bestpractice_interview_evaluation
Z3 全文↑ Z2 条目
道-方法 · 道层 skill 全文
本页是 <code>rules/skills/bestpractice_interview_evaluation.md</code> 的逐字投影（仅隐私清洗，零改写）。
时点提示：本页是仓内文件 rules/skills/bestpractice_interview_evaluation.md 的逐字投影（仅做隐私清洗：仓库根绝对路径→相对路径、家目录→~/；除此零改写）。若源文件后续有修订，以仓内真源为准。
AI 时代面试评估框架
面试评估从考察 Skill 转向考察 Trait，并识别 AI 辅助作弊。
核心原则
岗位由 Trait 而非 Skill 定义
AI 时代技能快速贬值。面试应考察：
- 业务敏感度
- 解决问题的动机
- 抗压能力
- 讲故事与说服力
而非单纯的编程能力或框架熟练度。
Senior 面试策略转向
放弃询问"做了什么"，深挖"为什么（Rationale）"：
- 为什么选择这个方案？
- 有什么替代方案？为什么放弃？
- 如果重来会怎么做？
警惕在不平衡数据集中使用 Accuracy 的候选人。
AI 作弊识别
视觉特征
- 眼神固定在狭窄区域（屏幕）
- 无 Filler words（正常人说话会有停顿、犹豫）
- 结构过度严谨（AI 输出的典型特征）
逻辑特征
- 过度圆满的 Hallucination
- 对不存在的内容也能"流畅"回答
- 无法识别非标准单词发音（AI 直接读出而非认出）
探针战术
- Knowledge Cutoff 钓鱼：捏造不存在的模型/框架/版本，观察候选人反应
- 反向追问：要求解释"刚才提到"的具体细节
- 发音陷阱：使用非标准发音的术语，观察是否能正确识别
技术深度探测
Auto Labeling Pipeline 背景
针对有自动标注管线经验的候选人：
- 系统性召回偏差识别：训练数据是否存在系统性偏差？
- Evaluation Blind Spot 探测：评估指标是否覆盖了所有失效模式？
Edge vs Cloud 决策框架
基于三层维度决策：
- 延迟要求：实时性要求高 → Edge
- 关键性（Criticality）：故障后果严重 → Edge + 冗余
- 技术可行性：模型大小 vs 设备算力
Magic Leap 实践中 ORB 特征优于 Superglue 等前沿方案——经典算法在特定场景仍有价值。