面试准备 MOC

Thought Forest 的统一面试准备入口：长期知识、题源证据、岗位题库、项目证据、行为故事、算法训练与模拟复盘在这里汇合。

#moc #evergreen #work #interview

[!info] related notes

历史入口：面试（兼容入口）

迁移映射：Resume 面试材料迁移映射

题源观察：2026 近期面试题观察索引

面试准备 MOC

知识总览

filters:
  and:
    - 'file.ext == "md"'
    - 'file.inFolder("z")'
    - 'this.file.links.contains(file)'
    - 'file.path != this.file.path'
formulas:
  knowledge: 'file.asLink(title)'
properties:
  formula.knowledge:
    displayName: 知识
  note.description:
    displayName: Description
  note.mastery:
    displayName: Mastery
views:
  - type: table
    name: 知识总览
    order:
      - formula.knowledge
      - note.description
      - note.mastery
    columnSize:
      formula.knowledge: 280
      note.description: 760
      note.mastery: 56

这套系统解决什么

面试准备不再是一组散落在 Resume 仓库里的长篇“八股文”，而是五层协作：

Resume Claim / 岗位 JD
        ↓
题目与题源证据
        ↓
可折叠面试回答
        ↓
Thought Forest 长期知识
        ↓
项目代码 / 测试 / ADR / 运行证据

Resume：当前简历、岗位适配和动态项目证据；
题源层：说明问题来自牛客、经典题库、简历追问还是 AI 衍生；
题库层：保存高质量问法、30 秒回答、展开要点和追问；
知识层：保存机制、边界、例子和验证方法；
训练层：闭卷口述、评分、错题回链和间隔复测。

核心原则：知识正文只有一份；题库是知识的面试投影；项目事实以当前仓库 evidence 为准。

第一次使用

先读技术面试回答框架；
理解题目来源、置信度与答案依据；
按目标岗位进入一套主题库；
沿题卡中的 wikilink 学长期知识；
项目题回简历 Claim 证据链核验；
用模拟面试训练闭环验证真实召回。

岗位题库

AI Agent / 大模型应用

AI Agent 面试题库 — 86 道高质量题卡，覆盖 LLM、Prompt、Agent、Context/Memory、RAG、Eval、MCP、Skills、Harness、AI Coding、安全、生产与多 Agent；
Agent MOC — 长期知识主入口；
Agent Runtime MOC — state、checkpoint、interrupt/resume、取消和 durable execution；
Agent Evals MOC — dataset、trace、replay、shadow/canary 和 promotion。

前端 / AI 前端

前端与 AI 前端面试题库 — 75 道高质量题卡；
前端面试高频 MOC — 现有原子笔记导航；
JavaScript MOC；
React MOC；
Vue MOC；
前端工程化 MOC。

AI 全栈 / 后端

项目与实习题库

BodySense

BodySense 项目面试题库 — 44 道项目深挖；
BodySense 项目 MOC — 长期架构、RAG、Eval、SSE 和部署知识。

MemoFlow

科睿金信实习

[private note] — 32 道题，覆盖 AI Knowledge、HITL、DOM 打印、跨页选择、Docker 排障和协作；
[private note]。

行为题与个人叙事

HR 与行为面试题库 — 29 道迁移题；
[private note] — 三类岗位自我介绍、项目故事和个人边界；
STAR 行为题结构；
技术面试回答框架。

个人事实会变化。每次面试前重新核对毕业状态、求职流程、项目版本和可量化结果。

算法、手写与 Machine Coding

算法训练以“识别题型 → 解释不变量 → 编码 → 边界测试 → 复杂度”为完成标准，不以刷题数为标准。

题源与质量治理

面试题来源、置信度与答案依据 — NC-H / NC-1 / RESUME-H / PROJECT-E3 / AI-D / CANON；
2026 近期面试题观察索引 — 保留近期公开题目趋势，但不承担答案真值；
简历 Claim、项目证据与面试回答的可追溯链；
Resume 面试材料迁移映射；
面试题来源注册表；
简历驱动的面试追问地图；
[private note]。

如何理解“高置信”

NC-H 只表示某个主题在多个独立公开面经或多个日期/场次中重复出现。它不等于公司官方题库，也不等于答案可靠。答案仍要回到官方文档、规范、可复现实验或真实项目证据。

AI 衍生题的价值

AI-D 不是低质量题。它专门补齐真实面经经常省略的连续追问，例如：

为什么这样设计；
并发、失败、取消或权限异常怎么办；
如何验证；
当前项目到底做到哪一级证据。

区别只是：不能把它伪装成某公司的真实原题。

长期知识优化入口

Event Loop

浏览器环境下的 JS Event Loop — task → microtask checkpoint → rendering opportunity；
浏览器与 Node.js 事件循环的区别；
Node.js 事件循环阶段。

旧的 [[browser-event-loop|浏览器环境下的 JS Event Loop]] 和 [[browser-event-loop|浏览器环境下的 JS Event Loop]] 只保留兼容入口，不再维护“同步→微任务→宏任务”的大段旧教程。

Agent / RAG / Eval

数据库 / 网络 / 测试

每日使用方式

学习模式

题目折叠
→ 口述 30 秒结论
→ 展开对照
→ 点击长期知识
→ 回题目重新口述

模拟模式

随机抽题
→ 至少追问两层
→ 五维评分
→ 错题定位到“知识 / 表达 / 项目证据”
→ 修正确切位置
→ 24 小时与 3–7 天复测

面试前 30 分钟

只看：

当前岗位的 P0；
两个最相关项目；
当前简历最高风险 claim；
3 个 STAR 故事；
最近错题；
公司/岗位的具体匹配点。

不要临场继续扩大题库。

迁移完成后的 Resume 边界

Resume 活跃目录只保留：

迁移说明和目标链接；
当前简历 claim → 题库 → 知识 → evidence 的薄映射；
动态 02-source-evidence-index.md；
原始材料的只读历史快照。

长期知识、通用题库和模拟方法不再在 Resume 中维护第二份。