忽略建議」的成本趨近於零，讓使用者在數百次互動裡自然校準出該信任哪些建議。
ML System Design 面試考的不是你會不會畫架構圖，而是你能不能把每一層的取捨講清楚。今天聚焦四個高頻考點：feature store 如何保證 training/serving 一致性、部署策略要怎麼分層選擇並設計 rollback 觸發條件、監控要拆成 system/data/model 三層並用 PSI/KS test 抓 drift，以及線上推論的 latency 預算怎麼分配。練習題是「設計一個電商即時推薦服務」，走一遍從釐清需求、估算流量、到 feature store 與部署策略的完整設計。
策略題最容易垮的地方不是分析不出市場多大，是分不清「這個市場值得進」跟「我們有能力打贏」是兩件事。Exponent 最新版 Google Product Strategy 面試指南收錄了一道經典市場進入題：Google 該不該做線上家具零售。今天用五力分析加 TAM-SAM-SOM 拆這題，案例是 Zoom 在 Cisco WebEx、Skype 都已經卡位的飽和市場裡，靠「摩擦力最低」而不是「功能最多」硬生生打出一條路——策略題最後拚的往往不是市場大小，是你有沒有一個對手複製不了的優勢。
Deep Learning & NLP 面試考的不是你會不會畫 transformer 架構圖，而是你懂不懂每個設計決策背後在犧牲什麼。今天聚焦四個高頻考點：self-attention 的計算與 KV cache 的作用、tokenization 的 vocab size 取捨、『embedding 是向量空間契約、維度相同不代表相容』這個資深候選人才會講的細節，以及 fine-tuning 跟 prompting 該怎麼選、catastrophic forgetting 怎麼防。練習題則是 Scale AI 的『設計 embedding 生成與分類 API』，走一遍版本相容性、部分失敗與多租戶隔離的完整設計。
Metrics 題最容易垮的地方不是選不出指標，是說不出「這個指標為什麼能代表使用者價值」，以及分不清相關與因果。Exponent 最新彙整的 2026 真題庫裡有一道 Meta 風格的執行題：留言數上升但觀看時長下降，怎麼辦。今天用指標樹拆解這題，案例是 Facebook 著名的「7 天內加 7 位好友」北極星指標——它幫 Facebook 找到成長槓桿，也一度讓整個矽谷把相關性誤當因果，是講「怎麼驗證指標背後因果關係」的最佳素材。
ML fundamentals 面試考的是能不能在拿到一個『指標很漂亮但線上出包』的落差時，講出正確的診斷路徑。今天聚焦四個高頻考點：AUC-ROC 在極度不平衡資料下為什麼會虛高、PR-AUC 才是該看的曲線、分類為什麼要用 cross-entropy 而不是 MSE（牽涉梯度消失）、bagging 和 boosting 分別修正 variance 還是 bias，以及多重共線性只毀可解釋性不毀預測準確度的常見誤解。
Product Sense 題最容易垮的地方不是想不出功能，是想到功能後說不出「為什麼是這個」。Exponent 最新彙整的 2026 真實面試題庫裡，一位 Adobe 候選人被問到『幫 LinkedIn 設計一個功能』，強答案的共同點是先鎖定一個使用者分群、再往下拆到具體痛點，而不是一次列十個構想。今天用 CIRCLES 框架加一層根因拆解，練這道題，案例是 Airbnb 早期用「幫房東拍專業照片」這個不規模化的動作解決轉換率問題。
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。
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。
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。
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。
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 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 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 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。
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 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。
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 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 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 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。