AI PM 面试精华：AI 搜索的引用、深搜与指标怎么答

今日主案例：把 AI 搜索答成一个产品系统

1. 先分流意图：事实型问题走快速搜索，复杂研究型问题走深度模式。OpenAI Academy 对 search 和 deep research 的区分就是很好的例子：search 更像快速拿到最新信息，deep research 则会规划、搜索、评估来源、改写查询并综合多份材料。1
2. 再拆检索过程：Google 介绍 AI Mode 时提到 query fan-out，会把问题拆成多个子主题，同时发起多条相关查询。这个机制对应到产品表达，就是别让用户以为系统只查了一个关键词。2
3. 然后设计答案层：把结论、引用、反例和下一步追问分开。Perplexity 帮助中心说，每个答案都会包含指向原始来源的编号引用，方便用户核验和继续阅读。3
4. 最后补上失败路径：如果来源不足、来源冲突、或者问题本身需要付费库和内部数据，就别硬编完整答案。产品应该提示「当前公开来源只能支持到这一步」，并建议用户补充文件、限定网站或切换到人工复核。

我会把 AI 搜索设计成「快速答案 + 深度研究」两层。快速答案服务明确事实，深度研究服务复杂决策。底层先做意图识别和 query fan-out，再检索、排序、综合答案；前端必须把结论和来源绑在一起，让用户能看到每个关键判断从哪里来。上线时不只看点击率，还要看来源支持率、错误引用率、用户追问率和人工纠错率。

考点 1：引用不是装饰，是信任产品

我不会把引用当成页面底部的来源列表，而是当成答案可信度的一部分。每个关键判断都要能回到具体来源；如果来源只支持事实 A，模型却推到结论 B，这就是引用漂移，需要在评测里单独抓出来。

考点 2：深度研究为什么慢，慢在哪里要讲清楚

• 给用户选择权：默认快速答案，复杂任务提示「可切换深度研究，预计耗时更长」。
• 给过程可见性：展示正在拆问题、查哪些方向、已找到多少类来源，而不是一个空转进度条。
• 给中途纠偏：用户发现方向错了，可以补充约束、排除来源、上传文件或停止任务。

深度研究的慢不是 bug，而是产品承诺变了。快速搜索承诺「马上给你一个可用入口」，深度研究承诺「花更多时间换更完整的证据链」。所以我会把延迟显性化，让用户知道系统正在查什么、还能怎么纠偏，并用任务完成率和中途取消率判断这个等待值不值。

考点 3：评估别只看「答案好不好」

我会把 AI 搜索评估拆成检索、引用、答案和产品四层。检索层看有没有找对材料，引用层看证据有没有绑对句子，答案层看事实和结构，产品层看用户是否真的完成任务。这样能避免一个危险情况：用户觉得答案流畅，指标也显示使用时长上升，但事实质量正在变差。

2 个简评案例，面试时可以顺手引用

当日练习题

你负责一个面向企业销售团队的 AI 搜索助手。销售问「这家客户最近有哪些风险信号，适合推哪款产品？」系统需要搜索公开网页、公司内部 CRM 备注和历史邮件。你会怎么设计产品、权限、引用和评估指标？

1. 先问清楚使用场景：销售是在会前准备、会中实时查询，还是会后写跟进邮件。
2. 再分来源权限：公开网页、CRM、邮件分别需要不同授权；内部材料不能混进可对外复制的答案。
3. 设计答案结构：风险信号、推荐产品、依据来源、不可确认信息、下一步建议分开写。
4. 设计引用和审计：公开来源给链接，内部来源给可追溯记录；高风险建议必须保留谁查了、查了什么、用了哪些来源。
5. 设计指标：销售采纳率、会前准备耗时、错误引用率、客户信息误用率、用户纠错率，以及人工抽检通过率。

这类产品的难点不在于「搜得多」，而在于把公开信息和内部信息分清楚，把每个建议绑定到证据，并允许销售在不确定时快速回到人工判断。