Огляд процесу
Огляд процесу
- Раунди: {N} раундів, ~{X} днів від початку до кінця
- Формат: {напр., скринінг HR → технічне інтерв'ю → тестове → onsite → наймаючий менеджер}
- Складність: {X}/5 (середнє Glassdoor, N відгуків)
- Позитивний досвід: {X}%
- Особливості: {напр., "парне програмування замість дошки", "без LeetCode, тільки практичні задачі"}
- Джерела: {посилання}
难度、好评率等所有统计数字都必须注明出处与样本量;查不到就如实说"数据不足",绝不编造 Glassdoor 评分。
### Step 3:逐轮拆解模板
对研究发现的每一轮面试输出如下结构化小节:
```markdown
### Раунд {N}: {Тип}
- **Тривалість:** {X} хв
- **Проводить:** {колега / менеджер / skip-level / рекрутер}
- **Що оцінюють:** {конкретні навички}
- **Зафіксовані питання:**
- {питання} — [джерело: Glassdoor 2026-Q1]
- **Як готуватися:** {1-2 конкретні дії}
这里把"评估什么"收敛到具体技能而非空泛评价,并逐条附上问题来源(含时间范围),保证每条情报都可回溯。
Step 4:按类型组织的可能问题
模式把可能问题分成四类:
- 技术类(Технічні):system design、写代码、架构、领域知识;
- 行为类(Поведінкові):领导力、冲突处理、协作、失败经历——每一问都要指出 story-bank.md 中哪条故事最匹配;
- 角色特定类(Специфічні для ролі):绑定具体 JD 的问题,需结合 archetype(如 Backend / Frontend / DevOps / QA / Data / PM / Tech Lead,见 modes/ua/_shared.md 的乌克兰市场 archetype 表)来预判;
- 背景 red flag 类:面试官大概率会追问的空档期、转行、简历中非常规元素,需读取
_profile.md与cv.md后诚实预演应答。
这些分类与评估报告 Block F(面试计划,6-10 条 STAR+R 故事)天然互补:Block F 在申请阶段产出故事,interview-prep 在面试前把它们对准具体公司的问题形态。相关流程可对照 modes/ua/oferta.md 的 Block F。
五、Step 5-7 —— 故事映射、技术清单与公司信号
Step 5:故事银行映射表
| # | 可能的问题/主题 | story-bank.md 中最优故事 | Fit | 缺口? |
|---|---|---|---|---|
| 1 | ... | ... | strong / partial / none | ... |
Fit 取值含义:
- strong:故事直接命中问题;
- partial:故事相近,需要换框(reframing);
- none:没有合适故事 → 明确提示用户需要补故事。
这一步把抽象题库落到候选人的真实素材上,是"可演练"的关键。原始评估流程(modes/ua/oferta.md 的 Block F)会在评估阶段持续向 story-bank.md 追加新故事,随着积累形成 5-10 条可覆盖任何面试题的主干故事库——interview-prep 的映射正是对这一资产的高效复用。
Step 6:技术准备清单
- [ ] {тема} — чому: "{доказ з дослідження}"
- [ ] {тема} — чому: "{їхній блог/продукт каже, що це важливо}"
每条清单项都必须带"为什么"——要么是研究证据,要么是公司博客/产品流露的技术倾向。按出现频率与相关性排序,最多 10 条,避免把通用八股塞进来。
Step 7:公司信号
面向临场的三个维度:
- 会被筛选的价值观(Цінності, на які скрінять):点名并引用出处;
- 要使用的词汇表(Словник для використання):公司内部术语,让应答显得做过功课;
- 要避免的东西(Чого уникати):从评价中提炼的反模式;
- 反问他们的问题(Питання їм):2-3 个能证明做过功课的尖锐问题。
六、乌克兰市场专章:面试的"本地化情报"
这是该 UA 版模式区别于英文原版的最大增值点,承接 modes/ua/_shared.md 中关于薪酬、ФОП、Дія City、КЗпП 的市场事实。
典型轮次结构(乌克兰 IT 公司)
- HR 筛选(20-30 分钟):动机、薪资预期、工作形式、英语水平;
- 技术面试(60-90 分钟):技术栈掌握、架构、实操题;
- Live coding(45-60 分钟):算法或实操题(以实操题为多);
- System design(60 分钟):系统设计,尤其在 product 型公司;
- 文化匹配(30-45 分钟):价值观、团队协作、沟通;
- 测试任务(Тестове завдання):乌克兰公司很常见,1-4 小时,有时是 take-home。
模式特别提示:乌克兰市场的技术测试更偏爱"实操题而非纯算法",与 FAQ 中某些北美大厂风格不同,备战时应按岗位类型调整刷题侧重。
高频问题清单(乌克兰面试常见)
- "介绍一下自己"(2-3 分钟、结构化);
- "为什么找新工作?";
- "薪资预期?"(务必澄清 USD/UAH、ФОП/штат 口径);
- "是否愿意搬家 / timezone overlap?";
- "讲一个最复杂的项目";
- "如何在团队中解决冲突?";
- "你的英语水平如何?"(过程中常被实际检验);
- System design 常考型:"设计一个 {短链 / 聊天 / 信息流 / 支付系统}"。
上述薪资口径问题并非泛泛而谈:乌克兰 IT 市场薪酬几乎总以 USD 讨论与支付(即使对 ФОП),而税负因雇佣形式差异极大——ФОП 第三组约 5% 统一税、КЗпП 员工承担 ПДФО 18% + 军事税 5%、Дія City 员工则享受 5% ПДФО + 1.5% 军事税(详见 modes/ua/_shared.md 的 Податки 与 Компенсація 小节)。interview-prep 阶段若能把这些数字在"薪资预期"问题上讲清楚,本身就是专业度的信号。
STAR+R 的乌克兰语格式
行为类问题统一用 STAR+R 组织,模式给出了乌克兰语缩写:
- С(Ситуація,情境):背景与前提数据;
- З(Завдання,任务):需要完成什么;
- Д(Дії,行动):具体做了什么;
- Р(Результат,结果):可衡量的结果;
- О(Осмислення,反思):学到什么、下次会怎么做。
多出的 Reflection(О) 维度是模式反复强调的 seniority 信号:junior 只复述发生了什么,senior 会主动提炼教训(同样出现在 modes/ua/oferta.md 的 Block F 说明中)。应答时应优先引用可量化结果——这与 modes/ua/_shared.md 写作规则中"Знизив p95 latency з 2.1с до 380мс 好于 покращив продуктивність"的要求一脉相承。
七、成果输出与硬性规则
报告落盘
将完整备战报告保存为 interview-prep/{company-slug}-{role-slug}.md(company-slug 规则同评估报告:小写、空格转 -、去特殊字符,参见 modes/ua/oferta.md 的报告命名),文件头模板:
# Підготовка до співбесіди: {Компанія} — {Роль}
**Звіт:** {посилання на звіт оцінки або "N/A"}
**Досліджено:** {YYYY-MM-DD}
**Джерела:** {N} відгуків Glassdoor, {N} постів Blind, {N} інших
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0624
Hy4-previewHy4 preview 是由腾讯混元团队研发的新一代混合专家(MoE)旗舰模型。模型总参数量 770B,每个 token 激活 49B,主干共包含78层,第一层采用标准 FFN,其余 77 层均为 MoE 结构,每层包含 256 个路由专家与 1 个共享专家,每个 token 激活 top-8 路由专家及共享专家。主干之外原生内置 1 层 MTP(总参数量 10B,激活 0.7B)以支持投机解码。Python00
GLM-5.3GLM-5.3 与 GLM-5.2 使用相同的基座模型——所有提升均来自后训练。与 GLM-5.2 相比,它在复杂编程和长程任务上的表现显著提升。Jinja00
GLM-5.3-FlashGLM-5.3-Flash (320B-A18B),是GLM-5系列的首个原生多模态模型。320B总参数,能力超过GLM-5.2Jinja00
Spark-X2.5-4BSpark-X2.5-4B 旨在让强大的 AI 更实用、更高效、更易获得。在广泛日常任务中表现强劲,涵盖对话、写作、翻译、推理、编码、工具调用以及智能体工作流,并在同等规模的开源模型中取得领先成绩。Spark-X2.5 将面向效率的架构与最高 1M tokens 的原生上下文窗口相结合,并支持 200 多种语言。Python00
Spark-X2.5-1.7BSpark-X2.5-1.7B 旨在让强大的 AI 更加实用、高效且易于获取。这些模型在广泛的日常任务中表现出色,涵盖对话、写作、翻译、推理、编程、工具调用和智能体工作流,并在同等规模的开源模型中取得领先结果。Spark-X2.5 将面向效率的架构与最高 1M tokens 的原生上下文窗口相结合,并支持 200 多种语言。Python00