報告範例
AI 模擬面試結束後，你會拿到什麼報告？
面試官：用人主管（主管面試練習）
練習評估結果
淘汰風險
每份報告會給出三種結果之一：通過、待改善或淘汰風險，不是十分制分數。這場得到的是最低一級。這是對練習表現的評估，不代表任何雇主的錄取決定。
六個面向的評分
- 內容說服力
- 弱
- 結構清晰度
- 弱
- 職缺契合度
- 弱
- 追問應對
- 弱
- 表達與節奏
- 弱
- 反問品質
- 弱
每個面向分為強、合格、弱三個等級。這場練習的六個面向都被評為弱。
範例說明：這場面試的回答語音是文字轉語音（TTS）測試素材，並非真人錄音；職缺與工作經歷均為示範資料。報告中的批評由模型產生，未經獨立查證。
這場範例面試以中文進行，原始逐字稿為簡體中文；下方保留原文，並附繁體中文翻譯。你在繁體中文網站開始的面試，預設以台灣華語進行，報告也會以繁體中文產生。
評估依據：逐字引用回答原話
每段原話都對應一個評分面向，並附上回答錄音。錄音是中文，播放的是該段引用所屬的完整回答。
評分面向: 表達與節奏
原文（簡體中文，逐字引用）
「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。」繁體中文翻譯
“我先按主要專案來說。這幾年從演算法到全端開發，我都親自參與。最近完成的是內容生成引擎，從模型串接、路由與容錯，到前端體驗，都已交付。你想先了解哪一段？我可以詳細說明。”
重播這段回答（中文錄音）
評分面向: 職缺契合度
原文（簡體中文，逐字引用）
「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。」繁體中文翻譯
“我覺得職缺描述裡企業知識庫和「維運栽培」的應用情境，跟我的經驗符合。”
回答中的「維運栽培」（原文：运维栽培），是把職缺描述中的「維運災備」（報告原文：运维灾备）說錯了。報告在下方指出這個問題。
重播這段回答（中文錄音）
評分面向: 內容說服力
原文（簡體中文，逐字引用）
「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%。」繁體中文翻譯
“在漏洞偵測專案中，我們標註了六萬多筆資料，用 LoRA 微調大型語言模型，將靜態分析的誤報率從 65% 降到 25%。另外結合 AST 和 CFG 圖結構做程式碼稽核，透過多任務指令微調與思維鏈，內部測試準確率達到 98%。”
重播這段回答（中文錄音）
評分面向: 結構清晰度
原文（簡體中文，逐字引用）
「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。」繁體中文翻譯
“在 AtlasNova，我做過多平台 OAuth 串接，也把驗證方式從 local storage 裡的 JWT 改成 HTTP-only cookie，防範 XSS。”
重播這段回答（中文錄音）
逐題回饋
每題都列出面試問題、實際回答的原話、問題所在，以及可以怎麼回答。
面試問題
請先自我介紹，並針對這份職缺的企業知識庫、災難備援與維運方向，說明最相關的實作經驗。
回答原話 — 原文（簡體中文，逐字引用）
「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。」繁體中文翻譯
“我覺得職缺描述裡企業知識庫和「維運栽培」的應用情境，跟我的經驗符合。我做過 RAG 實作，也有地端部署經驗。在兩間公司，我都從零把 AI 功能做到上線，所以來這裡做維運栽培方向的大型語言模型應用，是我熟悉的工作節奏。”
問題在哪裡
求職者對核心業務情境嚴重缺乏了解，把「維運災備」誤讀為「維運栽培」，而且僅停留在口號式宣稱，沒有針對知識庫切塊、檢索、評估或地端部署等關鍵步驟，提出具體做法。
可以怎麼回答
應先修正對業務的理解，再針對資料中心的災難備援與維運巡檢，說明地端 RAG 流程的實作與指標，例如文件切分與清理、向量與全文混合檢索，以及自行部署開源模型時如何處理長上下文。
面試問題
請詳細說明你在模型微調或品質改善方面的代表性成果，以及使用的評估指標。
回答原話 — 原文（簡體中文，逐字引用）
「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%。」繁體中文翻譯
“在漏洞偵測專案中，我們標註了六萬多筆資料，用 LoRA 微調大型語言模型，將靜態分析的誤報率從 65% 降到 25%。另外結合 AST 和 CFG 圖結構做程式碼稽核，透過多任務指令微調與思維鏈，內部測試準確率達到 98%。”
問題在哪裡
回答中給出的實務數據與準確率（程式碼稽核測試準確率 98%）嚴重脫離業界實際常態，缺少評估資料集的建立標準、基準比較與真實失敗案例的歸因分析，有明顯的履歷包裝與堆砌熱門術語痕跡。
可以怎麼回答
客觀說明評估資料集規模、基準測試方式與評估指標（精確率、召回率、F1 分數），並如實檢討在長尾漏洞或模型幻覺情境中實際遇到的問題與保底處理策略，而不是拋出不切實際的高準確率指標。
面試官評語
求職者整體表現未達資深 AI 應用工程師的職缺要求，判定淘汰（risk）。表達過程中機械式重複同一段套話多達 5 次，溝通狀態極不自然，且把核心業務用語「維運災備」直接說成「維運栽培」，顯示對目標業務與職缺描述缺乏基本尊重及事前準備。技術敘述是典型的大包大攬、堆砌名詞（從前端 React、OAuth 到 LoRA、AST／CFG 都宣稱由自己全端負責），而程式碼稽核微調「98% 準確率」的說法嚴重失真，工程深度與履歷真實性都令人存疑。目前的技術深度與踏實程度，都不符合本團隊從零建立企業級地端 AI 應用的需求。
這次沒有回答到的問題
- 企業知識庫的文件切分、重排序（Rerank）、召回評估指標與流程設計。
- 地端大型語言模型量化、GPU 記憶體規劃與離線部署的實際問題及處理經驗。