模拟面试训练闭环
把题库阅读转化为闭卷口述、连续追问、评分、知识回链、项目证据校准和间隔复测的训练闭环。
#howto
#evergreen
#work
#interview
[!info] related notes
- 入口：面试准备 MOC
- 回答：技术面试回答框架
- 题源：题源与置信度
- 证据：简历 Claim 证据链
模拟面试训练闭环
核心循环
随机抽题
→ 闭卷回答
→ 连续追问
→ 五维评分
→ 判断缺口类型
→ 修正确切的知识 / 题卡 / evidence
→ 24 小时复测
→ 3–7 天随机复测“看懂答案”不是掌握。真正完成的标准是换一种问法、隔一段时间、没有笔记提示时仍能说出核心模型，并接住至少两层追问。
抽题策略
来源配比
不要只刷所谓“高频真题”：
- 40%
RESUME-H / PROJECT-E2/E3：当前简历和项目最危险； - 25%
NC-H / NC-1：近期公开面经信号； - 20%
CANON：稳定基础； - 15%
AI-D：失败路径、验证、安全和连续追问。
AI-D 的作用是防止只会背真实面经第一层答案，不代表这些题在某家公司出现过。
岗位配比
AI Agent
- 35% 项目；
- 25% Agent / RAG / Eval / MCP；
- 15% 后端 / DB / 网络；
- 15% 场景设计；
- 10% 算法 / 行为。
AI 前端
- 30% 项目 / 实习；
- 30% JS / React / Vue / 浏览器；
- 20% Streaming / AI UI / Server State；
- 10% 手写 / Machine Coding；
- 10% 行为。
AI 全栈
- 35% 项目；
- 25% API / DB / 网络；
- 15% Agent 应用；
- 15% 测试 / CI/CD / 系统设计；
- 10% 算法 / 行为。
一轮训练怎么做
1. 只看折叠题目
先给 15–30 秒回答。不要边看标准答案边形成“我本来就会”的错觉。
2. 扩展到 2 分钟
补：
- 关键机制；
- 一个边界或 trade-off；
- 项目映射或最小例子；
- 失败和验证。
3. 至少追问两层
每题从四类中选两类：
- 为什么；
- 怎么实现；
- 失败怎么办；
- 怎么证明。
项目题额外追问：
- 你个人做了哪一部分；
- 当前版本真的上线了吗；
- 哪段代码、测试或 ADR 可以证明；
- 现在回头看会怎么改。
4. 五维评分
| 维度 | 问题 |
|---|---|
| Correctness | 机制和边界是否正确？ |
| Specificity | 是否落到状态、数据流、接口、代码或经历？ |
| Trade-off | 是否解释为什么这样选？ |
| Validation | 是否知道如何测试、实验或观测？ |
| Clarity | 是否先结论后展开、长度可控？ |
每维 0–4，满分 20。
5. 给错误分类
KKnowledge：知识本身错误或缺失；EExpression：知道但说不清；PProject evidence：项目 claim 没证据或过期；TTrade-off：只会讲方案，不会选型；VValidation：不会证明；CCoding：思路对但代码/边界不稳。
分类后才知道修哪里。
错题记录模板
## 题目与 ID
## 题源
NC-H / NC-1 / RESUME-H / AI-D / CANON
## 当时回答
## 得分
- Correctness:
- Specificity:
- Trade-off:
- Validation:
- Clarity:
## 缺口类型
K / E / P / T / V / C
## 修正位置
- 长期知识：[[...]]
- 题库：[[...#章节]]
- 项目 evidence：
## 修正后的 30 秒回答
## 必须接住的追问
-
-
## 复测
- [ ] 24 小时
- [ ] 3–7 天
- [ ] 下一场完整 Mock错题页不再复制一篇教材。知识缺失就修长期笔记；表达不清就修题卡；项目证据不够就修 evidence index 或降低 claim。
14 天完整路线
Day 1：简历、证据与基线
- 当前简历逐条 claim；
- 三类岗位 30 秒 / 90 秒自我介绍；
- 三个项目 90 秒介绍；
- 随机 20 题，记录初始分数。
Day 2：BodySense
- 架构、runtime truth vs business truth；
- interrupt/resume；
- RAG / grounding / no-result；
- Eval / safety；
- SSE 状态模型。
Day 3：MemoFlow
- Mastra vs LangGraph；
- HTTP/SSE vs IPC；
- proposal/approval/execution；
- Server State；
- 401 singleflight；
- exact-SHA release。
Day 4：实习与行为故事
- OLP AI Knowledge；
- DOM print；
- 跨页 selection；
- BBB Docker；
- 3 个真实 STAR-L 故事。
Day 5：Agent / Tool / Context
- Agent vs Workflow；
- ReAct / Plan；
- Tool Calling；
- Memory vs Context；
- stop / budget / oscillation。
Day 6：RAG / Eval / MCP / Security
- chunk / hybrid / rerank；
- retrieval vs generation eval；
- MCP vs Function Calling；
- Skills / Harness；
- prompt injection / SSRF；
- shadow / canary。
Day 7：JavaScript / TypeScript
- 正式 Event Loop 模型；
- Promise / async-await；
- closure / prototype / this；
- TS unknown / generic / runtime validation；
- 手写 Promise pool / debounce。
Day 8：React / Vue / AI 前端
- render / commit / Effect；
- TanStack Query / client state；
- Vue reactivity；
- SSE parser / structured events；
- streaming UI / scroll / performance。
Day 9：API / Auth / Runtime
- REST / idempotency；
- JWT / refresh rotation；
- Node Event Loop；
- Go context；
- Python async / GIL；
- 取消跨服务 Run。
Day 10：数据库 / Redis / 网络
- B+Tree / query plan；
- transaction / isolation / MVCC / locks；
- Redis cache consistency；
- TCP / HTTP2/3 / TLS。
Day 11：测试 / Docker / CI/CD
- unit / integration / contract / E2E；
- deterministic tests vs AI Eval；
- Docker layers / multi-stage；
- immutable artifact / health / rollback。
Day 12：算法与 Machine Coding
- TopK / LRU / tree / graph / sliding window；
- Promise.all / concurrency pool / retry；
- streaming chat 或长列表设计。
Day 13：两场完整 Mock
中途不查资料。结束后只修高损失错题。
Day 14：间隔复测
只看 P0、错题、项目 evidence 和公司岗位匹配，不新增大主题。
7 天冲刺版
| 天 | 内容 |
|---|---|
| 1 | 简历 claim、证据、自我介绍、BodySense |
| 2 | MemoFlow、实习、行为故事 |
| 3 | Agent / RAG / Eval / MCP / Security |
| 4 | JS / React / Vue / Streaming UI |
| 5 | API / DB / 网络 / 测试 / CI/CD |
| 6 | 算法 + 两场完整 Mock + 错题修复 |
| 7 | P0 + 项目 evidence + 间隔复测 |
60 分钟 Mock
0–5 自我介绍与方向
5–15 基础知识随机题
15–30 岗位专项
30–50 项目深挖 / 场景设计
50–57 算法、手写或行为题
57–60 反问不要让 Mock 全是八股，也不要全部只聊项目。
面试官提示词
你是严格的技术面试官。
根据当前简历、Thought Forest 面试题库和项目 evidence 进行模拟。
一次只问一题，不提前给答案。
我的第一层回答后，从“为什么、实现、失败、验证”中继续追问至少两层。
每次标记题源：NC-H / NC-1 / RESUME-H / AI-D / CANON。
不要把 AI-D 说成真实公司题。
项目题必须检查个人职责与 E0–E3 证据；出现未经证实的数字时立即追问来源。
每 5 题给一次五维评分，并指出应该修长期知识、题卡还是 evidence index。完成标准
一个主题可以暂时退出高频复习，当且仅当：
- 换一种问法仍能给出正确结论；
- 能接住至少两层追问；
- 能主动说出边界和反例；
- 项目题能指向真实 evidence；
- 24 小时和 3–7 天复测仍达到 17 分以上。
Digital Biome