今天的練習題是外送 App 完成訂單單週掉 12%，但真正的重點不是背出 AARRR 這五個字母，是練習怎麼把一個籠統的『訂單掉了』定位到漏斗的哪一段——是新使用者打開 App 的那一步（Acquisition/Activation），還是老使用者回購的那一步（Retention），因為兩種掉法要查的方向完全不同。第二個框架是 OEC（Overall Evaluation Criterion，整體評估準則）：A/B 測試不能只看單一主要指標有沒有漲，因為主要指標可能用犧牲使用者體驗換來的短期暴增，所以要同時盯著一組護欄指標，確認漲幅不是拿長期信任去換的。案例是 Ron Kohavi 與 Stefan Thomke 在 Harvard Business Review 公開的第一手敘述：Bing 一個把廣告標題和第二行文字合併顯示的改版想法，在待辦清單裡放了半年才排進測試，一上線監控系統就跳出『好得不像真的』警報——營收漲幅遠超預期，團隊第一反應不是慶祝，是先排查是不是記錄重複計算的 bug，排查後確認沒有 bug，再檢查護欄指標（使用者體驗相關數字）有沒有被犧牲，確認沒有之後才正式上線，年化貢獻超過一億美元，是 Bing 史上單一改版帶來最大的營收成長。
CIRCLES 負責把題目拆成七步結構，Sean Ellis 的『很失望』分群法負責決定該聽誰的話——這兩個框架合起來才是今天的重點：分群不是面試裡隨口列幾個人設，是決定後面所有分析該往哪個方向走的第一個選擇。練習題是真實 PM 模擬面試題庫收錄的『設計一個幫助長者獨立使用大眾運輸系統的產品』，拆解示範怎麼把長者這個籠統標籤，先切成『認知清楚但行動不便』與『認知退化但行動自如』兩種完全不同的失敗模式，再各自配不同的解法與安全防線。案例是 Rahul Vohra 在 First Round Review 公開的 Superhuman 原始敘述：早期只有 22% 使用者說『如果不能用了會很失望』，遠低於 Sean Ellis 認定的 40% 產品市場契合門檻，Vohra 沒有急著改產品，而是先把回答『很失望』的那群人單獨抓出來分析他們共同的使用情境，光是這個分群動作、什麼都還沒改，分數就跳到 32%，接下來四個季度用同一套『調查→分群→分析→迭代』流程跑完，分數依序推進到 47%、56%、58%。
今天的骨架是兩層：先用「五條獨立線」把一句話的技術需求拆成五個不能互相替代的面向——存取權限、吞吐量上限、預算額度、輸出品質、可預期的失敗行為——避免把「加個警示」講成「做了硬性管控」；再用「原子預留 → 對帳釋放」處理併發請求搶同一筆資源時的競態：天真作法是兩個請求各自讀一次餘額、各自核准,結果超支;正確作法是用一次性的原子扣減擋下第二個請求，等第一個請求實際結算後再核銷差額、釋放剩餘額度。練習題是 PracHub 改編自 OpenAI「Product Manager, API Infrastructure」職缺描述的企業 API 預算控管案例：剩餘授信 $12，兩個請求各要保留 $8，天真系統會核准兩次變成授權 $16 比 $12 還多；拆解示範先把「警示」和「硬擋」定義成兩個不同產品、再用原子預留處理併發,最後用小範圍試跑＋對帳準確率衡量成功。案例是 Stripe 2017 年公開的 idempotency key 機制：同一個 idempotency key 在 24 小時內重複送出，Stripe 回傳第一次請求的結果而不是再扣一次錢，這套「先鎖定、重試認得出來」的邏輯跟今天練習題要解決的競態問題是同一個底層原理，現行官方文件在 2026 年仍明文保留「併發執行時的衝突不儲存冪等結果」這條規則。
今天的骨架是兩個框架：先用 Growth Loop 找出產品裡已經半成形的迴圈——不是憑空發明一個分享機制，是找『使用者已經在做，只差一步就能帶來新使用者』的行為，裝上輸入、行動、輸出三個指標；再用 Nir Eyal 的 Hook Model（Trigger、Action、Variable Reward、Investment）判斷一個功能能不能讓使用者自己回來，而不是每次都靠推播硬拉回來。練習題是 PracHub 收錄的 Slack 真實面試題：怎麼幫 Slack 開出更多 product-led growth 的擴散路徑——拆解示範先問『成長指的是新 workspace、既有團隊更活躍，還是免費轉付費』鎖定範圍，再從 Slack 已經在跑的跨公司 channel 共享這個半成形迴圈下手，而不是硬加一個邀請按鈕，同時要準備好回答 IT 團隊對治理失控的質疑。案例是 Calendly 投資人暨董事 Blake Bartlett 接受 Sacra 專訪時的說法：Calendly 的病毒迴圈不是設計出來的，是因為『排程』這個任務本身就是兩個人同時遇到同一個問題——這個判斷標準（工作流程本身有沒有牽涉到非使用者）就是今天拿來排序 Slack pathway 優先順序的同一套邏輯。
AI 產品設計題考的不是背得出 human-in-the-loop 這個詞,是能不能先問清楚一個具體問題——這個功能錯了的代價多高、這個動作能不能收回——再決定要不要讓 AI 自己動手,還是先停在草稿等人看過。核心框架是風險分級任務分配:把每個決策按『犯錯成本』與『可不可逆』分成三格,高成本且不可逆的要先經人核准才執行,中成本但可逆的用事後抽查,低成本的才放給 AI 自己處理再回報例外。第二個框架是信任校準:目標不是讓使用者無條件相信 AI,也不是讓他每一步都要盯著,是讓他清楚『這個情況該信,那個情況該查』——常見錯誤是以為加一個信心分數就解決了,但研究顯示信心分數本身很難幫使用者做出更好的判斷。練習題是 ZoomInfo PM 面試真題:『你會怎麼設計一個幫銷售開發代表(SDR)寫 outreach 訊息的 AI 功能?』拆解示範先問『這是全自動發送還是草稿輔助』來鎖定範圍,再用風險分級框架推出『發送這個動作不可逆、寫錯會得罪潛在客戶』,所以應該先做草稿輔助,不是一步到位做全自動發送。案例是 Anthropic 自己公布的資料:Claude Code 使用者對權限提示的批准率高達 93%,但這個數字背後藏著『批准疲勞』——人看久了會停止認真檢查,這正是信任校準失敗的真實案例,不是信任校準成功的案例。
戰略題考的不是能不能背出 SWOT 或 Porter's Five Forces,是能不能在六步裡做出一個站得住腳、而且敢講出反方意見的具體決定——先釐清題目在問多長的時間範圍,再回去查公司真正靠什麼賺錢(不是看它的使命宣言),接著定位這次威脅或機會從哪裡冒出來,訂出能真正刪掉幾個選項的『指導原則』,從一堆選項篩到剩兩三個,最後選一個、講出它最強的反方論點、再說明為什麼還是這樣選。練習題是 Google 面試裡真實出現過的題目:『你是 Zoom 的 CPO,正面對 Google Meet 的強力競爭,你會怎麼做?』拆解示範用五個透鏡——市場定位、品牌忠誠度、通路、組織能力、產品技術——逐一掃過 Zoom 對 Google Meet 的相對優劣勢,而不是看到題目就急著丟功能點子。案例是 Google 自己正面被 ChatGPT 衝擊時的真實選擇:沒有另外做一個獨立的聊天機器人去跟 ChatGPT 硬碰硬,而是把 AI Mode 直接塞進搜尋框裡——因為使用者本來就每天在用 Google 搜尋,這是 Google 真正擁有的通路優勢,比起從零構建使用習慣容易得多。
Metrics 面試最常考的不是背指標名詞，是拿到一個掉下來的數字時，能不能用一套可重複的程序把它拆開查，而不是憑直覺亂猜原因。今天的核心框架是北極星指標的指標樹拆解——把一個太抽象、單一團隊兩週衝刺內摸不到的北極星指標，拆成廣度、深度、頻率、速度四個可以直接被某個小隊影響的輸入指標，範例取自一個 AI 寫作平台把『每週成功產出的 AI 草稿數』拆成四個槓桿的做法。練習題是 PM 面試圈廣泛引用的 diagnostics 真題：『Instagram Stories 單日掉了 7%，DAU 也掉 5%，你會怎麼查？』,拆解示範先把指標定義釐清、再用地理／平台／用戶群分段定位問題範圍、接著把時間軸和內部改版或外部事件對齊、同時排除埋點或計算邏輯本身出錯的可能，最後才下結論並給出後續監控建議，而不是看到數字掉就急著講故事。案例是 Spotify 在早期擴張階段的真實選擇——如果當時選了『總註冊數』當北極星指標，成長團隊會把力氣全部花在把人拉進門，但 Spotify 選了『活躍使用者的聆聽時長』，讓這個數字同時餵養 Discover Weekly 等演算法推薦、也直接決定免費層的廣告庫存量與付費轉換的自然驅動力，示範了『虛榮指標』和『能擷取真實價值的指標』之間的差別怎麼在真實公司的決策裡發生。
Product Sense 面試最容易低估的地方，不是想不出框架，是五個評分維度裡只要一項明顯弱，整份答案就會被打低分——不能用『結構完整』去補『分群太籠統』的洞。今天用 Lenny's Newsletter 和前 Meta PM Ben Erez 在 2025 年整理、2026 年仍是業界主流的五維度框架：溝通、產品動機、分群、問題定義、方案發展，每個維度都附時間配置與常見失分點。練習題是 Meta 2026 年面試電話篩選真題：『你被指派一個把居家維修工跟消費者連起來的產品，你會怎麼設計？』,拆解示範如何不要把分群停在『屋主、房東、工班』這種誰都想得到的分類，而是抓住『不知道該找哪種工人』這個真正獨特的痛點、再把方案跟 Meta 自己的社群資產（鄰里社團、朋友推薦）綁在一起，做出跟純粹市集平台不同的解法。案例是 Thumbtack 2026 年 4 月 30 日正式發布的真實決定——官方調查顯示超過一半屋主會把居家問題診斷錯、近 85% 找不到該找哪種專業的人，於是 Thumbtack 把傳統的『先選服務類別』搜尋整個換掉，改成讓使用者用文字、照片或語音描述症狀，AI 再反推該找哪種工人，內部測試顯示 87% 的使用者認為用照片或語音表達問題很有價值，CEO Marco Zappacosta 把這個決定直接定位成『把口碑的信任感用 AI 重建到規模化』。
Behavioral 面試裡最常翻車的地方,不是講不出故事,是把『信任』『影響力』這類抽象詞直接掛在嘴上,卻說不出具體發生了什麼。今天用 STAR 當外層敘事骨架,但在『行動』那一步換成 SBI（Situation-Behavior-Impact）結構,逼自己把『我去溝通了』這種含糊說法拆成『在什麼情境下,對方做了什麼具體行為,這個行為對團隊或結果造成什麼影響』。練習題是 Amazon 真實收錄的面試題：『團隊的信任被你或別人破壞過,你怎麼修復,結果如何』,拆解示範先判斷故事主角是自己還是對方,再用 SBI 把『怎麼開口』那一刻講具體。案例是 Kim Scott 在 Google 的真實故事——她對著 Sergey Brin 和 Eric Schmidt 做簡報時說了太多次『um』,事後主管 Sheryl Sandberg 直白告訴她『妳聽起來很蠢,大家會覺得妳不行』,這句話之所以沒有傷害信任、反而成為 Kim Scott 日後寫出《Radical Candor》的起點,是因為 Sandberg 平時已經用一千件小事證明自己真心在乎她——這正是今天題目要考的『直接的回饋為什麼沒有毀掉信任,反而修復了信任』的真實版本。文末附本週七個主題的回顧表與下週預告。
Technical PM 面試裡的系統設計題，考的不是畫得出框和箭頭，而是會不會先把範圍問清楚、再把使用者旅程拆成需求、點名『準確、速度、隱私』這類系統屬性，最後自己主動講出取捨——這是 Aced 2026 年技術 PM 指南整理的五步順序，跟上禮拜練過的 RFC／決策矩陣是同一種紀律的兩種用法。今天的練習題是『設計一個系統，讓 Gemini 回答使用者的一個查詢』，拆解重點在於要不要先做 RAG 檢索、檢索加的延遲值不值得換來的事實正確性。案例是 Discord 把訊息資料庫從 Cassandra 遷到 ScyllaDB 的真實故事：177 個節點砍到 72 個，p99 延遲從 40 毫秒級壓到 15 毫秒，而驅動這個決定的不是『新技術比較潮』，是維運痛苦累積到門檻之後，工程主管怎麼量化痛苦、估算遷移成本、最後拍板換掉撐了五年的系統。
今天的骨架是：先用 North Star Metric 把『成長』定義成一個主指標加幾條輸入指標，再用 Eric Ries 的三引擎框架（sticky、viral、paid）判斷產品現在靠哪一個引擎長，避免把所有成長題都答成『加分享功能』。練習題是結帳漏斗一週掉 20% 的真實診斷題——先排除資料本身壞掉和外部因素,才輪到使用者體驗假設,這個順序本身就是分數。案例是 Clay 從 20 個付費客戶的通用試算表產品,窄化成冷信代理商的資料整理工具,再靠『代理商用 Clay 交付案子→公開分享工作流程→顯得專業→接到更多案子→用更多 Clay』的迴圈,滾到 2026 年 9 月 71 億美元估值——這個案例最值得模仿的不是 LinkedIn 發文,而是『讓別人分享你的產品對他們自己有經濟利益』這個設計決定。
AI 產品面試裡『human-in-the-loop 要擺哪裡』是最常被問到卻最容易答成口號的題型——『重要的動作要有人看過』聽起來對,但面試官要的是你能不能把『重要』拆成可操作的判準。今天用 Cloudsoft Solutions 整理的『錯誤成本 × 可逆性 → 審核強度』三層矩陣(高成本不可逆要事前核准、中風險高量可事後抽查、低風險只要例外處理與回饋),搭配 Tcules 整理的八個人機協作 UX 模式——重點是『approve 按鈕本身不等於有效監督』,因為自動化偏誤(automation bias)不會因為訓練或提醒而消失,而 Anthropic 自己的數據顯示 Claude Code 使用者核准了 93% 的權限提示,這正是『審核疲勞』的證據。練習題是自擬的『AI 貸款核准系統要不要人工覆核』設計題,示範如何不要用一刀切的『全部人工審』或『全部自動放』,而是按錯誤成本分三層設計審核強度,並且設計『怎麼證明審核真的有效』而不是只看核准率。案例是 Anthropic 2026 年 3 月發布的 Claude Code auto mode——把『每個動作都要人核准』重新設計成三層架構(安全工具白名單、專案內檔案操作、分類器審核),分類器的兩階段設計把假陽性率從 8.5% 壓到 0.4%,但在真實的危險動作測試集上仍有 17% 漏判率,這個誠實揭露『自動化審核不是零風險,是用可接受的風險換掉審核疲勞』的作法,正是這題最值得模仿的地方。
2026 年戰略題面試官最在意的,不再是答案結構完不完整,而是候選人有沒有一個五個其他準備過的候選人給不出來的獨特立場——結構完整的答案已經是及格線,不是加分項。今天用 Aced（原 Exponent）整理的六步框架：釐清問題→定錨業務目標→掃描競爭格局→設定指導原則→產生並篩選選項→論證收斂,搭配 Roger Martin 提出的『愚蠢反轉測試』（如果你戰略選項的反面講出來很荒謬,那就不是真正的選擇)判斷差異化夠不夠硬。練習題是 Google 面試真題：『你是 Zoom 的 CPO,面對 Google Meet 的強力競爭,你會怎麼做?』,拆解示範如何先定錨 Zoom 真正的營收結構(企業訂閱與附加服務,不是消費端免費會議量),把威脅定義在『Google 靠 Workspace 捆綁免費取得分銷,不是功能更強』這個精確層級,再用一條能真的刪掉選項的指導原則收斂到一個選項,而不是列出一串都想要的清單。案例是 2000 年 Netflix 對 Blockbuster 的反向定位(counter-positioning)經典戰役——Blockbuster 當年靠逾期費賺進將近 8 億美元,占營收 16%,Netflix 推出無逾期費訂閱制,Blockbuster 明知道該跟卻跟不了,因為跟進等於自砍主要金流,這正是 Hamilton Helmer《7 Powers》裡反向定位的教科書案例。
2026 年 Metrics & Analytics 面試輪最大的轉變，是從單純的漏斗診斷題變成『指標衝突』題——面試官丟出兩個同時變動、方向相反的數字，考的是你能不能找出背後共同的根因，而不是逐層檢查漏斗哪裡出問題。今天練一道真實題：『YouTube 的留言數上升，但觀看時長下降，你會怎麼做？』答案骨架是把兩個指標都拆成『北極星是哪些輸入變數的函數』，去找有沒有一個輸入變數同時驅動了這兩個相反的結果——例如推薦演算法最近把更多高爭議性短片推上首頁：這類影片天然引發留言戰，讓留言數上升，但使用者點進去發現文不對題、看沒多久就關掉，時長因此下降。案例是 LogMeIn 早期的真實故事：公司一度只看「新註冊使用者數持續成長」這個漂亮的數字，直到 Sean Ellis 帶隊把北極星指標改成『遠端遙控連線次數』才發現，95% 的新註冊使用者從沒建立過一次連線——signup 上升的同時，真正拿到產品價值的使用者比例低到嚇人,這正是今天題目要考的『活動量指標上升,不等於使用者拿到價值』的真實版本。
Product Sense 面試最容易在『痛點』跟『方案』這兩步卡住——痛點講不出三個真正不同的,方案想出來的三個選項其實是同一個點子換三種介面。今天用 Aced（原 Exponent）2026 年版整理的六步框架：釐清問題→公司策略→選使用者 segment→找痛點→想方案→定 MVP，重點放在後面兩步的兩個工具：找痛點時用時間／金錢／動機／信任安全四個桶子逼自己找出三個真正不同根因的痛點,想方案時用『產品切面』（AI 軟體、硬體、平台網路、情境感知、登月級)確保幾個方案不是同一個點子的不同外殼。練習題是 Meta 2026 年面試候選人回報的真題:『你被指派負責一個全新的志工媒合產品,你會怎麼做?』,拆解示範如何從『志工』這麼大的題目收斂到一個具體 segment（想跟朋友一起做、而不是獨自報名的年輕都市工作者),並示範痛點不能只停在『不知道去哪裡找機會』,還要抓到『沒有同伴督促就很難堅持第二次』這個動機層的根因。案例是 Peloton 2018 年的真實決定——發現會員年度調查裡大家抱怨缺變化,但硬體售價(單車 1,995 美元、跑步機 4,000 美元)把一整群只想要內容、不想買硬體的使用者排除在外,於是把課程內容從硬體拆出來,推出每月 19.49 美元的 Peloton Digital,目標把會員完課率從 36% 推高到 60% 以上。
Behavioral 面試考的不是「你有沒有故事」，是「你的故事裡誰在做決定、憑什麼做」。今天用 STAR（Situation-Task-Action-Result）定位故事骨架，再用 SBI（Situation-Behavior-Impact）把「對方的具體行為」跟「這行為造成的影響」拆開，練一道 Meta PM Leadership and Drive 面試裡近期候選人回報的真題：『說一次你說服了一個優先順序跟你不一樣的同儕的經驗』。案例是 Brian Chesky 2020 年 5 月那封宣布裁撤 25% 員工的信——它被反覆引用為『怎麼在最壞的消息裡維持透明與尊重』的範本，剛好是這週 Strategy、AI Product、Technical PM 幾篇都在練的『怎麼把一個艱難決定講清楚』的終極版本。文末附本週七篇主題回顧表與下週預告。
Technical PM 面試裡最難的不是畫出架構圖，而是在工程團隊意見分歧時，怎麼把決策過程變成一份大家都能回頭查的文件。今天練一道來自 Exponent/Aced 真實面試題庫的系統設計題：『設計一個偵測 Amazon 評論濫用的系統』，用 RFC → 決策矩陣 → ADR 的框架拆解——先寫 RFC 讓每個選項的取捨攤在陽光下，再用一張決策矩陣把抽象的『怎麼選』變成具體的評分標準，最後用 ADR 把『為什麼選這個』留下紀錄，而不是只留下『選了這個』的結論。案例是流傳已久但從未被正式證實出處的 2002 年 Bezos API Mandate——傳說 Amazon 內部強制所有團隊只能透過服務介面溝通、禁止任何後門，這個決定意外變成 AWS 的起點。
今天練 Growth PM 的答題骨架：先定義成長指的是獲客、留存還是付費，再用 AARRR 拆漏斗、判斷產品是靠漏斗還是靠迴圈成長；診斷漏點要先分群再下假設，排序實驗用 ICE，主指標一定要配領先指標與防呆的 guardrail。練習題是 Suno 的留存掉點題，案例是 Calendly 的病毒迴圈——約時間這件事雙邊同時卡住，這種條件大多數 B2B 產品學不來。
今天練 AI 產品的品質定義：AI PRD 比一般 PRD 多六段，其中 eval 計畫就是驗收標準；eval 從讀真實 trace 做錯誤分析開始，依「次數 × 對客戶的代價」排序，只替前幾名錯誤寫 eval，檢查方式從最便宜的 code assertion 開始；上線門檻要在看到結果前先寫好，而且分成「零容忍」與「可接受比例」兩類。練習題是 AllthingsPM 題庫收錄的 Perplexity 題，案例是 Intercom Fin 把計費單位從 resolution 改成 outcome。
Strategy & Execution 面試題最容易讓人掉進的陷阱，是看到『競爭對手功能更好』就急著列一堆『我們也要做』的功能清單，卻沒有先問這場仗真正在哪個戰場打——是功能差距，還是商業模式本身就被對手的免費贈品壓垮。今天練一道真實的 Google PM 面試題：『你是 Zoom 的 CPO，面對 Google Meet 的激烈競爭，你會怎麼做？』答案骨架用六步框架——先釐清時間範圍與『贏』的定義，再錨定 Zoom 真正靠什麼賺錢（企業席次訂閱與黏著度，不是視訊畫質），接著拆穿真正的威脅其實是 Google Meet 被免費綁進 Workspace 的零成本通路優勢，不是功能落後；再設下『不跟著拼免費視訊規格』這類會排除選項的原則，篩出方案、拍板並主動點出最強的反對意見。案例是 Zoom 自己在 2025 年 9 月做的真實選擇：把 AI Companion 開放給使用者在 Microsoft Teams、Google Meet 上也能用，不要求對方先換到 Zoom——等於承認『贏視訊會議』已經不是正確戰場，改把自己定位成跨平台的工作智慧層。
Metrics & Analytics 面試裡最容易被題目牽著走的陷阱，是面試官先丟出一個「聽起來合理」的指標（像平均觀看時長），然後問你要怎麼拉高它——但真正該做的第一件事，是先質疑這個指標本身對不對，而不是急著想方案。今天練一道真實的面試案例題：「Netflix 想要拉高平均觀看時長，這是對的指標嗎？」答案骨架用指標樹三層架構（北極星→輸入→護欄）搭配 vanity metric 三問——數字上升代表使用者真的拿到更多價值嗎、團隊能解釋並影響驅動它的因素嗎、有證據連結長期結果嗎——先拆穿「觀看時長變長」可能是使用者找不到想看的內容、在首頁瞎滑（decision paralysis），而不是真的更滿意。案例是 Atlassian 的 Rovo 企業搜尋：他們把北極星指標定義成 Query Success Rate（使用者是否真的找到答案，融合點擊、停留時間與按讚倒讚），並把「相關性」當成護欄指標，而不是直接拿搜尋量或查詢次數當目標——正是今天題目要考的『別把活動量誤認成價值』的真實版本。
Product Sense 面試裡最容易踩的陷阱，是看到一組『數字很漂亮』的使用者 segment，就直接跳去想『要幫他們做什麼新功能』，卻沒有先問『這群人現在到底是被滿足了，還是只是沒有更好選擇』。今天練一道情境題：Instacart 資料顯示 35–44 歲、家有小孩的訂閱家庭訂單頻率與客單價都明顯高於其他族群，但 App 裡完全沒有為這群人設計的介面。答案骨架用使用者問題框架（現況→痛點→根因→機會）先把『高頻高單』跟『需求被滿足』拆開討論，再用 Reach × Underserved Degree 矩陣判斷這個 segment 現階段真正的優先順位，避免把『已經做得不錯的地方』誤判成『還有大機會的地方』。案例是 Airbnb 的 Categories——2022 年把首頁搜尋改成瀏覽 56 種小眾住宿主題（樹屋、城堡、小島），用 ML 加人工把六百萬筆房源裡的四百萬筆分類進去，成功讓原本『沒人知道自己想要』的小眾住宿需求被看見；但 2023 年 Airbnb 擴張成 Homes、Experiences、Services 三大產品線後，Category search 的效用跟著下降，2025 年 9 月被正式收掉，換成傳統搜尋框加三個分類頁。
Behavioral 面試裡最常漏分的不是故事不夠精彩，而是講到『沒做到的那次承諾』時，忙著替自己辯護，沒先把責任切清楚。今天練一道 Amazon PM Bar Raiser 真題：『說一次你沒能達成承諾的經驗——原因是什麼、造成了什麼影響、事後你會怎麼做不同？』答案框架是 STAR 搭配一個額外動作：把『當時能控制的決定』與『不在你控制範圍內的外部因素』明確切開，再講清楚事後改了什麼系統性流程，而不只是『我學到了』。案例是 Netflix 2011 年的 Qwikster 事件——Reed Hastings 宣布把 DVD 租借拆成獨立品牌 Qwikster 後單季流失約 80 萬訂閱戶、股價從高點重挫近 77%，三週內被迫撤回分拆決定並公開承認『搞砸了』，這正是『公開承認失敗、快速止血、保留信任』的真實教材。
Technical PM 面試考 API 設計，真正要看的不是你會不會畫架構圖，而是你怎麼在『不能打斷任何一個現有整合』的前提下，還能讓系統往前走。今天練一道改編自 Stripe 真實歷史的題目：『你要把一個布林欄位換成列舉欄位，但已經有數千個第三方整合依賴舊格式，你會怎麼規劃這次變更？』答案框架是 Use Case → Contract → Compatibility → Operability → DX：先搞清楚誰在呼叫、呼叫的契約是什麼，再決定相容策略、維運成本與開發者體驗怎麼兼顧。案例是 Stripe 自 2011 年公司成立起維護所有 API 版本的相容性，不用 v1/v2/v3 大版號，改用以日期命名的 rolling version，把每次破壞性變更封裝進獨立的 version change module，六年內做了近百次破壞性升級，對現有整合幾乎無感。
Growth & Experimentation 面試真正在考的不是會不會跑 A/B test，而是看到一個漂亮的提升數字時敢不敢先問『代價是什麼』。今天練一道 Stripe、Notion、LinkedIn 都設過的 Growth PM 面試陷阱題：『你的 A/B 測試顯示啟用率（activation rate）提升 12%，要不要上線？』答案框架是替每個實驗配對 Primary Metric 與 Guardrail Metric——如果啟用門檻被悄悄降低，這週數字很漂亮，下個月流失率就會補繳回來。案例是 Auth0 讓 Growth Marketing 與 Developer Productivity 兩個團隊互相審查彼此的實驗設計，第三次「Product Tour」實驗裡主動幫自己加了一個原本沒人要求的 drop-off 守門指標，才沒有把啟用率衝高卻把真正想要的使用者趕去別處。
AI Product Design 面試常考的不是『要不要做人機協作』，而是『這個任務到底該交給 AI 還是留給人』的具體拆解能力。今天練一道 Amazon AI PM 面試真題：『上線前三週，模型評估顯示在邊緣案例上有明顯的幻覺比例，你的下一步是什麼？』答案框架是 Human-AI Task Allocation：先用『錯誤代價』與『使用者能否自行核查』兩個維度，把功能拆成 AI 自主執行、AI 輔助加人工審核閘、人類主導三個桶，再決定要不要為了邊緣案例延遲整個上線。案例是 WorkStep 的『Retain』產品：客戶每月收到上千則員工意見，人根本看不完，Neuron 重新設計後讓 AI 負責掃描跟安全、騷擾、歧視相關的字詞把留言挑出來，但『怎麼回應』完全留給人——這個分工讓客戶規模一年內成長近 400%。
Strategy & Execution 面試最容易漏分的地方，不是分析不出市場結構，而是分析完五力之後，還是提出一個跟市場龍頭正面對撞的方案。今天練一道 Google Product Strategy 面試真題：『如果你是 Bing 的 PM，Google 握有壓倒性的搜尋市占率，你要怎麼讓 Bing 的市占率成長？』答案框架先用波特五力分析拆解搜尋市場的結構性限制——尤其是新進入者障礙（資料與通路）跟替代品威脅（AI 聊天機器人直接取代搜尋）——再用 TAM-SAM-SOM 把『市占率成長』收斂成『哪一群使用者在哪個通路上，Bing 其實已經握有結構性優勢』。案例是 Avis：1960 年代身為租車業老二，Avis 沒有正面比車隊規模或據點數，而是打出『我們是老二，所以更努力』,把結構性劣勢直接講成服務動機的證明,這個定位撐住了接下來二十年的市占成長。這正是題目要考的『身為市場挑戰者,不對稱定位比正面迎戰更划算』的真實版本。
Metrics & Analytics 面試裡最容易漏分的不是選不出北極星指標，而是選完就結束，沒有同時講出『把資源押在這個指標上，會在哪裡付出代價』。今天練一道 Meta PM 分析思考面試真題：『幫 Instagram Reels 定義一個北極星指標，並說明如果把資源優先給 Reels、犧牲 Stories，會有什麼取捨？』答案框架用北極星指標三要素檢驗法——反映核心價值、是領先指標、團隊能直接影響——先選出候選指標，再用護欄指標配對法替每個候選指標找出『被過度優化時會先出事的那個數字』。案例是 Meta 自己：根據 Sensor Tower 數據，Reels 廣告占 Instagram 全部廣告庫存的比例從 2024 年的 35% 衝到 2025 年超過一半，美國使用者在 Instagram 上花在 Reels 的時間占比也從 37% 漲到 46%，日活躍使用者成長 2% 主要由 Reels 帶動——這正是題目要考的『把籌碼押在一個格式上,整體時間池會怎麼被重新分配』的真實版本。
Product Sense 題目裡最容易翻車的不是想不出功能，而是在資源有限時說不出『為什麼先做這個、不做那個』的具體理由。今天練一道真實面試題：『一個社群 App 在青少年族群中成長中，但工程資源有限，身為 PM 你要怎麼排序 stories、活動、個人檔案、訊息、分析這五個功能？』答案骨架延用 CIRCLES——先問清楚情境與限制，鎖定要服務的使用者，找出真正需求，再用清單列方案——但這次把『Cut 列方案』到『Ladder 排優先序』這兩步換成 RICE 評分法：Reach（觸及多少使用者）、Impact（對每位使用者的影響程度）、Confidence（這個估計有多少把握）、Effort（要花多少工程成本），四項算出一個分數，讓排序從『感覺哪個重要』變成可以被挑戰、可以重現的數字。案例是 Intercom 自己——RICE 正是 2018 年 Intercom 產品經理 Sean McBride 在公司內部部落格發表的框架，起因是團隊排 roadmap 時長期被『聲音最大的人』主導，缺乏一致的比較基準，於是他們把四個因素做成一套可重複使用的計分法，後來變成全產業最常用的優先序框架之一。
Behavioral 面試考的不是你有沒有衝突故事，而是你敢不敢講一個真的有張力的衝突、清楚呈現自己的立場與證據，並且在決定 commit 之後是真的全力執行而不是消極抵抗。今天的框架是 STAR（把 60% 篇幅放在 Action 與 Result，而非 Situation/Task）加上 Amazon「disagree and commit」這個決策原則。練習題是「你曾經跟主管意見不合過嗎，後來怎麼處理」，拆解思路是先挑一個真實且雙方都有理的衝突、具體敘述自己的立場與根據的數據、呈現決定 commit 的那個轉折點、交代之後怎麼全力執行、最後定義衝突落幕後的結果與自己學到什麼。案例是 Jeff Bezos 在 2016 年股東信裡親自示範的 disagree and commit：他對 Amazon Studios 一部原創劇的商業條件有疑慮，但在表達完整意見後立刻回信「I disagree and commit and hope it becomes the most watched thing we've ever made」，讓團隊按自己的判斷往前走。文末附本週 Product Sense 到 Technical PM 六篇主題的回顧表與下週預告。
Technical PM 面試考的不是你會不會畫架構圖，而是你能不能把一個破壞性 API 變更，拆解成客戶分群、相容層設計、分階段淘汰時程這幾個具體決策，並且敢真的設一個會執行的下線日期。今天的框架是 Use Case → Contract → Compatibility → Operability → DX 五層 API 設計框架，搭配 ADR（背景→決策→後果→回頭觸發點）把決策寫下來。練習題是「如何規劃一個破壞性授權變更的 API 淘汰計畫」，拆解思路是先釐清變更性質、用呼叫量數據把客戶分群、評估相容層的可行性、分四階段淘汰（警告→溝通→軟性截止→下線），最後用流量遷移率當領先指標。案例是 Stripe 從 2011 年至今用日期命名版本與版本轉換模組，讓每個帳號在第一次呼叫時自動釘選版本，之後所有破壞性變更都由內部轉換模組吸收，開發者可以永遠留在自己被釘選的版本上；2024 年 9 月起進一步把節奏公開為每月小版本、每年兩次大版本。
Growth & Experimentation 面試考的不是你會不會跑 A/B test，而是你會不會先找出對北極星指標影響最大的槓桿，再把資源集中在那裡做實驗，而不是同時改十個地方碰運氣。今天練一道 OpenAI Growth PM 面試真題：『如果要設計一個實驗或功能來幫助新使用者完成 ChatGPT 的 onboarding，你會怎麼做？』答案框架是把使用者拆成 new／current／reactivated／resurrected／inactive 五種狀態，估算每條轉移路徑對日活躍使用者數（DAU）的影響，再把實驗火力集中在影響最大的那條路徑上。案例是 Duolingo 2018 年用同一個模型找出 Current User Retention Rate 是次佳槓桿的五倍大之後，把連勝規則從「達到每日目標才能延續」改成「完成一堂課即可延續」，A/B test 結果是 Day 14 retention 相對提升 3.3%，整體 DAU 提升 1%，20 天後仍有連勝的使用者比例提升 10.5%——四年內把這個指標拉高 21%，DAU 成長了 4.5 倍。
AI Product Design 面試考的不是你懂不懂 LLM，而是你會不會把『信任』當成可以設計、可以量測的介面問題。今天練一道 OpenAI PM Stakeholder 面試真題：『如何為一個能代表使用者採取行動的 AI 系統設計安全機制？』答案框架是 Trust Calibration：先用可逆性與信心水準把動作分級，再用漸進式授權、計畫預覽、二元信心標示三個介面手法讓使用者的核准歷史決定系統能拿到多少自主權，而不是上線第一天就給滿權限。案例是 ClyHealth 臨床 AI 儀表板：醫師一開始拒絕使用只給建議、不給理由的系統，重新設計成一次只顯示一個建議、旁邊放證據面板、底下留一鍵覆蓋鍵之後，模型準確率沒變，但介面透明度的改變讓拒用變成採用。
Strategy & Execution 面試最容易翻車的地方，不是講不出框架，而是一聽到『對手推出功能』就直接跳進『我們也要做』的軍備競賽，沒有先判斷這是不是真正該打的戰場。今天練一道 HighLevel（GoHighLevel）2026 年真實候選人面試題：『競爭對手推出一個功能，你的好幾個頂尖客戶都在要求，你怎麼辦？』答案框架用 Porter's Five Forces 判斷這是替代品的短期噪音還是產業結構正在改寫，再用 TAM-SAM-SOM 檢查這功能是擴大市場還是只是搶同一塊餅，最後用機會成本做出跟、做不同、或不做的取捨。案例是 Corteva：把種子基因事業分拆成 Vylor，靠的不是新產品，而是一份十年技術路線圖，把自己從『被授權的技術跟隨者』重新定位成『收權利金的技術授權方』，用商業模式的護城河取代單一功能的軍備競賽。
Metrics & Analytics 面試最容易翻車的地方，不是算不出數字，而是拿到一個看似合理的指標就直接開始優化，沒有先問『這個指標漲了，對業務一定是好事嗎？』。今天練一道指標評估題：『Netflix 想提高使用者的平均單次觀看時長，這是正確的指標嗎？』答案框架用指標樹：先定義北極星指標、拆出驅動指標與護欄指標，再判斷單一指標的漲跌背後可能有好壞兩種成因。案例是 Netflix 自己——2026 年 Q2 股東信裡承認『engagement 不只是觀看時數的量，還包含內容的品質與多樣性』，並把行之兩年半的半年度觀看時數報告改成一年一次，等於公開示範了『指標漲了不代表故事漲了』這件事。
Product Sense 面試最容易翻車的地方，不是想不出解法，而是一聽到題目就跳去列功能清單，卻沒有先把「使用者到底在哪一步卡住」講清楚。今天練一道情境題：Rox 候選人回報的真實提問——『我們的分析儀表板顯示了很多數據，但我們懷疑許多使用者並沒有從中得出可執行的洞察，你會怎麼做？』答案框架用 CIRCLES：先釐清情境與限制、鎖定要服務的使用者、找出他們真正的需求、再用清單列方案、逐一取捨、最後收斂成一個推薦方案並定義成功指標。案例是 ConvertKit——一家自力成長到年營收 4100 萬美元的 SaaS，發現創作者面對通用的靜態報表頁完全不知道下一步該做什麼，於是在 2021 年把儀表板改成依帳號個人化呈現訂閱者成長、信件成效與到達率的摘要，讓「有數據」真正變成「有行動」。
行為面試最容易翻車的地方，不是想不出故事，而是把「失敗」講成一句委屈的辯解，卻答不出自己後來具體改了什麼決策流程。今天練一道情境題：monday.com 近期候選人回報的真實提問——『說一個你負責的專案最後失敗了，後來你怎麼做』。答案框架是 STAR 定骨架、SBI 補血肉：先用 Situation-Behavior-Impact 把「當時發生了什麼、我做了什麼、造成了什麼影響」講清楚，再用 STAR 的 Result 段落補上一句「後來我把這件事變成了什麼機制」，讓面試官聽到的不是一次性反省，而是可複製的改進。案例是 Instagram 的前身 Burbn——一個塞滿打卡、遊戲化、訊息功能卻沒人用的失敗產品，團隊沒有辯解「使用者還沒理解我們的願景」，而是直接砍掉所有功能只留下照片分享，兩週內衝上 2.5 萬使用者。
Technical PM 面試最容易穿幫的地方,是被問「這個 API 要怎麼升級」時,只會說「多寫一版文件」,答不出工程團隊維護雙版 schema 的實際成本,也答不出怎麼幫還沒升級的客戶爭取時間卻不拖垮整個團隊的路線圖。今天練一道情境題:B2B API 平台的核心 resource 要把單一數字欄位改成巢狀物件以支援多幣別,工程 lead 想直接在下一版強制升級。答案框架是 RFC 流程(Problem → Options → Decision → Cost)把技術決策攤開來討論,搭配 ADR 把「為什麼選這個方案、放棄了什麼」寫成有時效性的紀錄。案例是 Stripe 的日期命名 API 版本系統——每月發相容版本、每半年才發一次可能有 breaking change 的具名大版本(如 2026-08-26.dahlia),讓 2012 年寫的整合程式碼到今天都還能跑,靠的不是「不做 breaking change」,而是把 breaking change 的成本主動吸收在自己身上,而不是丟給客戶。
Growth PM 面試最容易被拆穿的地方,是把「病毒循環」講成一句「讓使用者邀請朋友」,卻答不出這個循環會不會被使用者當成雜訊、也答不出用什麼指標判斷這個迴圈值不值得繼續投資。今天練一道情境題:B2B 專案管理 SaaS 成長趨緩,CEO 想要一個不靠付費廣告的成長引擎,產品裡使用者本來就會建立任務、匯出週報給客戶。答案框架是 Hook Model(Trigger-Action-Variable Reward-Investment)檢查既有重複行為能不能自然變成觸及外部人的節點,搭配 Growth Loop 思維把「一次性漏斗」改造成「會自我補充的迴圈」。案例是 Fyxer——一個四人成長工程團隊,一年跑了 541 次實驗、勝率只有 25%,靠著把「使用者已經在重複做的動作」逐一測試能不能變成成長迴圈,把 ARR 從 100 萬美元衝到 3500 萬美元,同時也真實地砍掉了一個「聽起來很聰明但使用者覺得是雜訊」的循環。
Metrics 面試最常見的陷阱,是把「哪個指標漲了」直接當成「這個決策是對的」,卻沒有先分清楚北極星指標、驅動指標跟護欄指標分別在保護什麼。今天練一道情境題:A/B 測試顯示新結帳流程讓營收上升,但客戶滿意度分數下降,面試官問「你會怎麼決策」。答案框架是先用指標樹釐清北極星、驅動、護欄三層指標的角色,再深挖滿意度下降背後的機制(是不是退貨率、投訴率也一起變差),而不是只看一個指標的漲跌就拍板。案例是 Netflix 前 CPO Neil Hunt 帶隊做封面圖 A/B 測試時,選定「90 秒內抓住使用者注意力」當唯一北極星指標——光是幫電影《The Short Game》換一張小孩打高爾夫球的封面圖,點擊轉換率就漲了 14%,而公司刻意不讓單集熱度、總體觀看時數這些次要指標搶走最終決策權。
Product Sense 面試最常見的陷阱,是看到「使用者成長停滯」就直接跳去列一串新功能,卻沒有先分清楚問題出在哪個環節。今天用 CIRCLES 框架練一道情境題:生鮮外送 App 新使用者簽約數持續成長,週活躍使用者卻連兩季持平。答案框架是先用漏斗拆解定位問題環節,再用使用者問題框架(現況→痛點→根因→機會)深挖,而不是急著提方案。案例是 Slack 從使用者行為數據裡挖出「團隊發送滿 2000 則訊息」這個門檻——跨過這條線的團隊有 93% 機率長期留存,這個洞察直接重塑了 Slack 的 onboarding 設計,把「教使用者用完整功能」換成「催團隊儘快衝過活化門檻」。
Technical PM 面試最容易被看穿的地方,是把版本策略講成一句「我們會做 v1、v2」,卻答不出誰該承擔升級成本、多久允許一次 breaking change。今天練一道情境題:企業合約要求 API 六個月內穩定不能無預警改格式,工程團隊目前沒有版本管理。答案框架是版本策略選項比較(路徑版本、header 版本、日期滾動版本)搭配 Cost-Reversibility 權衡矩陣,把每個選項的工程成本與客戶風險攤開來比。案例是 Stripe 用日期命名的滾動版本策略——每月版本只允許相容變更、每半年一次大版本才准破壞相容性,且每個帳號可以釘住自己的版本,讓 API 十幾年沒有真的「壞」過任何一個整合。
Growth PM 面試最常見的失分點,是把留存下滑直接跳到「發通知」「改 onboarding」這類戰術,卻沒先確認留存的量測單位對不對、下滑的原因是哪一種。今天練一道情境題:協作工具第 4 週工作區留存率下滑,CEO 要一份能證明實驗值得做的計畫。答案框架是留存測試簡報(先定義有意義的回訪事件,再寫出對立解釋,最後才選介入方案)搭配指標樹把實驗結果接回營收語言。案例是 Fanatics 拒絕把一個看起來打贏、但行為鏈沒有真的移動的實驗結果直接算成勝利,重新跑一次才發現是平的。
AI 產品設計面試最容易失分的地方，是把『human-in-the-loop』講成單一開關——要嘛全自動要嘛全人審。今天練一道 Sierra PM 面試真題：企業客戶要求全面管控 agent 回覆，ML 團隊說限制太多會傷害模型品質，怎麼解？答案框架是自主性階梯（suggest → confirm → execute）搭配依風險分級的granular consent，而不是一刀切的限制。案例是 Gemini Gmail 草稿卡片——AI 可以寫，但『送出』永遠是人類的按鈕。
當底層技術被開源模型追平,面試官要看的不是你能不能講出一個護城河候選,是你會不會先用 Porter's Five Forces 定位壓力來自哪一方,再用 TAM-SAM-SOM 判斷轉向垂直市場的機會大小。今天練一道自擬考題——AI 應用公司在模型商品化壓力下該怎麼排 roadmap 優先順序,案例是 Anthropic 收購生技 AI 公司 Coefficient Bio,把可防禦性從『用哪個模型』轉移到『擁有哪個垂直領域的資料與工作流整合』。
Metrics 題裡最容易漏分的不是『你講不出可能的原因』,是講原因講到一半就開始猜,沒有系統性地把可能性排除乾淨。今天用 Google PM 面試官自己公開的根因排查六維度——production bug、UI/UX 改動、rollout 問題、使用者行為轉移、季節性、外部因素——練一道 Google PM 面試真題『YouTube 留言互動在過去 24 小時內下滑,你的下一步是什麼』,搭配 AARRR 先定位這個指標在漏斗的哪一段。案例是 Airbnb 在 S-1 公開說明為什麼北極星指標是『訂房晚數』而不是訪客數或房源數——因為訂房晚數沒辦法靠灌水的方式做假,一動就代表房客跟房東真的都得到了價值。
Product Sense 題最常見的失誤，不是想不出功能，是跳過『使用者是誰、他們真正卡在哪裡』直接開始列功能清單。今天用 CIRCLES 框架練一道 Google PM 面試真題——『你是 Waymo 的 PM，設計一個新功能』，重點放在 Comprehend 跟 Identify 這兩步怎麼問對問題，而不是急著給方案。案例是 Slack 怎麼從一款失敗的遊戲 Glitch 裡，靠團隊內部真正離不開的溝通工具長出來——示範『觀察使用者實際在用什麼』比『問使用者想要什麼』更接近產品洞察的核心。
『說一次你失敗的經驗』最容易垮的地方，不是你講不出一次真的失敗，是你講完之後聽起來像在甩鍋給外部因素，或是攬下不屬於你的責任、又或者教訓講得太空泛。今天在 STAR 之外疊一層 Amazon Bar Raiser 輪的四個檢查點——self-awareness、ownership under failure、reflection and learning、judgment under ambiguity——練一道 Amazon PM 面試真題『說一次你沒能兌現承諾的經驗』。案例是 Amazon Fire Phone 上市失敗、認列 1.7 億美元庫存減損之後，Bezos 怎麼要求主責主管『一分鐘都不准良心不安』，而團隊真正把教訓用在後來的 Echo／Alexa 專案上，示範『反思』要有具體證據，不能只是嘴上說說。文末附本週回顧與下週預習方向。
Technical PM 題最常見的失分點,是把技術判斷講成「工程說了算」或「我全部自己決定」,講不出怎麼把決策過程開放給團隊、又不失去方向。今天用 RFC 流程收斂多方意見、用 Architecture Decision Record 留下決策的來龍去脈,再練一道「合作夥伴系統逾時後自動重試,造成重複下單」的 API 設計題——怎麼設計讓重試變安全,又怎麼知道修好了。案例是 Stripe 的 Idempotency-Key header:同一個問題,他們在支付 API 上已經解了十年,至今仍是這類題目最常被拿出來對照的答案。
AI Product Design 題最常見的失分點,是把「要不要用 AI」講成信仰題,講不出具體哪類任務可以放手、哪類必須留人。今天用風險×信心矩陣把任務分成可自動、需覆核、必須人在場三區,再用漸進式委任設計「使用者何時願意放權給 AI」的節奏,練一道「維運團隊不願意讓 AI 自主執行多步驟任務」的設計題。案例是 Gusto 的 AI 產品 Cofounder 團隊在 2026 年 9 月公開說明:AI 主持訪談只用在範圍窄、風險低的評估性研究,深度研究一律留給真人研究員。
Strategy 題最容易講成空話的地方，是只會說「我們有先發優勢」或「市場很大」，卻講不出具體是哪個對手的哪個弱點、公司手上哪個資產能真的轉成護城河。今天用 Porter's Five Forces 判斷值不值得打這場仗、再用 TAM-SAM-SOM 把市場切成可執行的第一步，練一道「公司要不要切入已經有兩三個強力對手的市場」的策略題。案例是 Figma 在 2021 年推出 FigJam 正面迎戰白板協作龍頭 Miro，示範後進者怎麼不拚功能對功能，改用既有使用者網路當差異化武器。
Metrics 題最容易失手的地方不是講不出指標，是講出一個聽起來合理、卻沒辦法回答『這個指標漲了代表什麼』的名詞。今天用 Lenny Rachitsky 整理的六類北極星指標框架收斂候選範圍，再疊一層指標樹把北極星拆成 output／input／guardrail，練 Meta PM analytical thinking round 常出現的『幫 Instagram Reels 定義北極星指標，並說明如果資源傾向 Reels、犧牲 Stories 會有什麼取捨』。案例是 Netflix 從 DVD 準時到貨率換到串流 15 分鐘觀看率、再換到每月觀看時數中位數的三次北極星指標轉向，示範指標怎麼跟著策略走。
Product Sense 題最常見的失手不是想不出方案，是分群分得太籠統、卡在『所有旅客都想要更順暢的體驗』這種空話。今天用 CIRCLES 框架收斂範圍，再疊一層 JTBD（Jobs-to-be-Done）把痛點寫成『情境 + 動機 + 現有替代方案的不足』，練 Google product sense screen 常出現的『幫機場旅客設計一個產品』題目。案例是 Rahul Vohra 怎麼用『如果不能再用這個產品你會有多失望』的四問卷調查，把 Superhuman 的產品市場契合度從 22% 拉到 58%，示範怎麼用具體分群取代直覺猜測。
衝突類 behavioral 題最容易垮的地方，不是你有沒有處理過衝突，是你講對方的時候聽起來像在告狀還是在講事實。今天用 SBI 框架（Situation-Behavior-Impact）練怎麼客觀描述另一個人的行為與影響，搭配 mockround.ai 整理的 PM 專屬衝突題「跟跨部門關係人有衝突，你怎麼處理」，案例是 Reed Hastings 在 Qwikster 事件裡怎麼公開認錯、又在三週內全盤逆轉決策，把一場公關災難收斂成一次可信的當責示範。文末附本週六天回顧與下週預習方向。
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。
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?
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。
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。
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。
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。
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。
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。
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 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。
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』。
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。
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%。
Behavioral 面試不是考你有沒有故事，是考你會不會挑故事——同一個「搞砸了」的經驗，講成 Failure Story 還是 Problem Story，決定面試官讀到的是「你在推卸」還是「你在扛責任」。今天練 STAR-R 框架（比傳統 STAR 多一步 Reflection），題目是「無授權下如何影響決策」，案例是一位電商 PM 在黑五前四週把承諾的營收功能砍掉、轉去修系統穩定性的真實決策。
Technical PM 面試考的不是你會不會畫架構圖，是你會不會在畫圖之前先講清楚限制條件。今天練 Clarify → Estimate → Sketch → Trade-off → Mitigation 五步結構，題目是 Google 真實面試題「設計企業版 Google Keep」，案例是 Uber 一則 latency vs consistency 的真實工程協商故事。
Growth 面試的分水嶺在於你講的是「線性改善」還是「複利迴圈」——加一個獲客管道是行銷，讓一個用戶帶來兩個用戶才是 growth。今天練 Goal → Metric → Bottleneck → Hypothesis → Experiment → Measurement 六步診斷法，題目取自 OpenAI Growth PM 的 take-home 真題。
Strategy 面試不是考你背 Porter's Five Forces——是考你能不能在資訊不完整時做出有根據的取捨，並說服別人。今天練市場定位分析、護城河判斷、roadmap 優先序辯護，以及 stakeholder alignment 的溝通策略。