数据概览
正在加载
一个会顺着你的回答往下追的面试官。带着你的简历和目标岗位开场，追到你讲清楚或讲不下去为止；面完给你一张每条依据都能回到原话的评分卡。开源，数据留在本机。
2026-09-20 一场真实模拟面试的节选，公司与候选人已匿名；面试官的话与理由是原文。
它怎么问
面试官每一步都会写下为什么这么问。下面三段来自同一场面试：你刚说了什么，它接着问什么，以及它当时的理由。这些理由面完会出现在你的报告里。
你说
最难的是摘要把用户的约束吃掉。用户前面说过“只看中文资料”，几轮后助手开始推英文论文。我先看最后一轮发给模型的完整上下文，确认那句约束不在里面；再往回找它在哪一次摘要重写时消失的，定位到滚动摘要层。修法是把约束单独抽成结构化字段，不走摘要。
它接着问
你把约束从摘要里摘出来单独存，那「平均 prompt 长度降低约 50%」这个数是怎么算出来的——分子分母各是什么，跟什么基线比的，跑了多少会话？
它为什么这么问
约束丢失的排查已讲实，转到数字口径：50% 是简历最显眼的量化结论。
你说
分子是分层压缩下每轮发给模型的 prompt_tokens 均值，分母是全量历史直接拼接的均值，都用接口返回的 usage 统计。二十多个测试会话，每个十到二十轮。不足是只看了长度，没有对照任务成功率。
它接着问
你主动说了「没有对照任务成功率」，这点挺实在。那换个方向：离线评测集改完提示词后成功率涨了 3 个点，你要先做什么，才能判断这 3 个点是真涨还是噪声？
它为什么这么问
长度指标口径已答清（缺成功率对照），转入评估方法，看噪声与判据意识。
你说
这块我直说：当时没做严格的评测集。如果现在做，我会写一组带约束的脚本会话，在第二十轮用代码断言回答有没有违反第一轮的约束，不需要人工标注；再用同一配置跑两遍拿噪声底线。
它接着问
代码断言替代人工标注、同配置跑两遍拿噪声底线，这两个动作都对。接着往下：如果跑两遍的差就有 5 个点，那你这个 3 个点的结论要怎么处理——评测集规模、比较方式你会怎么改？
它为什么这么问
追噪声底线这一步的判据：差值 5 点时怎么改规模与比较方式，看是否到判据层。
面完你拿到什么
报告先说失守在哪、练什么，再说站得住的，再核对简历上的说法经不经得起问。评分由独立于面试官的另一个 Agent 完成，它能查简历原文核对数字，引用必须逐字。
面试总分
65/ 100
总体评价
对 Study Assistant 的记忆分层与约束丢失链路讲得完整，排查顺序和修法都站得住；但在评测的样本量口径、配对判据和 judge 校准上失守，简历里的量化指标也缺样本与对照支撑。
失守在哪、练什么
练：抽 20 条带约束的多轮会话跑「约束是否被遵守」判定，把 token 降幅和约束遵守率画成同一条曲线
练：按成功率的二项分布反推：给定当前 p 与 95% 置信区间宽度目标，算出需要多少题、每题几次重复
练：拿一批已有标注的样本，让 judge 与人工逐条对齐打分，统计一致率并据此定出裁判校准的最小流程
简历上的说法经不经得起问
问清「50%」的分子分母是什么、基线怎么测的、跑了几次——档案显示量化结论常缺样本与对照。
分母为全量历史均值、分子为分层压缩均值，两套配置分别测而非同批会话对照，与这段记录一致。
同一场的真实报告节选
0.10 vs 0.53
评分卡里每场找不到原话的引用条数：本系统 vs 同一模型只用一段提示词
30 场对照，候选人由模型模拟
78.6% → 97.0%
不支持结构化输出的模型：一次通过率 → 降级后可用产出率
1636 次真实调用
≈ 6 美分
一场约 16 回合面试的模型费用
DeepSeek，含备课与逐段评分
闭环
投递给面试提供岗位描述，面试给复盘提供回答，复盘给画像提供证据，画像再决定下一场模拟面试的重点。每一步都在为下一步积累。
边界
正式使用时，数据库、简历文件与浏览器状态都在你自己的设备上，不进入任何中央数据库。
Boss 登录、扫码、验证码始终由你本人完成；系统只读取已有记录，不自动投递，也不发消息。