这套面试练习方法，后来成为了 AwesomePrep 的起点。
背熟的答案，经不起追问。
当 AI 模拟面试不再代写答案，而是开始倾听、追问，并记住多轮练习中发生过什么，它才真正帮上了忙。
写好答案，并没有解决问题。
一位朋友收到了一家大公司的面试邀请。我们陪她准备了三轮面试，她最终拿到了 offer。这只是一个人的经历，不代表使用同样的方法就一定能获得相同结果。
开始时，我们做了常规准备：整理职位描述、简历、招聘方的邮件说明，以及面试官公开发布的专业内容。再根据这些材料，设计与岗位和个人经历相关的问题。
接下来是准备答案。写出来的内容很完整，结构也清楚，看上去让人放心。但只要面试官继续问一句“为什么这样选？”或者“其中哪一部分是你做的？”，这些答案就不够用了。
她能记住准备好的故事。可是一旦问题换个说法，或者出现没有练过的追问，原来的思路还是容易中断。
我们换了一种练法。
我们不再让 AI 助手继续生成答案，而是让它扮演面试官。
- 一次只问一个问题。她直接开口回答，不看事先准备的稿子。
- 根据回答继续追问。下一题来自她刚才说过的话，尤其是模糊的判断和缺少依据的结论。
- 马上给出反馈。AI 助手会指出推理、个人贡献或衡量方法中没有讲清楚的地方。
- 保留本轮记录。练习结束后，把问题、回答、追问和反馈整理成文件。
为了跑通这套方法，我们同时打开 coding agent 和录音软件。声音输入负责实时对话，录音文件则保留她实际说过的内容，供之后复盘。
比单次回答更重要的，是反复出现的规律。
只看一次回答，很容易把问题归结为措辞不够好。把多轮练习记录放在一起，才能看到更深的薄弱点。我们用能力更强的模型比较这些文件，寻找反复出现的问题：
- 是不是总在讲团队，却说不清自己的贡献？
- 能不能讲出结果，却解释不了为什么做出这个决定？
- 提到了方法，却没有说明如何判断它是否有效？
- 哪些追问总会打断原来的思路？
她最后的反馈是，这套练习没有让她记住更多答案，却让她的表达更有条理。面对现场问题时，她也更容易抓住关键概念，再沿着这个概念展开回答。
有效的方法，操作起来却很麻烦。
每次练习，她都要同时打开 coding agent 和录音软件。一轮结束后，还要让 AI 助手整理问题、回答和反馈，再手动归档录音文件。
这也成为了产品最初的想法：把准备材料、实时提问、连续追问、录音、反馈和跨轮分析放进同一个界面。