本文介绍了我基于腾讯元器智能体平台搭建的一款面向 AI 产品经理求职者的面试辅导工具。该智能体能根据岗位 JD 自动拆解考核点并生成模拟面试题,支持具体题目的解析与答题框架构建,结合知识库与联网搜索能力,帮助用户系统化、高效地准备面试,尤其适合转岗、应届或希望提升面试通过率的从业者使用。
> 越是跨“业务 + 技术”的岗位,面试准备越不应该靠刷题。AI 产品经理就是典型。
你打开一个 AI 产品岗位的 JD,里面既有业务目标(增长、转化、交付周期),又有技术名词(RAG、Agent、向量库、Prompt、评测、A/B、数据闭环),再加上“需要懂模型、懂落地、懂协同”的泛化描述。
看完最大的感受不是“我会不会”,而是*不知道从哪拆、怎么押题、怎么答得像一个真正做过的人*。
更麻烦的是:
▪ 押题没方向:刷了很多题,但不确定跟目标岗位的匹配度。
▪ 回答没逻辑:想到哪说到哪,最后变成“我了解一些/我做过一些”。
▪ 优质参考难找:面经、案例、报告散落全网,临场才去翻,效率低且容易跑偏。
所以我做了一个小型但非常“实用主义”的智能体:AI产品经理面试押题与辅导顾问。
它不想取代你准备面试,而是把最耗时间的那部分做掉:
你把目标岗位 JD 扔进去,它能拆解岗位核心考核点(尤其是大模型相关技能 + 对应业务场景),再按点押题,每个点给你“怎么答”的结构和示例。
你直接把面试题发给它,它能像一个面试教练一样,从岗位匹配度、技术专业性、落地可行性三条线,给你一套可复用的答题框架。
所有回答基于一个覆盖大部分技术和行业场景的 AI 面试题知识库.
如果知识库里命中不了,它会自动生成检索 query,走联网搜索,把“零散资料”变成你能直接复述的答案骨架。
智能体是面向产品经理的,所以肯定也应该“授之以渔”。
这篇文章分享一下这个智能体的搭建过程,帮助大家了解一下腾讯元器智能体的玩法。
智能体的体验链接在文章最后。
定位&整体交互
产品定位:它在帮谁、解决什么、做到什么程度
*目标用户:AI 产品经理求职者、应届生/转行人群、其他想提升面试通过率的从业者核心价值:“把 JD 翻译成考核点,再把考核点翻译成高概率面试题与高分回答。”能力边界与拒答策略*:▪ 智能体主模型只负责工作流调度,拒答任何问题▪ 仅支持 AI 产品经理/算法工程师相关岗位▪ 超出范围固定回复
调度层通过如下提示词约束:
作为调度员,你将接收到一段用户发来的文本,请仔细辨识文本内容,调用对应的工具来完成任务。如果用户发送的文本为岗位描述、岗位职责要求等类似 JD 的内容,调用`岗位JD拆解`这个工具/工作流;如果用户发送的文本为面试题,或者与AI大模型、智能体、Agent 等开发、设计相关问题,调用`面试题解答`这个工具/工作流;如果用户发送的文本不在以上两种类型之内(如情感陪伴、闲聊吐槽、日常生活咨询),直接告知用户“我目前只能提供AI产品经理、算法工程师相关岗位的面试辅导,其他问题请问别的智能体。”**除不符合条件的提问外,所有任务,必须调用工具/工作流来完成。你不直接回复用户的问题。**
整体交互设计:两条主路径 + 一个兜底
| 用户输入 | 触发工作流 | 用户拿到什么 |
|---|---|---|
| 发送 JD | JD拆解&面试题模拟工作流 | 拆解结果 + 按考核点押题(每点 3 题+解析) |
| 发送具体面试题 | 面试题解析工作流 | 解题框架 + 高分示例/要点 |
| 其他闲聊/无关问题 | 直接拒答 | 边界清晰,不乱输出 |
整体交互实现细节时序图如下,接下来逐个功能点拆分。
三个工作流协同
工作流 1:JD 拆解 & 面试题模拟(主流程)
*输入:用户 JD大模型节点拆解 JD 提取: ▪ 大模型相关技能要求(3 个) ▪ JD 描述的业务或期望落地场景(3 个)循环:将每个“考核点”丢给子工作流(工作流2)输出*:按考核点汇总的面试模拟题 + 回答解析
流程非常简单,直肠子一路走到底型:
输入节点(SYS.UserQuery)
↓
回复节点(后续很慢,先输出一句话稳住用户)
↓
大模型节点(JD拆解,提取技能和场景考核点,提示词在下面)
↓
参数提取节点(当前元器还不支持直接结构化输出,中转一下)
↓
代码节点(把结构化内容拼接,以便接下来输出给用户看)
↓
回复节点
↓
循环节点(工作流 2,把技能考核点转换为面试模拟题和解题思路)
↓
回复节点(告诉用户还有,别走)
↓
循环节点(工作流 2,把场景考核点转换为面试模拟题和解题思路)
↓
回复节点(完工告诉用户)
↓
结束
几个关键节点的内容:
*1.JD 拆解节点的提示词*
其中/userQuery是引入的变量
<jdContent>/userQuery</jdContent>请对以上岗位描述和要求进行深度分析和拆解,帮助应聘者更好的理解岗位要求、准备面试。我们正在讨论的AI 是“生成式 AI”技术,类似 DeepSeek、ChatGPT 等工具,而不是传统的人脸识别、自动化技术。需要注意的是,并不是所有JD 都是专业的,因为生成式 AI 技术仍处于普及中,部分招聘单位会混淆传统 AI 技术,使用类似 NLP、TensorFlow等技能要求,此类表达请忽略。你的拆解结果会被用来帮助应聘者模拟面试,请确保输出的结果可以被用来创建面试题,即他们应该是可以被转换成具体问题且能被应聘者通过描述相关项目经验和概念理解来回答。正确的输出结果:熟练掌握 RAG 技术;有AI落地相关经验;了解大模型的底层原理和能力边界……错误的输出结果:将AI新技术转化为具有市场竞争力的产品;快速理解市场……从 JD 中提取以下信息:1. 技能或者能力要求:JD 的岗位职责和岗位要求中,提到了哪些与AI 大模型或者岗位相关的能力,给出三个你认为最重要的即可。2. 业务或应用场景描述:JD 的岗位职责和岗位要求中,提到了哪些期望用 AI 来赋能的业务、场景或工作流程,给出三个你认为最重要的即可。结构化输出你的分析结果:{"summary":"对岗位的整体概述和评价,包括岗位类型(内部效率赋能还是…