🎤 AI产品经理面试指南¶

# AI PM面试评估框架
INTERVIEW_EVALUATION = {
    "产品设计能力（30%）": {
        "考察点": "需求分析、用户理解、方案设计、交互设计",
        "题型": "产品设计题 — '设计一个AI XX产品'",
        "评分标准": {
            "5分": "需求精准、方案创新、考虑全面（技术+用户+商业）",
            "3分": "基本能设计，但缺乏差异化或遗漏重要环节",
            "1分": "缺乏结构化思维，关键环节遗漏严重",
        },
    },
    "技术理解力（25%）": {
        "考察点": "AI技术原理、技术选型、可行性判断",
        "题型": "技术方案题 — '这个功能用什么技术实现？'",
        "评分标准": {
            "5分": "理解技术原理、能做合理选型、知道边界和权衡",
            "3分": "知道主要技术方案但缺乏深度",
            "1分": "对AI技术原理理解薄弱",
        },
    },
    "数据分析能力（20%）": {
        "考察点": "指标设计、数据解读、实验设计、问题诊断",
        "题型": "数据分析题 — '如何衡量/分析/优化？'",
        "评分标准": {
            "5分": "指标完整、分析逻辑清晰、能设计实验验证",
            "3分": "基本能设计指标但缺乏分层思维",
            "1分": "缺乏数据分析能力和量化思维",
        },
    },
    "商业思维（15%）": {
        "考察点": "市场分析、商业模式、竞争策略、ROI评估",
        "题型": "策略分析题 — '分析XX产品的策略'",
        "评分标准": {
            "5分": "商业分析深入、有独立见解、了解行业动态",
            "3分": "能基本分析但缺乏深度或独特见解",
            "1分": "商业分析能力弱，照搬公开信息",
        },
    },
    "沟通与领导力（10%）": {
        "考察点": "表达清晰度、结构化思维、利益相关者管理",
        "评分标准": {
            "5分": "表达清晰有条理、善于总结、能处理复杂协作",
            "3分": "表达基本清晰但结构化程度一般",
        },
    },
}

# 不同类型公司的面试侧重点对比，帮助有针对性地制定备战策略
COMPANY_FOCUS = {
    "大厂(字节/腾讯/阿里/百度)": {
        "侧重": "数据分析 + 技术理解 + 规模化思维",
        "特点": [
            "看重体系化的指标设计能力",
            "重视实验设计(A/B测试)经验",
            "关注大规模用户的产品策略",
            "可能有Case Study/现场设计环节",
        ],
        "准备建议": "多刷数据分析题 + 准备大流量产品的指标体系",
    },
    "AI创业公司(Moonshot/智谱/MiniMax)": {
        "侧重": "技术理解 + 产品设计 + 创新思维",
        "特点": [
            "看重对LLM/Agent技术的深度理解",
            "重视从0到1的产品设计能力",
            "关注对AI行业趋势的洞察",
            "节奏快，看重快速验证能力",
        ],
        "准备建议": "深入研究LLM技术 + 关注AI行业最新动态",
    },
    "SaaS/工具类公司(Notion/Figma/飞书)": {
        "侧重": "用户理解 + AI增强已有产品 + 数据驱动",
        "特点": [
            "看重在已有产品中嵌入AI的能力",
            "重视用户研究和痛点分析",
            "关注AI功能的ROI和用户采纳率",
        ],
        "准备建议": "深度使用目标产品 + 思考AI增强方案",
    },
    "外企(Google/Microsoft/Amazon)": {
        "侧重": "结构化思维 + 影响力 + 全球化视角",
        "特点": [
            "STAR框架的行为面试",
            "看重跨团队协作和影响力",
            "可能有System Design环节",
            "英文面试",
        ],
        "准备建议": "准备STAR格式的经验描述 + 英文产品设计表达",
    },
}

# 面试题1: 设计一个AI学习助手产品
Q1_AI_LEARNING_ASSISTANT = {
    "题目": "设计一个面向大学生的AI学习助手，帮助学生提高学习效率",
    "答题框架": {
        "Step 1 - 明确范围": {
            "思考": "大学生学习场景非常广泛，需要聚焦",
            "追问面试官": "有特定学科/场景偏好吗？MVP还是完整方案？",
            "假设": "聚焦在课程学习场景（预习→上课→复习→考试）",
        },
        "Step 2 - 用户分析": {
            "核心用户": "大二/大三在校学生，课业繁重",
            "痛点": [
                "课前预习效率低 — 教材太厚，不知道重点在哪",
                "课堂笔记零散 — 来不及记、记了找不到",
                "复习无方向 — 不知道哪些没掌握",
                "做题低效 — 反复做已经会的题",
            ],
        },
        "Step 3 - 核心功能": {
            "AI摘要": "上传教材/课件 → AI自动提炼重点",
            "智能笔记": "语音/拍照→AI整理结构化笔记",
            "知识图谱": "自动构建课程知识点关联图",
            "自适应练习": "基于掌握程度推荐练习题",
            "AI答疑": "随时提问，基于教材给出准确回答",
        },
        # 技术选型需展示对AI能力边界的理解，方案要匹配具体教育场景
        "Step 4 - AI技术方案": {
            "教材理解": "RAG索引教材内容 → 精准回答",
            "笔记整理": "Whisper语音转文字 + GPT-4o结构化",
            "知识图谱": "LLM实体关系提取 → 图数据库存储",
            "自适应推荐": "知识追踪模型(BKT/DKT) → 推荐薄弱知识点",
        },
        # 指标设计展示数据思维：北极星指标衡量核心价值，分层指标监控健康度
        "Step 5 - 指标设计": {
            "北极星指标": "周均学习时间 ×  效率得分",
            "产品指标": ["DAU/MAU", "AI功能使用率", "满意度"],
            "学习效果": ["知识点掌握率", "考试成绩提升（长期）"],
        },
        "Step 6 - 差异化和壁垒": {
            "vs 通用ChatGPT": "深度教材集成 + 知识图谱 + 自适应学习路径",
            "数据飞轮": "更多学生使用 → 更好的题库/知识图谱 → 更精准推荐",
        },
    },
    "面试官可能的追问": [
        "如果教材有版权问题怎么办？",
        "如何冷启动？第一批用户怎么获取？",
        "如何保证AI答疑不会给出错误答案误导学生？",
        "变现模式是什么？",
    ],
}

# 面试题2: 在现有产品中添加AI功能
Q2_ADD_AI_TO_PRODUCT = {
    "题目": "你是飞书文档的PM，请设计一个AI辅助写作功能",
    "答题框架": {
        "Step 1 - 用户场景": {
            "核心场景": [
                "职场写作：周报/OKR/复盘/汇报 → 最高频",
                "项目文档：PRD/技术方案/会议纪要",
                "协作场景：评论/反馈/审批意见",
            ],
        },
        "Step 2 - 竞品分析": {
            "Notion AI": "斜杠命令触发，通用AI能力",
            "Google Docs Gemini": "侧边栏对话，与Google生态联动",
            "差异化机会": "深度利用飞书组织架构+工作上下文",
        },
        # 差异化关键：利用飞书独有的组织架构和工作数据，做到竞品无法复制
        "Step 3 - 功能设计(差异化)": {
            "独特能力1": "基于OKR上下文生成周报（知道你的目标是什么）",
            "独特能力2": "基于会议录音自动生成会议纪要",
            "独特能力3": "基于组织架构自动调整语气（对上级正式/对同事轻松）",
            "通用能力": "润色/扩写/翻译/摘要/续写",
        },
        "Step 4 - 交互设计": {
            "触发方式": "/ 命令 + 选中文本右键菜单 + 侧边栏助手",
            "核心交互": "选中文本 → 浮窗显示操作 → 预览结果 → 接受/修改/重试",
        },
    },
}

# 面试题3: 技术方案选型
Q3_TECH_DECISION = {
    "题目": "一个法律AI产品需要回答法律咨询，你会选择Prompt/RAG/微调？",
    "答题框架": """
    分析维度                Prompt Engineering    RAG              微调(Fine-tuning)
    ─────────────────────────────────────────────────────────────────────────────
    法律知识准确性          ❌低(可能幻觉)        ✅高(检索法条)    ✅较高(学习法律语料)
    法律更新跟进            ✅实时(修改Prompt)     ✅实时(更新知识库) ❌需重新微调
    引用溯源              ❌无法提供             ✅可标注法条出处   ❌无法提供
    专业术语表达            ⚠️一般               ⚠️取决于检索内容  ✅专业(学习法律写作风格)
    成本                  💰低                 💰中              💰💰高

    推荐方案：RAG为主 + 微调辅助
    - RAG解决知识准确性和引用溯源的核心需求
    - 在RAG基础上微调一个法律领域的小模型作为Reranker
    - System Prompt约束输出格式和安全规则
    - 高风险回答（刑事/重大民事）标注'仅供参考，请咨询专业律师'
    """,
}

# 面试题4: 如何降低AI产品的幻觉率
Q4_REDUCE_HALLUCINATION = {
    "题目": "你负责的AI产品幻觉率有8%，如何降到3%以下？",
    "答题框架": {
        "1. 分析幻觉类型": {
            "事实性幻觉": "编造不存在的信息（如虚构法条、不存在的URL）",
            "归因幻觉": "引用了文档但内容理解错误",
            "推理幻觉": "逻辑推理过程中出错",
        },
        "2. 数据驱动排查": [
            "拉取所有被标记幻觉的Bad Case",
            "按场景/问题类型聚类 → 找到高频幻觉场景",
            "分析是检索阶段还是生成阶段引入的",
        ],
        # 核心方法论：从检索→Prompt→后处理→产品层逐层治理，体系化降低幻觉
        "3. 分层解决方案": {
            "检索层优化": [
                "提升检索Recall → 让正确信息进入上下文",
                "优化Chunk策略 → 避免关键信息被切断",
                "增加Re-ranking → 让最相关的内容排在前面",
            ],
            "Prompt层优化": [
                "强约束：'只基于提供的资料回答，如果资料中没有，请说不知道'",
                "增加示例：few-shot展示正确的推理+回答模式",
                "链式思维：让模型先列出相关信息，再综合回答",
            ],
            "后处理层": [
                "事实核查：用第二个模型验证关键事实",
                "引用验证：检查引用内容是否真实存在于源文档",
                "置信度评估：低置信度回答添加warning标记",
            ],
            "产品层": [
                "主动表达不确定：'根据现有信息，我的理解是...'",
                "用户反馈闭环：不准确标记 → 进入优化队列",
                "知识库兜底：关键问题优先匹配人工审核的精确回答",
            ],
        },
        "4. 效果验证": [
            "在Golden Dataset上对比优化前后的幻觉率",
            "线上灰度验证 → 用户端负反馈率变化",
            "持续监控 → 建立幻觉率告警机制",
        ],
    },
}

# 面试题5: 指标下降分析
Q5_METRICS_DECLINE = {
    "题目": "AI聊天产品的DAU本周下降了15%，你怎么分析？",
    "答题框架": {
        "1. 确认数据准确性": [
            "排除埋点/统计bug",
            "确认同一统计口径（DAU定义有没有变？）",
            "检查是否有版本更新影响数据采集",
        ],
        # MECE原则：多维度交叉拆解，快速定位问题根因
        "2. 拆解维度定位": {
            "渠道拆解": "哪个渠道(iOS/Android/Web)下降最多？",
            "用户群拆解": "新用户 vs 老用户？免费 vs 付费？",
            "地域拆解": "是否某个地区特别明显？",
            "功能拆解": "核心AI功能使用率是否同步下降？",
        },
        "3. 外部因素排查": [
            "竞品是否有大动作（发布新版本/降价/营销活动）",
            "是否有行业监管/政策变化影响",
            "是否有负面舆情/公关事件",
            "是否有节假日/考试季等季节性因素",
        ],
        "4. 内部因素排查": [
            "近期是否有版本更新？更新了什么？",
            "AI模型是否有变更？质量是否有回退？",
            "是否有运营活动到期（优惠券/免费额度）",
            "服务稳定性：错误率/延迟是否有异常",
        ],
        "5. 假设验证和行动": {
            "假设验证": "根据数据拆解的发现，形成1-2个核心假设",
            "短期止血": "如果是质量/稳定性问题 → 立即回滚/修复",
            "中期优化": "如果是竞争/功能缺失 → 制定改进计划",
            "长期预防": "建立关键指标的预警监控体系",
        },
    },
}

# 面试题6: A/B测试设计
Q6_AB_TEST = {
    "题目": "想测试AI对话产品中'记忆功能'(跨会话记住用户偏好)对留存的影响",
    "答题框架": {
        "假设": "开启记忆功能的用户，7日留存率提升5个百分点",
        "实验设计": {
            "对照组": "无记忆功能（每次会话独立）",
            "实验组": "开启记忆功能（跨会话记住用户偏好/关键信息）",
            "分流": "用户级随机分流，50/50",
            "排除": "新注册<3天的用户（避免新手效应干扰）",
        },
        "指标设计": {
            "主指标": "D7留存率",
            "辅助指标": [
                "会话频率（使用频次是否增加）",
                "会话深度（每次聊几轮）",
                "满意度评分",
                "功能感知：用户是否注意到/喜欢记忆功能",
            ],
            # 护栏指标：防止实验带来负面副作用，是A/B测试设计的关键环节
            "护栏指标": [
                "隐私投诉率（记忆功能是否引起隐私担忧）",
                "延迟变化（记忆检索是否增加响应时间）",
                "成本变化（记忆存储和检索的增量成本）",
            ],
        },
        "风险预案": {
            "隐私风险": "用户可以随时关闭记忆/删除记忆内容",
            "体验风险": "记忆错误时的兜底方案（用户纠正入口）",
        },
    },
}

# 面试题7: 产品策略分析
Q7_PRODUCT_STRATEGY = {
    "题目": "分析Cursor为什么能在VS Code+Copilot主导的市场中成功？",
    "答题框架": {
        "市场背景": {
            "巨头格局": "VS Code(90%+市场份额) + Copilot(先发优势)",
            "看似不可能": "一个创业公司挑战微软的编辑器+AI组合",
        },
        # 从产品策略/技术策略/增长策略三个维度拆解，展示体系化战略分析能力
        "成功因素分析": {
            "产品策略 — AI原生重新设计": {
                "分析": [
                    "Copilot是在VS Code上'加'AI → 受限于原有架构",
                    "Cursor是围绕AI'重新设计'IDE → Tab/Cmd+K/Chat/Composer",
                    "关键洞察：AI不只是补全工具,应该是开发的核心交互方式",
                ],
            },
            "技术策略 — Fork降低迁移成本": {
                "分析": [
                    "Fork VS Code保留了用户的肌肉记忆和扩展生态",
                    "用户迁移成本极低：一键导入设置和扩展",
                    "在此基础上做深度改造，while保持兼容性",
                ],
            },
            "增长策略 — 开发者社区传播": {
                "分析": [
                    "开发者是天然的传播者（写文章/做视频/发推特）",
                    "Cursor的'Wow Moment'非常适合录屏传播",
                    "性价比定价($20/月)降低试用门槛",
                ],
            },
        },
        "启示": [
            "大厂产品的架构负担是创业公司的机会",
            "AI-native vs AI-enhanced是产品代际的差异",
            "降低迁移成本(Fork)是切入成熟市场的有效策略",
            "让用户做'之前不可能做到的事'比'做得更快'更有吸引力",
        ],
    },
}

# 面试题8: 行为面试
Q8_BEHAVIORAL = {
    "题目": "请描述一个你推动AI功能上线但遇到重大阻力的经历",
    "STAR答题框架": {
        "Situation(情境)": """
        在XX公司担任AI PM，计划在核心搜索产品中引入AI摘要功能,
        将搜索结果页的'10个蓝色链接'改为'AI摘要+相关链接'。
        """,
        "Task(任务)": """
        目标是提升搜索效率(减少用户点击次数)和用户满意度，
        但面临三个阻力：
        1. 广告团队担心影响广告点击率和收入
        2. 法务团队担心AI摘要的版权和准确性风险
        3. 工程团队认为AI推理延迟会影响搜索体验
        """,
        "Action(行动)": """
        1. 数据驱动说服：
           - 设计AB测试方案，5%流量验证对广告收入的影响
           - 结果：用户满意度+12%，广告收入影响<2%（可接受范围）
        2. 风险缓解方案：
           - 与法务共同制定内容审核规则和免责声明
           - 引入引用溯源功能，降低版权风险
        3. 技术优化：
           - 与工程团队共同优化，采用Streaming降低感知延迟
           - 缓存高频查询结果，将P95延迟控制在2秒内
        """,
        "Result(结果)": """
        - 功能成功上线，覆盖100%搜索流量
        - DAU提升8%，会话搜索满意度提升15%
        - 广告收入季度增长未受影响（新模式反而提升了广告相关性）
        - 获得公司年度最佳产品创新奖
        """,
    },
    "注意事项": [
        "数据要具体（提升X%、降低Y%），不要模糊描述",
        "展示你的独立思考和主动推动，不是被动执行",
        "展示跨部门协作能力（PM/工程/法务/商业）",
        "结果要量化，且与最初的目标对应",
    ],
}

# 产品设计题万能框架 —— 10分钟内完成结构化回答，括号内为建议用时
PRODUCT_DESIGN_FRAMEWORK = {
    "Step 1 - 明确范围（1分钟）": [
        "确认产品定位和目标用户",
        "确认是MVP设计还是完整方案",
        "确认有没有特定的约束条件",
    ],
    "Step 2 - 用户分析（2分钟）": [
        "定义2-3个核心用户画像",
        "列出每个画像的核心痛点（按优先级）",
        "识别最高频/最痛的场景",
    ],
    "Step 3 - 方案设计（5分钟）": [
        "MVP功能（解决最核心的1-2个痛点）",
        "AI技术方案（用什么模型/技术/架构）",
        "交互设计要点（输入/输出/错误处理）",
        "与竞品的差异化",
    ],
    "Step 4 - 指标与发布（2分钟）": [
        "北极星指标 + 三层指标体系",
        "发布策略（灰度计划）",
        "风险预案",
    ],
}

# 数据分析题万能框架 —— 先确认数据可靠性，再分层拆解，最后给行动方案
DATA_ANALYSIS_FRAMEWORK = {
    "Step 1 - 确认数据（30秒）": "数据准确性 + 统计口径 + 时间范围",
    "Step 2 - 拆解维度（2分钟）": "渠道/用户群/地域/功能/时间段",
    "Step 3 - 假设排查（3分钟）": "外部因素(竞品/市场/季节) + 内部因素(产品/技术/运营)",
    "Step 4 - 行动方案（2分钟）": "短期止血 + 中期优化 + 长期预防",
}

# 技术方案题万能框架 —— 核心是多维度对比和权衡取舍，展示技术判断力
TECH_DECISION_FRAMEWORK = {
    "Step 1 - 明确需求": "需要解决什么问题？质量/成本/延迟要求是什么？",
    "Step 2 - 列出选项": "通常是 Prompt vs RAG vs 微调 vs 混合方案",
    "Step 3 - 多维对比": "按准确性/成本/延迟/可维护性/数据需求对比",
    "Step 4 - 推荐方案": "给出推荐 + 理由 + 适用条件",
    "Step 5 - 风险预案": "推荐方案的风险和缓解措施",
}

# AI核心术语速查表 —— 面试中最常被问到的技术概念，需能用白话解释
AI_TECH_QUICK_REFERENCE = {
    "Token": "模型处理文本的最小单位，中文约1.5-2字=1Token",
    "Temperature": "控制输出随机性，0=确定性，1=多样性",
    "Top-p": "Nucleus Sampling，控制候选Token的概率范围",
    "Context Window": "模型一次能处理的最大Token数",
    "TTFT": "Time to First Token，首个Token的延迟",
    "Embedding": "将文本转化为向量表示，用于语义检索",
    "RAG": "检索增强生成，检索外部知识+LLM生成回答",
    "Fine-tuning": "在特定数据集上继续训练模型",
    "LoRA": "低秩适应，用少量参数高效微调大模型",
    "Function Calling": "让LLM调用外部函数/API的能力",
    "MCP": "Model Context Protocol，标准化LLM工具接口",
    "RLHF": "人类反馈强化学习，让模型输出对齐人类偏好",
    "Prompt Injection": "恶意用户通过特殊输入绕过AI安全限制",
    "Hallucination": "模型生成不真实/无根据的信息",
    "Guardrails": "AI输出的安全护栏，过滤违规/有害内容",
}

# AI产品三层指标体系：模型质量 → 产品体验 → 商业价值，由内到外逐层衡量
AI_METRICS_QUICK_REFERENCE = {
    "模型指标": {
        "幻觉率": "生成虚假信息的比率 → 目标<5%",
        "准确率": "回答正确的比率 → 目标>90%",
        "TTFT": "首Token延迟 → 目标P95<1s",
        "每请求成本": "单次API调用成本",
    },
    "产品指标": {
        "任务完成率": "用户成功完成目标的比率",
        "采纳率": "AI建议被用户接受的比率",
        "重新生成率": "用户点击重试的比率 → 越低越好",
        "满意度(CSAT)": "用户评分 → 目标>4.0/5",
    },
    "业务指标": {
        "DAU/MAU": "日活/月活",
        "留存率": "D1/D7/D30留存",
        "转化率": "免费→付费转化",
        "LTV/CAC": "客户价值/获客成本 → 健康>3",
    },
}

# 主流AI产品竞品速查 —— 按赛道分类，掌握各产品核心差异化定位
COMPETITOR_QUICK_REFERENCE = {
    "AI对话": {
        "ChatGPT": "通用对话，生态最丰富，GPTs+API",
        "Claude": "长文本处理强，安全性高，Artifacts交互创新",
        "Gemini": "多模态强，与Google生态深度绑定",
        "DeepSeek": "性价比极高，中文优化，开源生态",
    },
    "AI编程": {
        "GitHub Copilot": "先发优势，GitHub生态，企业客户多",
        "Cursor": "AI原生IDE，深度集成，开发者口碑",
        "Windsurf": "类Cursor的AI IDE，差异化Features",
    },
    "AI搜索": {
        "Perplexity": "引用溯源，实时搜索，答案引擎",
        "Google AI Overview": "搜索结果+AI摘要，流量优势",
        "秘塔搜索": "中文搜索，引用标注，学术论文支持",
    },
    "AI创作": {
        "Midjourney": "艺术风格，Discord社区",
        "Stable Diffusion": "开源，本地部署，定制性强",
        "DALL-E 3": "自然语言理解强，ChatGPT集成",
    },
}

# 30分钟模拟面试流程 —— 按时间分配覆盖核心题型，建议计时练习
MOCK_INTERVIEW_30MIN = {
    "热身题（3分钟）": {
        "题目": "请用2分钟介绍你自己和为什么想做AI PM",
        "要点": "经历亮点 + AI热情 + 与岗位的匹配度",
    },
    "产品设计题（10分钟）": {
        "题目": "设计一个AI面试模拟产品，帮助求职者准备面试",
        "考察": "需求分析 + AI方案 + 交互设计 + 指标",
    },
    "数据分析题（8分钟）": {
        "题目": "你的AI写作助手上线1个月后，用户留存率只有15%（预期30%），分析原因",
        "考察": "数据拆解 + 假设验证 + 行动方案",
    },
    "技术理解题（5分钟）": {
        "题目": "什么是Prompt Injection？你的产品如何防范？",
        "考察": "安全意识 + 技术理解 + 产品化方案",
    },
    "开放讨论（4分钟）": {
        "题目": "你觉得Agent产品在2025-2026年会有哪些突破？",
        "考察": "行业洞察 + 独立思考 + 表达能力",
    },
}

# 面试最后"你有什么问题要问我？"
QUESTIONS_TO_ASK = {
    "好问题（展示思考深度）": [
        "团队目前在AI产品上最大的挑战是什么？",
        "你们是如何平衡AI功能的创新速度和质量把控的？",
        "这个岗位未来6个月最重要的交付是什么？",
        "团队是如何做AI产品的效果评测的？",
    ],
    "避免的问题": [
        "薪资福利（留给HR轮）",
        "公开可查的信息（显得没做功课）",
        "太泛的问题（如'公司文化怎么样'）",
    ],
}

# 面试倒计时准备计划 —— 按时间节点分解备战任务，避免临时抱佛脚
PREPARATION_TIMELINE = {
    "面试前2周": [
        "✅ 通读本指南所有内容",
        "✅ 精读目标公司的AI产品（深度使用+分析策略）",
        "✅ 梳理自己的经历，准备3-5个STAR故事",
        "✅ 刷10道以上产品设计题（计时练习）",
    ],
    "面试前1周": [
        "✅ 模拟面试2-3次（找朋友或录视频回看）",
        "✅ 准备技术概念速查卡（Token/RAG/Agent等）",
        "✅ 关注最近1周的AI行业新闻",
        "✅ 准备要问面试官的3个好问题",
    ],
    "面试前1天": [
        "✅ 回顾核心框架（产品设计/数据分析/技术方案）",
        "✅ 检查面试工具（网络/摄像头/耳机/白板工具）",
        "✅ 准备好自我介绍（2分钟版本）",
        "✅ 早睡保持精力",
    ],
    "面试当天": [
        "✅ 提前10分钟进入面试链接",
        "✅ 准备好纸笔或白板工具",
        "✅ 深呼吸，展现自信和热情",
        "✅ 答题时注意结构化（先说框架，再展开细节）",
    ],
}