2026 PM 面試術語表

2026 是 PM 面試的「AI 化分水嶺年」。Meta 5 年首次大改 PM interview loop，新增「Product Sense with AI」考題。傳統框架（STAR / CIRCLES / AARRR）變成基本配備，不是加分項。

STAR（答經驗題標準框架）

白話：答「你之前做過什麼」類問題的萬能框架。

四段結構：

Situation：背景（什麼公司、什麼專案、什麼時候）
Task：你的角色 / 要做什麼
Action：你具體做了什麼（重點）
Result：結果（量化最好）

為什麼面試會問：99% 的「講一個你最有成就感的專案」「講一個失敗經驗」都用 STAR。

面試陷阱：

❌ 講 80% Situation 只剩 20% Action
❌ Result 只說「成功上線」沒量化
✅ Situation 30 秒帶過，Action 講 60-90 秒，Result 量化

例子：

S：去年 Q3 我們 SaaS 客戶 churn rate 升到 8% T：我被指派找 root cause + 提解法 A：我跑 cohort retention 分析發現 D7 drop 特別大 → 訪談 12 個 churned 客戶 → 發現 onboarding 第二步教學斷層 → 重設計 onboarding flow + 加 in-app 引導 R：3 個月後 D7 retention +18%，churn 降到 4.5%，年化 ARR 多 $1.2M

📖 講義引用：5.1 經驗題

Product Sense with AI（Meta 2026 新題型）

白話：面試時你要當場用 AI 一起解產品題。考你怎麼用 AI 做 problem framing、exploration、decision making。

為什麼面試會問：Meta 5 年來第一次大改 PM interview loop。其他大廠 2026 開始跟進。

怎麼準備：

練習用 ChatGPT / Claude 做 user segmentation 探索
練習用 AI 產生 hypothesis + 自己驗證
重點不是 prompt 技巧，是判斷 AI 輸出對不對

面試陷阱：

❌ 全盤接受 AI 答案
❌ 不會用 AI 的人在面試現場慌
✅ 用 AI 加速但保留 critical thinking——「AI 說 X，但我會驗證 Y」

📖 講義引用：4. AI 時代 PM 升級

Judgment over Knowledge（2026 核心轉變）

白話：判斷力 > 知識量。執行（寫 spec、畫圖、產 idea）AI 都能做，考的是 tradeoff / sequencing / ownership。

為什麼面試會問：2026 PM 面試共識。背框架不再加分，會權衡才加分。

怎麼展現 Judgment：

每個答案都講「為什麼這樣選 vs 不選 Y」
講「這個方案的代價是 Z」
講「什麼條件下我會反過來做」

面試陷阱：

❌ 「我會做 A」（沒講為什麼不 B）
✅ 「我選 A 不選 B 因為 B 雖然 X 但代價 Y，A 在我們現在 stage 更值得」

📖 講義引用：4. AI 時代 PM 升級

AI Feature Pricing（必考題）

白話：「AI 功能怎麼定價」是 2026 PM 必考。考你能不能把成本 / 價值 / 包裝三層想清楚。

三層思考框架：

成本面：token / GPU / infra 成本，毛利能不能算清楚
價值面：是節省人力 / 增加收入 / 降低風險？
包裝面：usage-based（per token）/ seat-based / add-on bundle

經典範例：

Notion AI：$10/seat/月 add-on
GitHub Copilot：$19/seat/月 standalone
Cursor：$20/月個人，$40/月團隊
Anthropic API：100% usage-based
Snowflake Cortex：token-based + compute budget

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？

回答骨架：

先問 3 題（客戶 token 分布？competitor pricing？land 還是 expand？）
短期建議 hybrid（base + usage）
監控指標（ARPU / 毛利 / churn）
6 個月後 reprice

📖 講義引用：4.2 必考題 1：AI feature 怎麼定價

Agent System Design（必考題）

白話：設計一個 AI agent 處理 X 情境。考你會不會把 agent 拆成可運作的 5 層。

5 層必涵蓋：

Memory（記憶）：episodic（這次對話）vs session vs long-term
Data Pipeline：agent 從哪取 context（KB / 客戶 metadata / API 歷史）
Metrics：Activation Rate / Time to Value / Hallucination Rate
Fallback：低 confidence 時轉真人 / confidence threshold
Cost vs Accuracy：便宜模型 + guardrail vs 頂級模型 + 高 accuracy

為什麼面試會問：2026 資深 PM 標配。能不能把 AI 當系統而不是黑盒子。

例題：

設計一個 AI agent 幫客戶 onboarding CloudWave 儲存產品。

答題技巧：5 層每層各講 30 秒，不要 deep dive 一層。

📖 講義引用：4.3 圖 16 AI Agent 5 層架構

Evidence Hierarchy（證據等級）

白話：不同來源的「資料」可信度不同，不能一視同仁。

從可信到可疑：

最可信
   ▲
   │ 行為數據（log / event 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

為什麼面試會問：「AI 給你兩組互相矛盾的洞察怎麼辦」這種題會考。

怎麼答：

AI 推論放最低等級
設計實驗驗證（feature flag / A/B / 客戶 panel）
「我會帶哪三題進客戶訪談」這種具體動作

📖 講義引用：4.4 圖 17 Evidence Hierarchy

Confirmation Bias（確認偏誤）

白話：只看支持自己想法的資料，忽略反證。

為什麼面試會問：AI 時代特別嚴重——AI 會「迎合」你的問法給你想聽的答案。

怎麼防：

Devil's advocate prompt：「給我這方案的 3 個致命缺點」
找 disconfirming evidence：「如果這方案會失敗，會怎麼失敗？」
問反方向：跑 A/B 同時測「不做這 feature」是不是更好

面試加分：能講「我會主動找 disconfirming evidence」= 資深思維。

📖 講義引用：4.4 必考題 3：AI 給矛盾洞察怎麼辦

Sample Size & Statistical Significance（樣本數 / 統計顯著）

白話：A/B 測試結果到底準不準，看樣本數夠不夠 + p-value < 0.05。

為什麼面試會問：「轉換率提升 30%」如果樣本只有 100 人，根本沒意義。

標準需要：

雙尾測試 95% confidence、80% power
Sample size 公式：跟 baseline rate + minimum detectable effect 有關
一般 B2C 要每組 1000+ 樣本，B2B 通常做不到

面試陷阱：

❌ 講「我們做 A/B 看到提升 30%」但不知 sample size
✅ 講「A/B 跑兩週、每組 5000 人，p-value 0.02、提升 12%」

B2B 樣本不夠時：用 quasi-experiment、客戶 panel、灰度 feature flag。

📖 講義引用：3.5 驗證假設

Guardrail Metrics（護欄指標）

白話：跑 A/B 時除了「主指標」還要看的「不能變差」指標。

為什麼面試會問：避免「主指標贏但其他爆炸」。

例子：

主指標：點擊率 +10%（贏）
但 guardrail：頁面 load time +500ms（變慢）→ 整體體驗下降，不該推
主指標：轉換 +5%
但 guardrail：客訴 +30%（操弄使用者）→ 不該推

典型 B2B SaaS guardrail：

p99 latency
錯誤率
Churn rate
NPS
Support ticket volume

📖 講義引用：3.5 B2B SaaS 重點指標

A/B Testing（隨機對照測試）

白話：把使用者隨機分成 A / B 兩組，看哪個版本表現好。

為什麼面試會問：產品決策黃金標準。

標準流程：

提假設（H1: 改新版會提升 X%）
算 sample size
隨機分組（feature flag）
跑足時間（避免週期性偏差，2-4 週）
看主指標 + guardrail
顯著 → 推全量；不顯著 → 砍

B2B 限制：客戶數少、客戶間差異大、決策週期長 → A/B 通常不可行。改用 quasi-experiment / pilot。

📖 講義引用：3.5 驗證假設

Feature Flag / 灰度發布

白話：用「開關」控制 feature 給誰看。可以 1% 用戶試 → 慢慢開到 100%。

為什麼面試會問：B2B SaaS 標配。新 feature 直接全量上線 = 自殺。

典型用法：

Internal dogfooding：先給自己用
1% canary：1% 客戶試一週
10% / 50% / 100%：逐步擴大
Per-customer flag：給特定 enterprise 客戶試

工具：LaunchDarkly、Unleash、PostHog、自建。

容易搞混：Feature Flag ≠ A/B Testing。Flag 是「給不給看」，A/B 是「比較哪個贏」。可以一起用。

📖 講義引用：3.5 驗證假設

Cohort Analysis（同期群分析）

白話：把使用者按「進來的時間」分組，看每組的 retention curve。

為什麼面試會問：找出「哪段時間進來的客戶活得久」「產品改版後 retention 有沒有變好」。

典型 cohort table：

       D0   D1   D7   D30
Jan:  100% 60%  40%  25%
Feb:  100% 70%  50%  35%  ← 改版後變好
Mar:  100% 75%  55%  40%

面試陷阱：別把「整體 DAU」當成 retention——要按 cohort 切才看得出趨勢。

📖 講義引用：3.5 驗證假設

Funnel Analysis（漏斗分析）

白話：把使用者旅程拆成多個步驟，看每步留下多少。

為什麼面試會問：找 onboarding / activation 的「leaky bucket」必用。

例子（CloudWave 儲存 onboarding funnel）：

1. 註冊       100%
2. Email 驗證  85%   ← 15% drop
3. 建第一個 bucket  60%   ← 25% drop（最痛）
4. 上傳第一個檔案  40%
5. 接 SDK 成功    25%   ← Activation

面試陷阱：找出最大 drop step → 優化那一步 vs 平均優化全部。前者 ROI 高 10x。

📖 講義引用：3.5 驗證假設

CIRCLES（產品設計題框架）

白話：「怎麼設計 X 產品」這種題的標準答題框架。

七步驟：

Comprehend the situation（搞清楚情境）
Identify the customer（誰用）
Report customer needs（他們要什麼）
Cut through priorities（排序）
List solutions（提方案）
Evaluate trade-offs（評權衡）
Summarize recommendation（推薦）

為什麼面試會問：經典產品設計題框架。但 2026 已不夠——要加「AI 怎麼幫」+「judgment 哪邊」。

面試陷阱：

❌ 一字不漏背 CIRCLES
✅ 用框架但加自己的判斷

📖 講義引用：4. AI 時代 PM 升級

Cheat Sheet（一頁回顧）

術語	一句白話	用在哪
STAR	經驗題答題框架	必背
Product Sense with AI	Meta 新題型	用 AI 解題
Judgment over Knowledge	判斷 > 知識	2026 核心
AI Feature Pricing	三層思考框架	必考題
Agent System Design	5 層架構	必考題
Evidence Hierarchy	證據等級	矛盾洞察題
Confirmation Bias	確認偏誤	AI 時代特別嚴重
Sample Size	樣本數要夠	A/B 必懂
Guardrail Metrics	不能變差的指標	A/B 必懂
A/B Testing	隨機對照	黃金標準
Feature Flag	灰度開關	B2B 標配
Cohort	同期群分析	Retention 必用
Funnel	漏斗	Activation 必用
CIRCLES	產品設計框架	老但仍可用

2026 面試題型分布（各家公司估）

題型	佔比	備註
經驗題（STAR）	25%	不變
產品設計題（CIRCLES + AI）	25%	加 AI 維度
Strategy / Trade-off	20%	Judgment 為主
Metrics & Analytics	15%	A/B / Funnel / Cohort
AI 必考題（Pricing / Agent）	15%	2026 新增

📚 回到主講義：CloudWave 產品經理面試講義 v3