如果你面试前不知道怎么准备，我最想给你的建议是：别让 AI 帮你编答案，试着让它帮你练追问。

我用的是千问，其他 AI 工具也可以按这个逻辑问。重点不是让 AI 帮你编经历，而是让它帮你读 JD、拆简历、模拟追问、复盘漏洞。

这套东西跑完，你手里至少会有三样：一版更贴岗位的自我介绍，一套能被追问的项目故事，一份下次面试前的修正清单。

这套东西跑完，你手里至少会有三样：一版更贴岗位的自我介绍，一套能被追问的项目故事，一份下次面试前的修正清单。

第一步：先让AI读透JD

把岗位JD复制进去，然后发：
“请帮我从这份JD里提取3-5个岗位核心痛点，并分别解释这个岗位真正想解决什么问题。再找出JD里的隐性需求，最后输出一份匹配度自检清单：我简历里的哪个项目最能证明这些能力？为什么？”

比如这个 JD 里写：
“负责生成式大模型预训练数据的建设和管理，提升大模型预训练效果。”

不要只理解成“会大模型”或者“会写 Python”。

它真正想看的是：你是否懂预训练数据链路，能不能做数据清洗、合成、质量评估，并通过实验说明数据真的让模型变好了。

所以你要准备的不是“我熟悉 PyTorch / Spark”，而是一个能被追问的项目故事：
你处理过什么数据？
数据有什么问题？
你怎么清洗或合成？
怎么评估质量？
最后怎么证明它对模型有效？

第二步：准备3版自我介绍，并埋钩子

不要只准备一版自我介绍。不同面试官在意的点不一样，同一段经历也可以有不同讲法。

直接问AI：
“请基于我的简历，帮我写3版30秒自我介绍，分别侧重技术深度型、项目管理型、业务驱动型。每版结尾都埋一个钩子，引导面试官继续追问。并对每个钩子，用STAR法则准备回答框架。”

这里的重点不是背稿，而是设计“可被追问的点”。

比如你想展示自己适合这个岗位，自我介绍最后可以埋一句：
“我之前最有收获的一个项目，是把一批质量不稳定的文本数据整理成可训练数据，并通过实验验证了不同清洗策略对模型效果的影响。”

面试官很可能会追问：
“你怎么定义数据质量？”
“你用了哪些清洗规则？”
“怎么判断效果提升来自数据，而不是模型参数变化？”
“如果清洗后数据量变少，效果反而下降，你怎么分析？”

第三步：把项目经历改成STAR

很多人讲项目会讲成流水账：我负责了什么、参与了什么、做了什么。听起来很努力，但不够有说服力。

可以问AI：
“请针对我简历里最匹配这个岗位的项目，用STAR法则重新组织。重点帮我补充：背景是什么？任务难点是什么？我具体做了什么？结果如何量化？如果数据不好看，应该怎么诚实表达这段经历的价值？”

如果项目失败了，千万不要让AI硬编数据。换成问：

“这个项目结果不算好，请帮我分析当时最卡住的环节是什么，以及我从中能证明什么能力。”

失败项目也能讲，但要讲清楚：你看见了什么问题，做了什么调整，下次会怎么改。

第四步：让AI模拟面试官追问

答案准备完，不要只自己默背，一定要练追问。

直接发：
“请你扮演这个岗位的技术面试官/算法负责人，对我进行15分钟模拟面试。你喜欢深挖‘还有呢’，会对模糊回答连续追问三层。每道题结束后，用一句话指出我回答里最大的问题。”

如果想练压力面，可以加：
“请对我回答中的漏洞发起挑战，不要安慰我。重点追问缺背景、缺量化、缺扣题、逻辑跳跃的地方。”

这一步真的很有用。因为真实面试里，最难的不是说出准备好的答案，而是被打断、被质疑之后还能讲清楚。

第五步：练10秒总结

很多人回答到一半会越讲越散。这个可以单独练。

问AI：
“在我回答到一半时，请随机打断我，说：‘不好意思没听清，你刚才的核心是什么？’然后要求我在10秒内总结刚才回答的重点。”

这个练的是救场能力。
你不可能每个问题都答得完美，但你要能在跑偏时把自己拉回来。

第六步：面试后复盘

面试结束后，尽快把回忆写下来，或者用录音纪要整理。然后发给AI：
“我把面试回忆发给你，请用STAR拆解我的回答，并标注：哪里缺背景，哪里缺量化，哪里没有扣题，哪里回答太虚。最后帮我整理一份下次面试前需要重点修正的清单。”

复盘很重要。很多人面完只记得“感觉不好”，但不知道具体哪里不好。AI适合帮你把这种模糊感觉拆开。

最后，注意事项：

AI给你的答案，不要直接背，更不要让它编经历。面试官真正考验的不是你会不会说漂亮话，而是你能不能把自己真的做过的事讲清楚。

你可以让AI帮你整理故事线、补逻辑、找表达方式，但事实必须来自你自己。尤其是数据、角色、结果，千万不要让AI替你编。

面试不是背答案，而是训练自己在被追问时还能讲清楚。

如果你试完还是卡住，把你卡在哪一步告诉我，我再给你补一版提示词。