CloudWave 產品經理面試講義 v3

職缺：海云智慧雲端有限公司 / 產品經理 / 月薪 68K–80K 產品線：企業儲存（S3 相容）、AI 模型部署、CDN 加速、資料中台 更新日期：2026-04-27（含 2026 Q1–Q2 競品最新動態） 閱讀方式：先看每節的「圖說」抓全貌，再讀文字細節

0. 全景：這份講義要幫你達到什麼

圖 0｜面試準備五大板塊 用一張圖記住，後面每一章對應一塊。

核心訊息：2026 PM 面試已經全面 AI 化。會背框架不夠，要能展現 judgment + hands-on。

1. 公司產品線拆解（10 分鐘把 CloudWave 看懂）

CloudWave 主打「次世代雲端解決方案」，本質是 B2B 雲端服務商，鎖定「企業客戶買不起 hyperscaler、又不想自架機房」的中段市場。

圖 1｜CloudWave 四條產品線地圖

表 1｜每條產品線一句話定位

面試官期待你：能說出每條線「賣給誰、解決什麼、跟誰競爭、怎麼差異化」——不是只會背名稱。

上場前一週功課

• 上 cloudwave 官網讀 pricing、product、blog
• LinkedIn 搜「CloudWave Taiwan」看主管背景
• 想清楚「為什麼選這家、不去 Cloudflare 台灣 / iKala / 91APP / Appier」

2. 技術背景速成：四大領域要懂多少

圖 2｜PM 對技術掌握度的目標水位 你不需要寫 code，但要能跟工程師對話不被嗆。

這份職缺的目標水位：4 條產品線全要到 5 分（懂 trade-off），主帶的那條要到 7 分（能畫架構）。

2.1 物件儲存（Object Storage）— 最該熟的一塊

圖 3｜三種儲存型態 vs 使用場景

              使用場景
                |
   ┌────────────┼────────────┐
   |            |            |
Object       Block         File
(S3 那種)   (VM 硬碟)    (NFS)
   |            |            |
備份/媒體     資料庫       共享資料夾
log 收集     高效能 IO    辦公室文件
冷資料       VM 系統碟    內部協作
   |
CloudWave 主戰場

S3 相容性是 B2B 儲存的最低門檻——客戶現有工具（aws-cli、boto3、s3fs）不用改 code 就能接。

關鍵指標要背：

• 容量 / 頻寬 / IOPS / Latency：日常效能
• Durability（11 個 9 = 99.999999999%）：每年遺失 1 byte 的機率
• Availability（99.9% / 99.99%）：服務時間百分比

2026 競品 Pricing 對照（Q1–Q2 最新）

2026 重大動態（必知）

• Wasabi 募資 $7000 萬美元（估值 $18 億），走 AI-first storage 路線
• Wasabi 收購 Seagate Lyve Cloud（2026 Q2），版圖大擴
• Wasabi Fire 上市：高效能 SSD 儲存，專為 AI 訓練 / 推論

面試可問 CloudWave 的技術題

• 你們儲存是不是 S3 100% 相容？哪些 API 還沒實作？
• Egress 怎麼計？跟 Wasabi（免費）、R2（免費）比？
• 有沒有 lifecycle policy（自動把冷資料降階）？
• 跟 Wasabi Fire 那種 AI-optimized SSD 比，IOPS / latency 怎麼樣？

📖 延伸閱讀：雲端儲存術語表 — 把 S3 相容、Egress、IOPS 與 pricing 一次補齊

2.2 AI 模型部署（Model Serving）

圖 4｜AI 模型生命週期：訓練 vs 推論

[訓練 Training]              [推論 Inference]
   一次性                       天天跑
   超貴 GPU                    便宜很多
   數天到數週                   毫秒到秒
   產出: model.bin             產出: API response
        ↓                            ↑
        ────────── Deployment ──────
        (CloudWave AI 模型部署的位置)

CloudWave 做的是 inference 部署，不是訓練平台。

關鍵指標：

• Latency（p50 / p99）：第 50 / 99 百分位的延遲
• Throughput（QPS / tokens-per-sec）：每秒處理量
• GPU 利用率：成本控制核心
• Cold start：閒置後第一次請求的延遲（serverless 痛點）

2026 競品格局（重大變化）

圖 5｜AI 推論市場格局

最重要動態：Replicate 2025-11 被 Cloudflare 收購，整合進 Workers AI。Cloudflare 2026「Agents Week」推 AI Gateway，單一 API 整合 70+ 模型 / 12+ provider——這是「統一推論層」的戰略動作。

面試可問

• CloudWave 是自己養 GPU 還是轉售 hyperscaler？
• 是否走「多雲 / 多 model provider routing」（類 AI Gateway）？
• 跟 Cloudflare 收 Replicate 後的整合方案比，differentiator 是什麼？
• 支援哪些開源模型？quantization / FlashAttention 有自己優化嗎？

📖 延伸閱讀：AI 推論部署術語表 — Latency、QPS、Cold Start 與 AI Gateway 速查版

2.3 CDN / Edge / AI Gateway

圖 6｜CDN 工作原理

       ┌──────[ Origin 源站 ]──────┐
       │                          │
       │    cache miss 才回源      │
       ▼                          │
  [ Edge Node 邊緣節點 ]            │
   (全球幾百個)                    │
       ▲                          │
       │  cache hit 直接回         │
       │                          │
   [ 使用者 ]                      │

關鍵指標：

• Cache Hit Rate：命中率，越高越省源站頻寬
• TTFB（Time To First Byte）：首位元到達時間
• 頻寬成本：CDN 主要計價
• 邊緣節點數：覆蓋廣度

2026 競品最新動態

圖 7｜Fastly AI Accelerator 的 Semantic Caching 概念 這是 2026 最熱的 edge AI 招式，面試可能會問。

傳統 cache（看 URL）:
   問 "今天天氣?" → cache miss → 打 LLM → cache 結果
   問 "天氣如何?" → cache miss（URL 不同）→ 又打 LLM ← 浪費

Semantic cache（看意思）:
   問 "今天天氣?" → embedding → cache miss → 打 LLM → cache
   問 "天氣如何?" → embedding → 相似度 0.95 → cache hit → 直接回 ← 省錢

面試可問

• CDN 價格能對標 Bunny.net（$1 / 月）/ Cloudflare free 嗎？
• 有 AI-aware 功能嗎（prompt cache / embedding-based edge cache，類 Fastly AI Accelerator）？
• AI Gateway 形態的 routing 層有規劃嗎？

📖 延伸閱讀：CDN / Edge 術語表 — Cache、Edge Compute、Semantic Caching 一頁補課

2.4 資料中台（Data Platform）

圖 8｜現代資料中台三層架構

   [ 來源 Sources ]
   APP / DB / SaaS API / 文件
          ↓ ETL/ELT
   [ 倉儲 / Lakehouse ]
   Snowflake / Databricks / BigQuery
          ↓ SQL / API
   [ 應用 Apps ]
   BI Dashboard / AI / ML

工具棧（PM 要認得）：Airflow（排程）、dbt（轉換）、Snowflake / Databricks（倉儲）、Looker / Metabase（BI）。

2026 重大動態

面試可問

• 資料中台有內建 LLM 嗎（像 Cortex AI SQL）？還是只 ETL + BI？
• Pricing 走 seat-based / storage + compute mixed 哪一種？
• 跟 Databricks Lakebase 那種「scale-to-zero + instant branching」比有嗎？

📖 延伸閱讀：資料中台術語表 — ETL/ELT、Lakehouse 與 2026 平台名詞速查

2.5 必背技術名詞速查

3. PM 6 大職責對照（職缺 JD 反推準備重點）

圖 9｜PM 6 大職責的權重分布 6 條職責不是平均的，B2B SaaS PM 重點集中在「橋樑 + PRD + Roadmap」三條。

跨部門橋樑   ████████████████  最高頻
PRD 寫作     ███████████████   每天做
Roadmap      █████████████     每週做
競品分析     █████████        每季做
驗證假設     ████████         每月做
進度控管     █████████        每週做

3.1 跨部門橋樑

會被問：怎麼處理工程「做不到」、業務「客戶在催」、設計「要重做」三方衝突。

回答框架：STAR + 強調「用什麼資料 / 機制讓三方收斂」，不是「我去溝通」這種空話。

踩雷：別說「我帶大家對齊目標」這種雞湯。要講具體機制：每週站會、PRD review、決策矩陣、escalation 流程。

3.2 撰寫 PRD / User Flow / Spec

會被直接問：「你之前寫的 PRD 長什麼樣？」

圖 10｜資深 PM 的 PRD 標準結構

┌─────────────────────────────────┐
│ 1. Problem Statement            │  ← 為什麼做（最重要）
├─────────────────────────────────┤
│ 2. Goals & Non-goals            │  ← 範圍（資深分水嶺）
├─────────────────────────────────┤
│ 3. User Stories                 │  ← 從使用者角度
├─────────────────────────────────┤
│ 4. Functional Spec              │  ← 功能細節
├─────────────────────────────────┤
│ 5. Success Metrics              │  ← 怎麼判斷成功
├─────────────────────────────────┤
│ 6. Open Questions               │  ← 不確定的事
├─────────────────────────────────┤
│ 7. Rollout Plan                 │  ← 怎麼上線
└─────────────────────────────────┘

強調 Non-goals 段——這是資深 PM 跟初階的分水嶺，會寫「這次不做什麼」代表你能 scope。

Wireframe 工具：Figma / Whimsical / Excalidraw 任一都可。不會用設計工具沒關係，但要能講「用 Markdown + 流程圖把交互邏輯寫清楚再交給設計」。

3.3 Roadmap 與生命週期

會被問：怎麼決定「這個 quarter 做 A 不做 B」。

圖 11｜RICE 排序框架

       Reach × Impact × Confidence
RICE = ─────────────────────────────
                Effort

最有說服力的故事是「我曾經砍掉一個業務想做的功能」——比「我做了什麼」強十倍。

SaaS 4 大指標必懂：

Activation → Retention → Expansion → Churn
   啟動         留存         擴張       流失

3.4 競品分析

會被問：「分析 CloudWave 儲存產品 vs Wasabi。」

圖 12｜競品分析 4 步驟

Step 1: 市場切片
   TAM (Total) → SAM (可服務) → SOM (可拿)

Step 2: 比較維度
   定價 / 效能 / API / SLA / 地理 / 合規

Step 3: 差異化敘事
   「我們在 ___ 比他們強」

Step 4: 產品機會
   「在 ___ segment 有空白」

準備一張表：CloudWave 四條線的 top 3 競品 + 差異化點，面試前一晚過一次。

3.5 驗證假設（用研、數據、A/B）

圖 13｜驗證手段層級（從輕到重）

輕                                              重
┌────────┐  ┌────────┐  ┌────────┐  ┌────────┐
│ 客戶訪談 │→ │  問卷   │→ │ 灰度  │→ │  A/B   │
│ 5-8 人  │  │ NPS/CSAT│  │ Flag │  │  測試  │
└────────┘  └────────┘  └────────┘  └────────┘

B2B SaaS 重點指標：MAU、Activation Rate、Time to Value、NRR（Net Revenue Retention）、Logo Churn、CAC payback period。

踩雷：別說「轉換率提升 30%」但講不出 sample size 和測試時長——資深面試官會追問。

3.6 開發進度控管

• 方法論：Scrum / Kanban / Shape Up
• 工具：Jira / Linear / ClickUp / Notion
• 風險管理：scope creep、工程「再給我兩週」怎麼處理
• 品質：QA 流程、release checklist、rollback plan

📖 延伸閱讀：PM 基本術語表 — PRD、RICE、NRR、Activation 等基本功速查

4. AI 時代 PM 升級（2026 全面 AI 化）

圖 14｜2026 PM 面試最大轉變

[ 過去 ]                       [ 2026 ]
背框架  ─────────────────────► Judgment over Knowledge
寫 PRD                        Hands-on AI Prototype
畫 wireframe                  Agent System Design
排 roadmap                    AI Feature Pricing

   執行 = AI 都能做           考驗 = 你的判斷力

Meta 5 年首次大改 PM interview loop，新增「Product Sense with AI」考題：候選人要在面試中「搭配 AI 一起解產品問題」，不考 prompt 技巧，考你怎麼用 AI 做 problem framing、exploration、decision making。

4.1 資深 PM vs 初階 PM 分水嶺

表 2｜2026 共識

這份職缺要 3 年以上 + 80K 上限，落點是「中階 PM 但要往 senior 站」。準備時往資深那欄站。

4.2 必考題 1：AI feature 怎麼定價

圖 15｜AI Feature Pricing 三層思考

┌─────────────────────────────────────┐
│ 成本面 Cost                          │
│ ├── Token / GPU / Infra 成本         │
│ ├── 平均消耗 + 高峰用量              │
│ └── 算毛利                           │
├─────────────────────────────────────┤
│ 價值面 Value                         │
│ ├── 效率（節省人力）                 │
│ ├── 收入提升                         │
│ └── 風險降低                         │
├─────────────────────────────────────┤
│ 包裝面 Packaging                     │
│ ├── Usage-based（per token / req）   │
│ ├── Seat-based（per user）           │
│ ├── Add-on（AI bundle）              │
│ └── 混進現有 SKU 做 ARPU uplift      │
└─────────────────────────────────────┘

練習題：

CloudWave 要推 AI Gateway，內部建議三種計費：per 1K token / per request / per domain，怎麼評估？先選哪個？

回答骨架：

1. 先問三題：客戶 token consumption 分佈？competitive pricing？land 還是 expand？
2. 短期建議 hybrid：base fee（per domain / 月）+ usage-based（per 1K token）
3. 監控指標：ARPU、毛利率、客戶對 pricing 的 churn 反應
4. 6 個月後 reprice：根據實際 cost curve

4.3 必考題 2：AI Agent System Design

圖 16｜資深 PM 設計 AI Agent 必涵蓋的 5 層

例題：「設計一個 AI agent 幫客戶 onboarding CloudWave 儲存產品。」

答題時這 5 層每層各講 30 秒——這就是資深 PM 的標配。

4.4 必考題 3：AI 給矛盾洞察怎麼辦

圖 17｜Evidence Hierarchy（證據等級）

最可信
   ▲
   │ 行為數據（log 不會說謊）
   │ 訪談證詞（人會修飾）
   │ AI 推論（confirmation bias 風險）
   │ 專家直覺（依賴經驗）
   ▼
最可疑

回答框架：

1. AI 推論放最低等級
2. 設計實驗驗證：feature flag 灰度、A/B、客戶 panel
3. 講「我會帶哪三題進客戶訪談」這種具體動作

4.5 必考題 4：AI co-pilot 怎麼讓 CS / Sales 願意用

核心：採用率不是技術問題，是工作流問題。

• 不要 disrupt 現有 workflow，要 embed
• 用 sales 自己的 KPI 作為 AI 推薦邏輯（例如 close rate）
• 給 escape hatch：AI 給建議但人可一鍵 override
• 量化：AI 介入前後的 conversion / handle time / CSAT

📖 延伸閱讀：2026 PM 面試術語表 — STAR、AI 題型框架與 evidence thinking 速查

5. 經驗題與動機題

5.1 經驗題（STAR 結構準備）

千萬不要講「我太完美主義」這種假缺點。

5.2 動機題

為什麼想離開現在的公司？ 不要罵前公司，給正向動機：想做 B2B / 想做雲端基礎設施 / 想接觸 AI 產品。

為什麼選 CloudWave 不選 Cloudflare 台灣 / iKala / 91APP？

• 速度（小公司決策快）
• 影響力（4 條產品線都能參與）
• 直接看到客戶（不像 hyperscaler 隔好幾層）

期望薪資？

圖 18｜薪資談判決策樹

被問薪資?
   │
   ├─ 第一面被問? → 給範圍，先問結構
   │   "整體 package 合理的話，base 75-80K"
   │   "請問薪資結構是 base + 績效 + 股票 + 14 個月嗎?"
   │
   └─ 二面以後? → 講明確數字
       "base 80K + 14 個月 + 績效獎金"

必問：「年終 / 績效獎金 / 期權大概占年薪多少？」（雲端業界常把 total comp 堆在 variable）。

6. 反問題（決定 senior 印象）

圖 19｜反問問題的層次

第三層: 問挑戰（最 senior）
   "我接這位置前 3 個月最大挑戰是什麼?"
        ▲
第二層: 問策略 + 技術
   "PM 接 4 條全包還是某一條?"
   "AI 模型部署是自養 GPU 還是轉售?"
        ▲
第一層: 問流程 + 團隊
   "用什麼工具? 我會 report 給誰?"
        ▲
地下層（不要問）: 員工福利 / 加班

問產品策略

• 4 條產品線未來 12 個月成長重心是哪一條？
• 這個 PM 接 4 條全包還是某一條？
• ARR 多少 % 來自台灣 vs 海外？
• 客戶 top 10 集中度高嗎？

問技術架構（展現你懂技術）

• 儲存 S3 API 相容性是多少 %？
• AI 模型部署是自養 GPU 還是轉售？
• 有自研的 inference engine 或 routing layer（類 AI Gateway）嗎？
• CDN 邊緣節點數 vs Cloudflare / Fastly 怎麼比？

問團隊

• 工程團隊規模？前後端比例？
• 台灣 RD 有幾位？我會跟誰協作？（雲端公司常見「工程在海外」陷阱）
• 我會 report 給誰？該主管 PM 出身還是工程出身？
• PM 團隊目前有幾位？

問流程

• 產品決策誰拍板？
• Roadmap 規劃週期 quarterly 還是更長？
• 用什麼工具（Jira / Linear / Notion）？
• 有 customer advisory board / beta program 嗎？

問挑戰

• 我接這個職位前 3 個月最大挑戰是什麼？
• 上一個坐這位置的人做得最好和最沒做好的事各是什麼？

7. 上場前時間軸

圖 20｜面試前後 9 天 checklist

[ T-7 天 ]  讀講義 2 次
            準備 3 個 STAR 故事
            脫敏 PRD outline 帶身上
            ★ build 一個 AI prototype（最重要）
            列 4 條線 top 3 競品比較表
                ↓
[ T-1 天 ]  再讀一次官網
            自我介紹練 3 遍
            熨衣服 / 確認交通
            5 個反問問題寫筆記本
                ↓
[ T 當天 ]  提早 15 分鐘到（不要早超過 15）
            筆記本 + 筆 + 履歷紙本 3 份
            手機關靜音
                ↓
[ T+1 天 ]  寄 thank-you email（中文 100 字內）
            補一句「面試提到 X，後來想到 Y」
                ↓
[ T+7 天 ]  沒消息可以禮貌追蹤一次

T-7 最重要的一件事：build 一個 AI prototype

這是 2026 資深 PM 的識別證。沒有的話這禮拜趕一個出來：

最快路線：

1. 用 Replicate（網頁就能玩）串個圖片生成 / 摘要 demo
2. 用 n8n 做個 webhook → AI → 通知的自動化
3. 用 Cursor 拉個小 web app，整合 OpenAI API

面試講的時候：

• 為什麼做這個（解決什麼問題）
• 用了什麼模型 / 工具
• 遇到什麼 trade-off（成本 vs 速度 vs 準確度）
• 量化結果（人工 vs AI 處理時間 / 成本對比）

8. 最後的硬建議（5 條）

1. 不要假裝懂技術

被追問會穿幫。「這部分我不熟，但我知道它解決 X 問題，需要的話我可以兩天內補完」比「我懂一點」好。

2. B2B SaaS 的核心永遠是客戶價值傳遞

不是炫技、不是覆蓋率、不是功能數量。每個答案盡量收斂到「這對客戶有什麼好處 / 對 ARR 有什麼影響」。

3. 「你問問題的方式」洩漏資深程度

每次面試官講完，先問一個 why。

4. 2026 最大轉變：Judgment over Knowledge

執行可以交給 AI，考的是 tradeoff 判斷。每個答案都要展現 judgment：為什麼這樣選、放棄什麼、什麼條件下會反過來。

5. 帶一個 hands-on prototype 進場

這是 2026 資深 PM 的識別證。沒有 = 直接被歸到「初階」那欄。這禮拜抽兩晚趕一個。

圖說索引

祝面試順利。