Обзор процесса
Обзор процесса
- Раунды: {N} раундов, ~{X} дней от начала до конца
- Формат: {напр., скрининг HR → техническое интервью → тестовое → onsite → нанимающий менеджер}
- Сложность: {X}/5 (среднее Glassdoor, N отзывов)
- Позитивный опыт: {X}%
- Особенности: {напр., "парное программирование вместо доски", "без LeetCode, только практические задачи"}
- Источники: {ссылки}
随后按轮拆解,每一轮一个小节,模板同样精确到字段:
```markdown
### Раунд {N}: {Тип}
- **Длительность:** {X} мин
- **Проводит:** {коллега / менеджер / skip-level / рекрутер}
- **Что оценивают:** {конкретные навыки}
- **Зафиксированные вопросы:**
- {вопрос} — [источник: Glassdoor 2026-Q1]
- **Как готовиться:** {1-2 конкретных действия}
英文原版 modes/interview-prep.md 在此处补充了两条工程化增强,可作同一模式的进阶参考:其一,每轮标注 audience(recruiter-screen / hiring-manager / peer-tech / panel-mixed),因为"受众决定第 4、7 步的优先级"——第 1 轮 15–30 分钟短电话几乎必然是 recruiter screen,而第 2 轮不能默认是 hiring manager(很多公司放 peer 技术电面);其二,当日程文本能识别出会议平台(如通过 invite-match.mjs 的 extractPlatform)时,把 Zoom/Teams/Meet/Phone 也记录进 Platform 字段,并在"如何准备"里追加对应的后勤提醒(视频轮检查摄像头与灯光,电话轮确认安静环境)。这些是英文版为北美/全球流程增加的分支,俄语版未收录,使用时可自行决定是否参考英文原版补齐。
五、Step 4——四类"很可能被问到"的问题
研究之后是预测问题,俄语版按四个桶组织:
- 技术类(Технические):system design、coding、架构、领域知识;
- 行为类(Поведенческие):领导力、冲突、协作、失败——每个问题都要落到 story-bank 里的哪条故事最合适;
- 角色特有类(Специфичные для роли):紧扣具体 JD、结合 archetype 推断;
- 背景红旗下(Red flags в бэкграунде):面试官大概率会就简历的空白期、跳槽、非常规经历发问——这要求认真读
modes/_profile.md和cv.md。
英文原版在此更进一步:把问题按"谁在问"分组而不是按题型分组,并为每条答案规定 result-first 的四段框架——Headline(结论)→ Effect(对业务/用户/系统为何重要)→ Rationale(背后的权衡)→ Operations(你具体做了什么、细节要足以取信于人)。资深/技术/领导岗尤其吃这一套;recruiter 轮的回答可以短,但也要"先给结论"。俄语版用"red flags 专门立桶"的设计,呼应的是同仓库 modes/heuristics/recruiter-side.md 的候选人视角写作文档——面试过程本质要消解的,正是评估/PDF/申请流程里暴露出的风险点。
六、Step 5——故事银行映射:给每个问题找一条故事
story-bank 映射表把"预测问题"与"已有故事"做笛卡尔式配对:
| # | Вероятный вопрос/тема | Лучшая история из story-bank.md | Fit | Пробел? |
|---|---|---|---|---|
| (预测问题/主题) | (故事标题) | strong/partial/none | 缺口说明 |
Fit 三档语义明确:
- strong:故事直接命中问题;
- partial:故事只算沾边,需要 re-framing;
- none:没有合适故事 → 显式标记给用户,让他决定是否补写。
这里必须引入一个仓库级 guardrail:故事银行是"累积式"资产,而不是像 cv.md 那样一次写就的。AGENTS.md 警告过一条数据漂移链——某次备战文档里为匹配 JD 措辞而临时发明的规模数字,可能被下游当成独立事实吸收入 story-bank,再被之后无关的备战文档当作 ground truth 引用,越传越偏。因此规则是:任何源自衍生文件的量化主张、规模数字或职责范围声明,都必须能回溯到主文件(cv.md / article-digest.md),或在 story-bank 条目上带显式 provenance 标记。这条约束也解释了为什么模式标题下方要求逐条保留 [выведено из JD] 之类来源标签——情报链条的可追溯性就是这套系统与普通 prompt 工程的本质区别。仓库中的 negotiation-roi.mjs 甚至专门以 story-bank 中的量化成就为锚点生成谈判话术,前提是该数字与 cv.md 原样一致(v1 安全门)——可见这一防漂移设计贯穿了多个模式。
七、Step 6~7——技术准备清单与公司信号
技术清单以公司实际测的东西为准,而不是通用八股:
- [ ] {тема} — почему: "{доказательство из исследования}"
- [ ] {тема} — почему: "{их блог/продукт говорит, что это важно}"
按出现频率与岗位相关性排序,上限 10 条。
**公司信号(Сигналы компании)**要提炼四件事:
- 会被筛的价值观:点名并引用来源;
- 要用的黑话:公司内部术语(说行话 = 做过功课);
- 要避开的坑:面经里反复出现的反模式;
- 反问他们的 2–3 个尖锐问题:证明你做了功课的问题,而不是"团队氛围怎么样"这种泛泛之问。
英文原版把这层按受众再切一刀,观点值得借鉴:同样一个事实,讲给同级工程师是优点、讲给 recruiter 可能就是黄旗,措辞框架必须跟着听众走(recruiter 听到"影响与规模",peer-tech 听到"架构与权衡")。
八、俄式专项:俄罗斯公司的轮次、高频题与 STAR+R
俄语版最独特的资产是 modes/ru/interview-prep.md 末尾的"Специфика российских собеседований 🇷🇺"专节,这是英文原版没有的本土化知识:
典型轮次结构(俄企)
- HR 筛选(20–30 分钟):动机、薪资预期、搬迁/工作形式意愿;
- 技术面试(60–90 分钟):算法、system design、技术栈掌握;
- Live coding(45–60 分钟):算法题或实操题;
- System design(60 分钟):系统性设计题,尤其 Яндекс、Авито、VK、Ozon、Т-Банк 这类大厂必考;
- 文化匹配(30–45 分钟):价值观、团队协作、冲突处理;
- Bar-raiser(大公司):由资深工程师做最终把关。
最高频问题(逐条有据)
- "Расскажите о себе"(自我介绍 2–3 分钟、结构化);
- "Почему уходите с текущего места?"(为什么离开现职);
- "Зарплатные ожидания?"——务必问清 gross / net(含不含税/到手工资金额)——呼应俄企薪酬语境里 НДФЛ 13% 等市场差异;
- "Готовность к переезду / формату работы?"(搬迁/办公形式意愿);
- "Расскажите о самом сложном проекте"(最复杂项目);
- "Как решаете конфликты в команде?"(团队冲突处理);
- System design 常考:"Спроектируйте {URL shortener / чат / лента новостей / платёжная система}"(短链/聊天/信息流/支付系统)。
STAR+R 俄语变体——这是英文 STAR 的扩展,多出的 **R(Осмысление,反思)**正是 interview-prep 区分"复盘型候选人"的关键,五个字母被本地化写作:
- С(Ситуация):情境与前提;
- З(Задача):要完成的任务;
- Д(Действия):你具体做了什么;
- Р(Результат):可量化的结果;
- О(Осмысление):学到了什么、重来会怎么做。
这一本地化命名在 modes/ru/README.md 的翻译原则里得到解释:模式采用"工程师真实使用的技术俄语",即俄语行文、通用技术词保留英语(pipeline、tracker、report、score 等绝不强行俄化为"конвейер/резюме-файл"),只对俄罗斯市场的制度词(ТК РФ、ГПХ、самозанятость、ДМС、испытательный срок、gross vs net)做精准本土化。
九、产出物与规则:可复用的备战文档
模式要求把完整报告写入 interview-prep/{company-slug}-{role-slug}.md,头部模板如下:
# Подготовка к собеседованию: {Компания} — {Роль}
**Отчёт:** {ссылка на отчёт оценки или "N/A"}
**Исследовано:** {YYYY-MM-DD}
**Источники:** {N} отзывов Glassdoor, {N} постов Blind, {N} прочих
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