直接答案
面试复盘，先做这一件事：把你答砸的那一句原话从逐字稿里捞出来，对上面试官紧接着的追问，再写出修复后的重答——而不是凭记忆列一条「哪里没答好」。
预登记对照实验的结果：只看报告无法看到 4 条面试官追问——它们在报告全文检索中 0 次命中（M3=4；口径与全部计数见表 1），逐字稿侧 4/4 可见。
五步：① 标出被追问 ≥2 次的轮次 ② 捞出答砸原话 ③ 对照评分卡引用（报告里的逐字引用） ④ 听回放 ⑤ 写修复后的重答——本页用一场 mock 把五步跑完，并给出头部结果没有的四样东西：预登记对照计数（M1=0 / M2=0 / M3=4，含 0 照发）、9 行逐字崩点链、3 条评分卡原话、7 段可回放录音。
手里还没有逐字稿？方法适用于任一场 mock 场次；本页不处理真实面试录音（该能力未被验证，见第六节）——先跑一场 mock 拿到逐字稿（入口见第七节）。
编辑说明：本文作者即产品作者，属第一方自测、非第三方评测，请按此折扣阅读。被面试者语音为测试语料经产品 TTS 合成（alloy 音色，非真人），面试官提问、追问、评分与引用为产品引擎真实输出；样本 N=1。本页不宣称产品可以导入你真实面试的录音——该能力未被本页验证，也未被公开材料证明。回放窗口为转写字数比例估算，不是句级时间码；ASR 个别误听按原样保留。其余披露见表 1 注。
一、对照实测：只看报告，和打开逐字稿，差多少
| 指标 | 只看报告摘要的复盘（AI 代理执行，非真人记忆） | 逐字稿复盘 | 计数 |
|---|---|---|---|
| M1 · 3 条经验未覆盖的失败时刻 | 0 — 按表下注⑤的覆盖判定（运行后口径，非预登记），3 条经验覆盖 8/8 个失败时刻（逐时刻映射见注⑤） | 0 — 8/8 个失败时刻在逐字稿中逐字可见 | M1 = 0 |
| M2 · 最差时刻的逐字回忆 | 与第 2 轮作答逐字一致（脚本比对命中原文子串，比对未做任何归一化）；该句本身即报告 delivery 引用的全文，可直接取自其唯一输入 | 原文即在逐字稿中，无需回忆 | M2 = 0（0 = 完全匹配；不一致计 1） |
| M3 · 报告未呈现的失败时刻 | 作答第 7–10 轮之前的四次追问（转写编号第 6–9 轮：什么模型+性能代价 / 哪个模型+部署规模 / 选定标准+代价 / 评估该模型的指标+代价）在 report.json 全文检索均为 0 次 | 4/4 可见，逐字追问见第二节表 2（作答第 7–10 轮各行） | M3 = 4 |
表 1 读法与披露（预登记要求照实执行）：① 「只看报告」侧由 AI 便签员在场次结束后立即执行，唯一输入是本场 report.json（未见逐字稿、脚本、录音），任务固定为「写出 3 条经验 + 逐字回忆最差时刻的一句原话」——它是 AI 便签员，不是真人凭记忆复盘自己的面试。② 同操作者污染：运行本场的操作者本人编写了脚本化作答语料；该污染属于场次本身，不改变 ① 的盲测性。③ 样本 N=1。④ 失败时刻：(a)/(b)/(c) 三条判据于运行前预登记（评分卡 = 报告按维度给出的评级与逐字引用，第三节展开）；按判据逐轮套用与轮次归属为运行后判定，得 N=8——a 类 3：per_question[0]「机械化重复套话」、per_question[1]「98% 虚高 + 术语堆砌」、interviewer_note「背稿/模板/脱节/淘汰」；b 类重追 4：作答第 7/8/9/10 轮之前的四次追问——同一需求在非应答后被再次施压，「同一需求」以对象是否相同判定，模型接入/选型家族首次提出于作答第 3 轮之前的追问；对象不同的首压不计（作答第 5 轮之前的 API 权衡追问、作答第 6 轮之前的 React 19 性能追问均为各自需求的首压），作答第 4 轮之前的「四轮调整」追问被非应答后再未被提起、无再压即不计；c 类数字质疑 1：第 10 轮作答之后的收尾追问「具体指标是怎么量化的？」压在 65%/98% 之上。⑤ M1 的覆盖判定：M1 的定义（未被三条经验覆盖的失败时刻数）见预登记；判定口径「若执行某条经验会改变该时刻的结果，则视为覆盖」与逐时刻映射——a1←经验 1，a2←经验 2，a3←经验 1+经验 3，b1–b4←经验 1（禁用重复开场白、并以角色匹配的私有化交付作答替代，直接作用于重追的成因），c1←经验 2（以可核验机制替换虚高数字）——为结果解读期（Side A 产出之后）确定的操作化定义，照实标注为非预登记 → 未覆盖 0。⑥ M2 为脚本机械比对：Side A 的原话须原样命中转写作答的原文子串（原样命中必然也满足预登记所写的归一化核对）——命中第 2 轮作答，M2=0；注意该句同时是报告 delivery 引用的全文，Side A 可直接取自输入——M2=0 不构成记忆能力证据。⑦ M3 的操作化口径（运行后确定，非预登记）：(1) 该次追问的整句在 report.json 全文 0 次命中，且 (2) 报告的批评/引用中没有针对该次追问的独立表述 → 计未展开；c1 虽整句同样 0 次，但其被质疑的数字（65% 出现 2 次、98% 出现 3 次）已作为 a2 批评的直接对象出现在报告中 → 计已展开。b1–b4 满足两条件（四条追问整句各 0 次命中；特征短语 性能代价 / 什么模型 / 部署规模 / 选定 也各 0 次），M3=4。报告确有对重复开场白的整体批评（a1 主题），但未呈现这四次追问及其均未获回答的事实——该区分即本页采用的口径，照实说明。全部计数照实发布，含 0。
二、崩点链：让你答砸的那一句原话在哪
先看报告不会给你的东西：下面这条链把「哪一句答砸、被追问了几次」逐字排出来——四步、9 行，全部来自本场逐字稿。术语：「崩点」= 你答砸或被追问不放的那个时刻；「逐字稿」= 场次的逐字转写记录；「评分卡」= 报告里按维度给出的评级与逐字引用（第三节展开）。「回放指针」一列是关键：它标出哪些句子报告还记得（带回放窗口），哪些句子只有逐字稿里还留着原句——表后第一个音频块就是「那一句原话」（第 2 轮作答）的回放。
| 步骤 | 轮次 | 面试官的追问（逐字） | 你的作答（逐字） | 回放指针 |
|---|---|---|---|---|
| 1 · 那一句原话 | 第 2 轮 | 好的，你说到 ImageMove 有状态恢复机制，具体来说，状态同步是如何在 MSP 与 FFmpeg 之间传递的？这个代价是啥？ | 我按项目主线说吧,这几年从算法到全站我都在一线,最近一个完整闭环是内容生成引擎,从模型接入、路由容错到前端体验全部交付。您想先深挖哪一段,我展开讲。 | 整段 0%–100%（评分卡 delivery 引用；播放器在本表下方第一个音频块） |
| 2 · 答了一半 | 第 3 轮 | 好，那我们先接着模型接入这部分深入，你说的是什么模型，具体对接时遇到的最大技术挑战是什么？ | 最难的一次是算法备案、技术文档、安全评估和合规材料三线并行,前后改了四轮才通过。这件事让我把模型合规整条链路走通了,也知道工程侧怎么提前准备材料。 | —（评分卡未引用此句） |
| 2 · 开场白顶掉追问 | 第 4 轮 | 你刚才提到前后改了四轮，每一轮具体都调整了什么内容？这里面最大的取舍是什么？ | 我爱项目主线说吧,这几年从算法到全站我都在一线,最近一个完整闭环是内容生成引擎,从模型接入、路由容错到前端体验全部交付,您想先深挖哪一段,我展开讲。 | —（评分卡未引用此句） |
| 3 · 连顶四次 1/4 | 第 6 轮 | 你说前端用 React 19，你们在这部分性能上承担了什么样的代价？ | 我按项目主线说吧,这几年从算法到全站我都在一线,最近一个完整闭环,是内容生成引擎,从模型接入,路由容错,到前端企业全部交付。您想先深挖哪一段,我展开讲。 | —（评分卡未引用此句） |
| 3 · 连顶四次 2/4 | 第 7 轮 | 好的，那我先从模型接入开始。你具体选了什么模型，接入过程中的性能代价是多少？ | 我按项目主线说吧,这几年从算法到全站我都在一线。最近一个完整闭环,是内容生成引擎,从模型接入、路由容错到前端体验全部交付。您想先深挖哪一段,我展开讲。 | —（评分卡未引用此句） |
| 3 · 连顶四次 3/4 | 第 8 轮 | 你在模型接入环节，具体选了哪个模型，部署规模是多大？ | 我按项目主线说吧,这几年从算法到全站我都在一线,最近一个完整闭环是内容生成引擎,从模型接入、路由容错,到前端体验全部交付,你想先深挖哪一段,我展开讲。 | —（评分卡未引用此句） |
| 3 · 连顶四次 4/4 | 第 9 轮 | 好，你之前提到过模型接入，能具体说明一下你当时选定这个模型的标准是什么吗？它的代价包括哪方面？ | 我按项目主线说吧,这几年从算法到全站我都在一线,最近一个完整闭环是内容生成引擎,从模型接入、路由容错到前端体验全部交付,您想先深挖哪一段,我展开讲。 | —（评分卡未引用此句） |
| 4 · 数字出口 | 第 10 轮 | 好的，那从模型接入开始，你是如何评估这个模型的性能和代价的？具体用了哪些指标？ | 漏洞检测项目,我们标注了六万多条数据,用Lora微调大模型,把静态分析误报率从65%降到25%。另外,结合AST和CFG图结构,做代码审计,多任务指令微调,加思维链,内部测试准确率到98%。 | 整段 0%–100%（评分卡 content 引用；播放器见第三节） |
| 4 · 最后一追 | 第 10 轮后（无作答） | 这些流程里，你是怎么评估多任务指令微调对最终效果的贡献？具体指标是怎么量化的？ | （无作答——本场脚本固定 10 轮作答预算在第 10 轮用尽，场次随即进入评分，该追问未获得作答轮次） | — |
回放：第 2 轮作答——「那一句原话」（评分卡 delivery 引用，整段 0%–100%）
追问语音：作答第 3 轮之前的追问「你说的是什么模型……」（产品合成语音）
回放：第 4 轮作答（转写「我爱」为 ASR 误听）
回放：第 6 轮作答（连顶四次的第一遍）
追问语音：收尾追问「……具体指标是怎么量化的？」（第 10 轮作答之后发出；产品合成语音）
三、六维成绩单：评级与逐字引用
| 维度 | 评级 |
|---|---|
| content 内容 | weak |
| structure 结构 | weak |
| role_fit 岗位匹配 | weak |
| follow_up 追问应对 | weak |
| delivery 表达 | weak |
| reverse 反问 | weak |
| 评分卡引用的原话（逐字） | 维度 | 轮次 / 回放 |
|---|---|---|
| 我按项目主线说吧,这几年从算法到全站我都在一线,最近一个完整闭环是内容生成引擎,从模型接入、路由容错到前端体验全部交付。您想先深挖哪一段,我展开讲。 | delivery 表达 | 第 2 轮 · 整段 0%–100% |
| Atlas Nova这边，我做过多平台OAuth接入，还把认证从LocalStorage、JWT迁到HTTP only cookie防XSS。 | role_fit 岗位匹配 | 第 1 轮 · 后段约 51.7%–100% |
| 漏洞检测项目,我们标注了六万多条数据,用Lora微调大模型,把静态分析误报率从65%降到25%。另外,结合AST和CFG图结构,做代码审计,多任务指令微调,加思维链,内部测试准确率到98%。 | content 内容 | 第 10 轮 · 整段 0%–100% |
回放：role_fit 引用（引语位于约 51.7%–100%）
回放：content 引用（0%–100%）
上表「评分卡引用」为产品评分卡输出的逐字引语：评分生成时每条引用都必须是转写的原样子串（不满足则该次评分作废重试）；报告组装时再按同一规则定位回放，定位失败的引用仍会进入报告、只是不带回放指针——报告只在有指针时渲染播放器。本页 3 条引用均定位成功（3/3 带回放）。回放窗口按该段转写字数占整段录音的比例估算，只作粗略定位提示。
四、五步复盘法：打开逐字稿后，每一步查什么
| 步骤 | 查什么 | 在哪看 |
|---|---|---|
| 1. 标出重复追问 | 同一个点被面试官追问 2 次以上的轮次——那就是没答到位的信号 | 逐字稿轮次表：面试官列 |
| 2. 捞出答砸原话 | 那句不含具体名词、数字或机制的笼统回答（本场实测：见表 2） | 逐字稿原文，逐字 |
| 3. 对照评分卡引用 | 报告对这句的批评是否真的引用了它；引用对不上就整份作废 | 报告评分卡 + 原话引用 |
| 4. 听回放 | 转写看不到的语气、停顿、抢话；ASR 误听处按原样保留 | 引语旁的录音回放（比例定位） |
| 5. 写出修复后的重答 | 针对那句原话的直接回答：带具体事实、数字或机制；下一场 mock 对照验证 | 自己写下，下一场报告里查 |
五、头部结果抽查：它们给的是清单，不是你的原话
| 搜索词与来源 | 头部结果摘录 | 它公开了什么证据 |
|---|---|---|
| 面试复盘 怎么复盘 · 搜狗 · 2026-09-29（约 34,337 条） | 网易《面试之后，如何巧妙复盘？》(2024-06-20)、bilibili《只面试不复盘就是在原地踏步！教你做有效的面试复盘》(2023-11-26，摘要含「3步复盘法」)、前程无忧《面试失败复盘，搞清面试官套路！》(2025-05-29)、学信网《如何做好面试复盘》(2023-08-02)、CSDN《掌握面试复盘技巧，面试通过率翻倍》(2025-01-08)、微信《面试怎么复盘？别只记一句「哪里没答好」》(约 4 天前) | 所见摘录均为「回忆并记录」式方法清单。逐字稿、引用原话的评分、可回放的作答定位——在这批自然结果中一条都没出现（关键词核查：逐字稿 / transcript 在自然结果区 0 次；抓取页另有扩展模块含「语音转写」类内容，非自然结果，见表下说明） |
| 面试挂了 怎么复盘 知乎 · 搜狗 · 2026-09-29（同日重新抓取核对） | 知乎《面试挂了又挂?找对复盘方法很重要》(2022-07-29)、知乎《如何做面试复盘》(2022-08-29)、知乎《技巧 | 别以为面试完就完事了!要记得复盘》(2021-10-14)、前程无忧《面试失败,怎么复盘?》(2025-05-29)、bilibili《面试总失败?因为你没做好面试复盘,只需5步》、网易《面试之后,如何巧妙复盘?》(2024-06-20) | 流程清单型内容（「分析失败原因→对症下药」「回忆面试问题并记录」），本次摘要级抓取中无逐字稿或原话引用级证据 |
| 同次抓取的提示词与「问过的人」还在问模块 | 上方提示词：股票复盘的三种方法 / 炒股高手每天怎么复盘 / 工作复盘总结及思路；底部「相关搜索/大家还在搜」：复盘分析报告模板 / 面试复盘总结怎么写 / 什么叫股票复盘怎么复盘；「问过的人」还在问：为什么复盘做得好实盘不会做（54 人在问） | 「复盘」类目被股票/工作意图污染——本页标题与正文只谈面试复盘 |
抽查为摘要级采样，不是全网覆盖；「一条都没出现」指本次抽样所见的自然结果区，不等于市场上不存在具备此类能力的产品或内容——抓取页另含腾讯新闻/看点扩展模块，其中出现「语音转写」「录音转成文字」类条目（非自然结果，照实披露）。搜狗「约X条」是收录结果条数，不是搜索量——本页没有可用的搜索量工具，也未做付费投放。
六、本页没有证明
- 单场 N=1：结论只描述这一场 mock 场次，不代表所有面试、所有岗位、所有人的分布；未做跨 persona 稳定性验证。
- 被面试者作答为脚本化测试语料经产品 TTS（alloy）合成，不是真人的面试表现。
- 表 1 的对照是单次即时测量，由 AI 代理执行两侧中的一侧，属说明性测量；本页没有为「一般人凭记忆复盘都会漏记」这个一般性主张找到可核验的原始文献，因此不做该主张。
- 本页不处理、也不能处理你真实面试的录音：产品公开材料未证明「导入真实面试录音」是已支持能力，本页所有素材来自 mock 场次。
- 回放定位是转写字数比例估算，不是句级精确时间码；ASR 个别误听按系统原样保留、未人工修正。
- 第一方内容：作者即产品作者，是产品自测，不是独立第三方评测。
- 同操作者污染：运行本场的操作者本人编写了脚本化作答语料；该污染属于场次本身，不改变表 1 注②「只看报告」一侧的盲测性。
七、修好那句话，再跑一场对照
方法学收口：本场为本地脚本驱动的实测（scripts/evidence-run.mts，走生产代码路径、本地 SQLite，不触碰生产数据），session 1dc2ed55-aea4-4ec8-8c89-696e5463b442，运行于 2026-09-29（UTC 09:49），persona = 技术专家交叉面（tech-expert，与 2026-09-28 场次的用人经理 persona 不同，本页素材未复用旧场次），语言 zh，10 轮作答。发布前验收 gate：作答 10/10 带音频、评分卡引用 3 条全部带回放、不同回放窗口 2 个、缺失音频 0，通过。作答为关键词路由的脚本语料（基于简历与 JD 预写）经产品 TTS（alloy 音色）合成——测试语料，非真人录音；面试官提问、追问、评分与引用为产品引擎真实输出。样本 N=1；第一节对照实验预登记于 docs/loop08-diff-preregistration.md（2026-09-29 运行结束前、结果查看前冻结，结果照实发布、含 0）。引用与回放机制的实现位置：src/lib/scoring.ts 的 validateScore（引用须为转写原样子串，不满足则该次评分作废重试）与 src/lib/report-service.ts 的 evidencePlayback（同一归一化规则下、仅在带音频的候选人作答消息中定位回放；定位失败的引用仍进报告、只是不带回放指针）。