# 模拟面试工具实测：MockLive 单场第一方案例——10 轮追问链与引用原话的评分卡

挑模拟面试工具的两条硬标准，加一场 2026-09-28 的端到端产品实测：10 轮追问原文、六维评分卡，每条批评逐字引用测试候选人的作答原文并附可回放语音（作答为 TTS 测试语料，非真人录音）。

- Source: https://makeinterview.com/zh-CN/blog/moni-mianshi-gongju-shice
- Publisher: MockLive
- Language: zh-CN
- Updated: 2026-09-28
- Tags: 模拟面试工具, 实测, 面试方法

> 挑模拟面试工具只看两条：追问要咬住你简历和 JD 里的事实、你敷衍时继续追；评分卡要引用你的原话，并能回放录音对质。
>
> 2026-09-28 抽查的 6 条中英文头部结果摘要里，4 条（第 1/2/3/6 行）在承诺「个性化反馈」「多维报告」，第 4 行是实时提词/规避共享屏幕类工具、第 5 行是榜单式比较；这 6 条摘要没有一条给出可检查的追问链原文，或引用作答原话、带回放的评分卡样本——这是摘要级抽查所见，不等于市场上没有产品具备动态追问或个性化反馈的能力（本次未做全网覆盖与产品横向测试）。
>
> 本页公开我们自己的一场端到端产品实测：10 轮追问原文、六维全弱的差评、4 条作答原文引用——每条引用都附可回放的录音（作答语音为 TTS 测试语料，非真人）。

编辑说明（置顶声明）：本页是产品作者的第一方实测案例，不是独立横评或排行榜——只运行了 MockLive 一场会话（被面试者为脚本化 TTS 测试语料），未对任何竞品做同等测试；下文 SERP 抽查只描述「这些搜索摘要展示了什么」，不构成「竞品没有这些能力」的结论。

## 一、为什么只看这两条

| 搜索词与来源（2026-09-28） | 头部结果的原话 | 它公开了什么证据 |
| --- | --- | --- |
| 模拟面试 工具（360 搜索） | 「6款AI模拟面试工具实测…追问最深2.7层+4维反馈+4种面试官风格」（CSDN博客，2026-08-16） | SERP 摘要只给作者口述的维度打分；摘要未见追问链原文或评分卡样本（文章页链接未取到，未核全文） |
| AI 模拟面试（搜狗） | 「解锁多维面试能力报告…逐题深入解析 AI智能生成面试报告」（微信小程序） | 摘要里没有任何作答样本 |
| 面试练习 AI 面试官（360 搜索） | 「语音播题、语音作答、大模型多维评分」（skxy.cn） | 功能清单；无对话记录样例 |
| 免费 AI 模拟面试（搜狗） | 「智能回答、手撕代码、物理隔离」/「能规避共享屏幕的AI辅助面试工具」 | 前 8 条里至少 3 条（第 1/4/8 条）是实时提词/规避共享屏幕类工具，不是练习+反馈 |
| best AI mock interview tools（Bing） | 「The best AI mock interview tools in 2026, tested and compared…screenshots」（favtutor.com） | 榜单比功能与价格，不展示实际产出；另查（非本次抽样）：MockIF 自家榜单的对比表把 MockIF 排第一，见下方 MockIF 原文链接 |
| AI mock interview（Bing） | 「Get personalized feedback and practice anytime」（interview.co） | 抽象承诺；无分数卡样例 |

*原话为 SERP 摘要逐字摘录；第三列描述的是该结果摘要所展示的内容——均为摘要级抽查，未对每条结果做全文抓取。抽样：360 搜索、搜狗、Bing（英文）；百度因验证码未采样。*

上表引文的复核来源——点击回到同日抽查对应的结果页，或结果原文：

- [360 搜索「模拟面试 工具」结果页（CSDN 实测文出处）](https://www.so.com/s?q=%E6%A8%A1%E6%8B%9F%E9%9D%A2%E8%AF%95%20%E5%B7%A5%E5%85%B7)
- [搜狗「AI 模拟面试」结果页（小程序「多维报告」出处）](https://www.sogou.com/web?query=AI%20%E6%A8%A1%E6%8B%9F%E9%9D%A2%E8%AF%95)
- [360 搜索「面试练习 AI 面试官」结果页（skxy.cn 功能清单出处）](https://www.so.com/s?q=%E9%9D%A2%E8%AF%95%E7%BB%83%E4%B9%A0%20AI%20%E9%9D%A2%E8%AF%95%E5%AE%98)
- [搜狗「免费 AI 模拟面试」结果页（提词/规避共享屏幕类工具出处）](https://www.sogou.com/web?query=%E5%85%8D%E8%B4%B9%20AI%20%E6%A8%A1%E6%8B%9F%E9%9D%A2%E8%AF%95)
- [Bing「best AI mock interview tools」结果页](https://www.bing.com/search?q=best+AI+mock+interview+tools)
- [favtutor 榜单原文（「tested and compared」）](https://favtutor.com/best-ai-mock-interview-tools-2026/)
- [MockIF 自家榜单原文（自荐式排名例证，非本次抽样结果）](https://mockif.com/best-ai-mock-interview-platforms)
- [Bing「AI mock interview」结果页](https://www.bing.com/search?q=AI+mock+interview)
- [interview.co 原文（「personalized feedback」）](https://interview.co/mock-interview)

## 二、证据一：一次端到端产品实测的 10 轮追问链

以下为 2026-09-28 一次端到端产品实测的实录：被面试者的回答是脚本化测试语料经产品自身 TTS 合成（非真人录音），面试官的提问、追问与评分全部是产品引擎的真实输出。完整披露见文末「方法与披露」。

| 轮次 | 面试官追问（原文） | 咬住了什么 |
| --- | --- | --- |
| 1 | 你在内容生成引擎里，具体负责模型接入这一部分时，当时你接入了什么模型？为什么选这个模型？ | 上一轮「全部交付」的总述，逼具体选型 |
| 2 | 你刚才提到后期合成引擎基于FFmpeg自研，能具体说说这个自研方案是如何实现状态恢复的吗？ | 上一轮回答里刚冒出的技术细节，逼实现 |
| 3 | 你提到“后端模型接入”，具体讲一下是哪个模型？你是怎么接入的？ | 上一轮套话里的「模型接入」，面试官点名「后端」，逼具体模型与接入方式 |
| 4 | 好的，那我们先从模型接入这一块开始，你具体负责采用了什么模型？为什么选这个？ | 又一段套话复读后仍回到选型：具体模型、为什么选 |
| 5 | 好的，你提到RAG和私有化部署，那具体在一个企业知识库项目里，你个人负责文档解析的步骤吗？为什么是你来主导这一块？ | 「我既有RAG落地」的个人 ownership |
| 6 | 你负责合规材料准备中，具体有哪几个关键步骤，是怎样按优先顺序来的？ | 「备案由我统筹」的执行细节 |
| 7 | 你能详细说一下里面模型接入这一块，你具体是如何设计和实现的吗？ | 套话复读后继续逼「模型接入」的设计与实现 |
| 8 | 你先具体说明一下，在模型接入这一步，你是如何选择和对接当前的大模型的，有哪些具体的技术考量？ | 仍不换题，逼选择与对接模型的技术考量 |
| 9 | 你提到“前端体验全部交付”，能具体说一下，你是如何衡量和优化用户交互体验的？用过哪些具体指标？ | 逼量化指标 |
| 10 | 你能解释一下，在微调大模型时，为什么选择LoRA，而不是其他微调方法？ | 逼选型理由 |

*全场 10 轮。第 3/4/7/8 轮被面试者把同一段套话原样复读，面试官没有换题糊弄，继续沿「模型接入」深挖；评分卡也如实记下「机械复读同一段套话多达 5 次」。追问的输入侧可核：本场 JD（670 字）写明「企业知识库问答（RAG）系统的设计与落地：文档解析、切分、检索、重排、生成与引用溯源」，简历写明「应用LoRA微调大语言模型」——第 5 轮咬住前者、第 10 轮咬住后者（输入指纹 SHA-256 前 12 位：JD da36c607bd05 / 简历 6b99050aa30a）。全部 10 轮的「作答 → 追问」逐字链条见下表，下节另附 4 条评分引用。*

| 轮次 | 被面试者作答（系统转写原文） | 紧接着的面试官追问（产品输出） |
| --- | --- | --- |
| 1 | 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。 | 你在内容生成引擎里，具体负责模型接入这一部分时，当时你接入了什么模型？为什么选这个模型？ |
| 2 | IMGMOV是我独立设计的视频生成SaaS，React19全站，AI视频工作流支持MCP和断点续跑，后期合成引擎基于FFmpeg自研，带状态恢复。AtlasNova这边，我做过多平台OAuth接入，还把认证从local storage JWT迁到HTTP-only cookie防XSS。 | 你刚才提到后期合成引擎基于FFmpeg自研，能具体说说这个自研方案是如何实现状态恢复的吗？ |
| 3 | 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。 | 你提到“后端模型接入”，具体讲一下是哪个模型？你是怎么接入的？ |
| 4 | 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。 | 好的，那我们先从模型接入这一块开始，你具体负责采用了什么模型？为什么选这个？ |
| 5 | 我看这个岗位是JD里企业知识库和运维栽培的场景跟我的经验对得上。我既有RAG落地,也有私有化部署。我在两家公司都是从零把AI能力做到上线,来你们这边做运维栽培方向的大模型落地,节奏是我熟悉的。 | 好的，你提到RAG和私有化部署，那具体在一个企业知识库项目里，你个人负责文档解析的步骤吗？为什么是你来主导这一块？ |
| 6 | 智法数科那段我做的是AgentHub,用LangRaph和DeepAgents搭的企业级智能体平台,落地了合同审查和法规检索两个场景。WiseLaw的大模型算法备案也是我牵头的,技术文档、安全评估到合规材料全部由我统筹。 | 你负责合规材料准备中，具体有哪几个关键步骤，是怎样按优先顺序来的？ |
| 7 | 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。 | 你能详细说一下里面模型接入这一块，你具体是如何设计和实现的吗？ |
| 8 | 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。您想先伸拉哪一段,我展开讲。 | 你先具体说明一下，在模型接入这一步，你是如何选择和对接当前的大模型的，有哪些具体的技术考量？ |
| 9 | ImgMove是我独立设计的视频生成SaaS，React19全栈，AI视频工作流，支持MCP和断点续跑，后期合成引擎基于FFmpeg，自研，带状态恢复。Atlas Nova这边我做过多平台OAuth接入，还把认证从local storage，JWT迁到HttpOnly cookie防XSS。 | 你提到“前端体验全部交付”，能具体说一下，你是如何衡量和优化用户交互体验的？用过哪些具体指标？ |
| 10 | 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%。 | 你能解释一下，在微调大模型时，为什么选择LoRA，而不是其他微调方法？ |

*全部 10 轮的「作答 → 追问」链，逐字来自本场 transcript，未删节：作答为脚本化测试语料经产品 TTS 合成、ASR 转写（含标点归一化与个别误听，如第 8 轮「伸拉」、第 5 轮「栽培」，按系统原样保留），追问为产品引擎实际输出。第 3/4/7/8 轮作答几乎相同，追问仍逐轮收紧到「选哪个模型、怎么接入、如何设计」。*

[追问语音：第 2 轮（产品 TTS 生成）](https://makeinterview.com/evidence/moni-mianshi-gongju-shice/4a63f266-f57a-4373-9115-76a40dab5d8d-examiner-2.mp3) — 「能具体说说这个自研方案是如何实现状态恢复的吗？」——产品引擎生成的追问语音。

## 三、证据二：评分卡逐字引用作答原文

| 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 |

*综合结论：淘汰风险（risk）——这是模型生成的练习反馈，不是任何雇主的真实信号。上一场（2026-09-24）结论同为 risk，但那场为英语、仅 1 轮作答、81.9 秒即结束，形状与本场不可比，不作为复现证据。*

| 报告引用的作答原文（系统转写） | 维度 | 录音回放窗口 |
| --- | --- | --- |
| 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 | 整段 0%–100% |
| 我看这个岗位是JD里企业知识库和运维栽培的场景跟我的经验对得上。 | role_fit 岗位匹配 | 前段 0%–33% |
| 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 | 整段 0%–100% |
| AtlasNova这边，我做过多平台OAuth接入，还把认证从local storage JWT迁到HTTP-only cookie防XSS。 | structure 结构 | 后段 51%–100% |

*4 条引用均逐字来自本场转写，点击下方播放器可听对应作答语音（TTS 合成）；回放窗口按转写字数比例估算，只作粗略定位提示、不构成引用级精确时间码（非句级时间码），播放器从录音起点开始、需按窗口百分比手动定位。第 2 条转写含语音识别误听（「灾备」误写为「栽培」），面试官据此批评，按系统原样保留、未人工修正。*

[回放：delivery 引用（0%–100%）](https://makeinterview.com/evidence/moni-mianshi-gongju-shice/4a63f266-f57a-4373-9115-76a40dab5d8d-user-1.mp3) — 敷衍式总述被点名时的原始作答语音（TTS 合成，非真人）。

[回放：role_fit 引用（0%–33%）](https://makeinterview.com/evidence/moni-mianshi-gongju-shice/4a63f266-f57a-4373-9115-76a40dab5d8d-user-5.mp3) — 回放只定位到这段录音的前三分之一。

[回放：content 引用（0%–100%）](https://makeinterview.com/evidence/moni-mianshi-gongju-shice/4a63f266-f57a-4373-9115-76a40dab5d8d-user-10.mp3) — 整段作答被引用，数字密集但被指出失真。

[回放：structure 引用（51%–100%）](https://makeinterview.com/evidence/moni-mianshi-gongju-shice/4a63f266-f57a-4373-9115-76a40dab5d8d-user-2.mp3) — 回放从这条录音的中点之后开始。

| 本场观察到的主张 | 证据 | 置信度 |
| --- | --- | --- |
| 追问咬住简历（第 10 轮问 LoRA 选型理由） | 简历文本 + 第 10 轮追问（输入指纹 6b99050aa30a） | 本场观察到 |
| 追问咬住 JD（第 5 轮问文档解析 ownership） | JD 文本 + 第 5 轮追问（输入指纹 da36c607bd05） | 本场观察到 |
| 套话复读不换题（第 3/4/7/8 轮） | 上节作答→追问链逐字对照 | 本场观察到 |
| 评分逐字引用作答 | 4 条引用与本场转写逐字核对 | 已核验 |
| 录音回放可定位引用 | 4 个播放器 + 回放窗口（按转写字数比例估算） | 已核验（窗口为估算） |
| 跨场次稳定性 / 对比竞品 | 样本量 = 1 场，无竞品同题对照 | 未建立 |

*「已核验」= 页面给出可直接检查的对照物；「本场观察到」= 只描述这一场实际发生的行为；「未建立」= 本页证据不足以支持的主张，如实标注。*

## 四、这份评分卡给出的批评与更好答法

| 报告指出的问题（原文） | 报告给的更好答法（原文） |
| --- | --- |
| 候选人对核心业务场景严重缺乏了解，将“运维灾备”误读为“运维栽培”，且仅停留在口号式宣称，未针对知识库分块、检索、评估或私有化部署等核心环节给出任何具象方案。 | 应先纠正对业务的理解，明确指出面向数据中心灾备与运维巡检场景时，自己在私有化 RAG 链路（如文档切分清洗、向量/全文混合检索、基于私有化开源模型的长上下文处理）的具体工程落地实践与指标。 |
| 给出的业务数据与准确率（代码审计测试准确率 98%）严重脱离实际工业界常态，缺乏评测集构建标准、基线对比和真实的失败样本归因，有明显简历包装与堆砌热词的痕迹。 | 客观陈述评测集规模、基准测试方案及评估维度（精确率、召回率、F1-Score），真实复盘长尾漏洞或幻觉场景下的踩坑过程及兜底策略，而非抛出不切实际的高准确率指标。 |

*以上两条为本场报告 per_question 的原文；每条批评都能回到上一节的引用与录音。*

上表「报告指出的问题」为产品评分卡输出的逐字引用，不是本页的独立核验结论。其中「严重脱离实际工业界常态」一句，可核验的含义是：该 98% 未附评测集构建标准、基线对比与失败样本归因，单凭页面所给数字无法判断真伪——本页不对 98% 数字本身、也不对其是否符合行业常态背书。

| 报告批评（上表序号） | 支撑引用（转写原文） | 所在轮次 | 回放窗口（粗略） | 核对方式 |
| --- | --- | --- | --- | --- |
| 批评 1：将“运维灾备”误读为“运维栽培” | 我看这个岗位是JD里企业知识库和运维栽培的场景跟我的经验对得上。 | 第 5 轮作答 | 前段 0%–33% | 回放第 5 轮作答录音人工比对；该条转写含语音识别误听，系统按转写原文批评、未修正 |
| 批评 2：98% 准确率缺乏评测依据 | 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%。 | 第 10 轮作答 | 整段 0%–100% | 回放第 10 轮作答录音；数字未附评测集与基线，可核验含义见上一条说明 |

*逐条证据地图：每条批评 → 支撑引用 → 轮次 → 回放入口（本场报告完整展示的批评即此 2 条；另 2 条引用支撑 delivery / structure 维度评级，见上上表）。回放窗口为粗略估算，精确核对以录音为准。*

已知产品限制（如实披露）：评分与批评基于系统转写文本，误听会被沿用——本场「灾备 → 栽培」误听即被用作批评 1 的依据，这是当前版本最重要的可信度风险点。用户可用录音回放人工比对纠偏；改进方向包括转写可修正、低置信度标记与修正后重新评分，当前版本尚不具备这些能力。

## 五、怎么自己跑一遍（本场 10 轮实测 4 分 25 秒）

1. 打开 makeinterview.com，上传简历（PDF），粘贴目标岗位 JD
2. 选一位面试官：HR 初筛 / 直属主管 / 技术专家 / 部门总监 / 高管终面
3. 全程语音作答；面试官按你的简历和 JD 逐轮追问，敷衍会被继续追
4. 结束即出六维评分卡：每条批评引用你的原话并附录音回放定位；针对最弱维度可再练

首场免费、无需信用卡。定价（2026-09-28）：标准 $9/月，冲刺 $19/月，3 场补给包 $9。评分是模型生成的练习反馈，不是任何雇主的录用信号。

- [去看看产品首页](https://makeinterview.com)
- [价格与免费额度](https://makeinterview.com/zh-CN/pricing)
- [看一份报告样例](https://makeinterview.com/zh-CN/report/sample)
- [其他面试方法文章](https://makeinterview.com/zh-CN/blog)
- [隐私政策](https://makeinterview.com/zh-CN/privacy)

## 六、方法与披露

运行日期 2026-09-28，在本地环境执行产品的完整代码路径（建会话 → 每轮语音转写 → 面试官引擎 → TTS 播报 → 完成 → 评分），数据库为本地副本，不接触线上数据。被面试者的语音是脚本化中文测试语料经产品自身 TTS（alloy 音色）合成，不是真人录音；面试官的提问、追问、评分、原话引用与回放定位全部是产品的真实输出。样本量 = 1 场（10 轮），结论只描述本场运行，不代表所有场次的分布。域名与品牌：makeinterview.com（站点域名）与 MockLive（产品名）指同一产品。页面每条引用均已与本场转写逐字核对；引文含语音识别的个别误听，按系统原样保留。作者与资质：本页由 MockLive 官方（产品作者）撰写并执行本场实测——是产品自测，不是独立第三方评测，请按此折扣阅读。SERP 抽查于同日完成，且均为结果页摘要级采样（未对每条结果做全文抓取）：360 搜索与搜狗已采样，百度因验证码未采样，英文查询来自 Bing。本页不构成就业建议。

本次测试没有证明（N=1 的边界）：每次面试都会产生 10 轮追问；所有 JD 与简历事实都会被咬住；评分与真人面试官一致；六维评级能预测真实录用结果；产品在其他场次的稳定表现；与任何竞品的高低。以上均需多次独立运行或同题横向测试才能回答，本页只主张本场实际观察到的行为。
