鏡子不會追問
她已經練了十四遍。站在浴室裡，筆電架在洗手台上，履歷用膠帶貼在鏡子旁邊的便利貼隔壁。「請描述一次你帶領團隊度過困難專案的經驗。」她回答了。鏡子瞪著她。她又回答了一次，這次比較好。鏡子沒有注意到。
對著鏡子練習的問題是，鏡子很客氣。它不會說：「等等 -- 你提到跟 PM 有衝突，但你跳過了解決方案。後來怎麼了？」它不會抓到你說的跟你想表達的之間的落差。它不會在你回了一個模糊的答案之後，丟出更尖銳的問題。
她的朋友試著幫忙。在咖啡廳裡扮演面試官二十分鐘，一直點頭，然後說「聽起來很棒」-- 對一個在真正面試裡會讓她第一輪就被刷掉的回答。朋友很善良。面試官不是。
她需要的是一個對手。不是敵意的那種 -- 是公平的。一個讀過她的履歷、注意到那段一年空白、而且絕對會問的人。一個聽完她的 system design 回答之後會說：「你選的資料庫撐不住你描述的規模。帶我算一下。」一個記得她十分鐘前提過 event-driven architecture，現在要確認她是不是真的懂 tradeoffs 的人。
那個對手可以存在你的 terminal 裡。不是網站上的題目清單。是一個對話式夥伴，讀你的背景、產生針對你的問題、追擊弱點、然後精確告訴你該修什麼 -- 附帶嚴重程度等級，讓你知道什麼真正重要。
這篇文章教你怎麼做出來。
你要做的東西
一個有三種模式的 AI 面試夥伴：
- Technical 模式 -- coding 概念、system design、架構決策。AI 根據你履歷上列的技術來問問題，不是泛用的冷知識。
- Behavioral 模式 -- STAR 方法教練。AI 聽你的故事，辨識缺少的元素（Situation、Task、Action、Result），然後逼你講具體的。
- Pitch 模式 -- 投資人會議、客戶簡報、口試答辯。餵它你的 deck 或論文大綱。它問你的聽眾一定會問的那些刁鑽問題。
核心機制：AI 在整個 session 裡記住你的回答。如果你第三題回得很弱，第七題會繞回同一個缺口。這就是它跟靜態題目清單的差別。清單不會適應。這個會。
前置條件
- Claude Code 已安裝並驗證。如果還沒設定，第一個小時教學讓你 60 分鐘內從零到能動。
- Claude Pro 訂閱（$20 美元/月）或 Anthropic API key。
- 你的履歷、pitch deck、或學習素材，用文字格式（PDF、markdown、純文字）。
- 基本 terminal 操作能力。能打
cd和ls就夠了。
第一步：建立面試工作區（5 分鐘）
打開 terminal，建一個專案資料夾。
mkdir interview-prep && cd interview-prep
把你的背景素材放進這個資料夾。這是 AI 用來針對你產生問題的原料。你給的 context 越多，問題越精準。
如果是準備求職面試，建一個 background.md：
# My Background
## Resume Summary
- 3 years as a backend engineer at a fintech startup
- Built a payment processing pipeline handling 50k transactions/day
- Migrated monolith to microservices (Java to Go)
- Led a team of 3 junior developers
- BS Computer Science, National Taiwan University
## Target Role
Senior Backend Engineer at a mid-size SaaS company
## Technologies I Claim to Know
- Go, Java, Python
- PostgreSQL, Redis, Kafka
- Docker, Kubernetes, AWS (ECS, Lambda, SQS)
- gRPC, REST API design
## Things I Am Nervous About
- I have not done system design interviews before
- My distributed systems knowledge is mostly practical, not theoretical
- I left my last job after 1.5 years -- short tenure
如果是練 pitch，檔案可以放你的 executive summary、關鍵指標、和你要募的金額。如果是口試準備，貼你的讀書筆記或論文大綱。
「Things I Am Nervous About」裡的誠實很重要。真正的面試官不管你承不承認都會戳你的弱點。告訴 AI 你覺得心虛的地方，代表它可以幫你準備那些最需要準備的瞬間。
第二步：寫面試官的大腦（10 分鐘）
這是整個系統的核心。你要寫一個 CLAUDE.md 檔案，把 Claude Code 變成面試夥伴。這個檔案定義面試官是誰、怎麼行動、注意什麼。
claude
在 Claude Code 裡說：
Create a CLAUDE.md file in this directory with the following interviewer
system. Read background.md first to understand my profile.
The CLAUDE.md should define three interview modes:
1. TECHNICAL MODE
- Ask questions based on technologies listed in my background
- Start with a warm-up question, then escalate difficulty
- For system design: give a real scenario, ask me to design it, then
probe my choices ("why this database?", "what happens at 10x scale?")
- Track which topics I answer confidently vs weakly
- After each answer, give brief feedback with a severity tag:
[STRONG] - good answer, minor polish needed
[GAP] - missing something important, explain what
[RED FLAG] - this answer would hurt you in a real interview, here is why
2. BEHAVIORAL MODE
- Use the STAR method (Situation, Task, Action, Result)
- After I tell a story, identify which STAR component is weak or missing
- Push for specifics: numbers, timelines, outcomes
- Common behavioral categories: leadership, conflict, failure, ambiguity
- Flag when my answer sounds rehearsed vs authentic
3. PITCH MODE
- Act as a skeptical but fair investor/examiner
- Ask about market size, differentiation, unit economics, team
- Challenge assumptions: "You say the market is $2B -- show me the math"
- Test for clarity: can I explain the core idea in one sentence?
- After each round, rate: clarity (1-5), conviction (1-5), gaps identified
General rules for all modes:
- Read background.md at the start of every session
- Remember all my answers within the session
- If I give a weak answer, return to that topic later with a harder question
- After every 5 questions, give a progress summary
- At the end of a session (when I say "end"), give a full debrief:
overall readiness score, top 3 strengths, top 3 areas to improve,
and specific practice recommendations
- Be tough but fair. Do not be encouraging for the sake of it.
- If an answer is good, say so briefly and move on.
If an answer is bad, explain exactly why and what a strong answer
looks like.
Claude Code 會讀你的背景檔、理解你的 profile，然後產生一個把面試官邏輯編碼進去的 CLAUDE.md。這個檔案就是面試官的大腦。之後在這個資料夾裡的每一次對話，都會遵守這些規則。
第三步：跑一場 Technical Interview（20 分鐘）
在同一個資料夾開一個新的 Claude Code session。
claude
打：
Start a technical interview. Focus on system design and backend architecture.
AI 會讀你的 CLAUDE.md（面試官規則）和 background.md（你的 profile）。它會從一個可以暖身的問題開始 -- 也許問你 Go 的 concurrency pattern，因為你列了 Go 是主要語言。然後難度會升高。
一個典型的 session 長這樣：
AI: "You migrated from a Java monolith to Go microservices. Walk me through how you decided which services to extract first."
你: "We started with the payment service because it had the clearest boundaries..."
AI: [STRONG] Good instinct -- bounded contexts are the right starting criterion. But you did not mention how you handled data that was shared between the payment service and the old monolith during migration. How did you manage the transition period?
這就是 feedback loop。AI 聽到你的回答，辨認出什麼是好的（bounded context 的推理），標出什麼遺漏了（data migration 策略），然後丟出一個追問來探測那個缺口。靜態題目清單做不到這件事。它不知道你說了什麼。
五題之後，你會收到進度摘要：
## Progress After 5 Questions
**Confident areas**: Service decomposition, API design, Go concurrency
**Gaps detected**: Database migration strategy, distributed tracing,
failure handling at scale
**Recommendation**: Next questions will focus on failure scenarios
and observability.
第四步：跑一場 Behavioral Interview（20 分鐘）
同一個資料夾，新 session。
claude
Start a behavioral interview. Focus on leadership and conflict resolution.
AI 會問一個行為問題。你講你的故事。然後它拆解你的故事。
AI: "Tell me about a time you disagreed with a technical decision made by someone senior to you."
你: "My tech lead wanted to use MongoDB for our transaction data. I thought PostgreSQL was better because we needed ACID compliance. I showed him benchmark data and he agreed to switch."
AI: [GAP] You have a clear Situation and Action, but the Task and Result are thin. Specifically: what was at stake if the wrong database was chosen? You said "benchmark data" -- what benchmarks? What was the outcome after switching? Did the relationship with your tech lead change? The best behavioral answers include measurable results. Try again with numbers.
這就是即時的 STAR 方法教練。AI 不是叫你背一個框架。它在聽你的真實故事，然後告訴你哪些部分是弱的。
第五步：跑一場 Pitch Practice（15 分鐘）
如果你是準備見投資人的 founder，或準備口試的學生，這個模式適用。
在資料夾加一個 pitch.md，放你的 deck 內容或論文摘要，然後：
claude
Start a pitch practice session. Read pitch.md for my deck content.
Act as a skeptical Series A investor.
AI 會問投資人真的會問的問題。不是「跟我介紹你的產品」-- 那是送分題。而是：
AI: "Your deck says you have 2,000 monthly active users growing 15% month-over-month. At that rate you hit 10,000 in six months. But your burn rate suggests you need funding in four months. What happens if growth slows to 8%?"
這逼你臨場思考。AI 讀你的素材、算數學、找出張力點。如果你的 pitch 有邏輯缺口，它會在投資人之前找到。
為什麼這比題目清單有用
網路上有上千份「面試 50 大問題」清單。它們有一個用處：知道可能出什麼題目。對面試真正困難的部分 -- 在壓力下回答追問 -- 它們沒有用。
題目清單是射擊場上的固定靶。AI 面試夥伴是一場對打。差別在這裡：
題目清單: "Design a URL shortener." 你想一下。看標準答案。下一題。
AI 夥伴: "Design a URL shortener." 你描述你的方法。AI 說：「你選了 hash-based 方法，但在 10 億個 URL 的時候 collision rate 是多少？你提到用 Redis 做 cache -- cache 滿了你的 eviction policy 是什麼？」你沒有為這些特定的追問準備過，因為它們取決於你的特定回答。這就是重點。
AI 會記住。會適應。會繞回來。這就是為什麼它比任何靜態資源都更接近真實面試。
隨時間變得更好
每次 session 結束時，說：
End the interview. Give me the full debrief.
你會收到一份結構化報告：準備度分數、強項、缺口、和具體的練習建議。把這些報告存起來。經過多次 session 之後，你會看到模式 -- 也許你在 failure scenario 的問題上持續掙扎，或者你的 STAR 故事總是缺少量化結果。
你也可以精進這個系統：
- 更新
background.md，隨著你對目標職位了解更多。加上 job description。從公司的 engineering blog 加上他們的 tech stack。 - 加一個
previous-sessions.md檔案，摘要過去的 feedback，讓 AI 基於之前的 session 而不是從零開始。 - 調整難度，編輯
CLAUDE.md。告訴它專注在你最弱的領域。告訴它模擬 FAANG 等級的 bar 或 startup 風格的對話。
這個系統會跟你一起成長。每一次 session 都讓下一次更精準。
你學到了什麼
- Context 讓問題變尖銳。 泛用的「請介紹你自己」是無效練習。一個讀過你履歷、針對你工作經歷空白期來問的 AI，才是真正的練習。
- 追問才是難的部分。 第一個問題是可預測的。第三個追問不是。一個記住你回答、探測弱點的 AI，訓練的是真正重要的那個能力。
- 回饋需要嚴重程度分級。 不是每個缺口都致命。知道
[STRONG]只需要打磨、[RED FLAG]需要完全重寫的差別，才能把有限的練習時間花在刀口上。 - 系統會隨使用進步。 更新你的背景、存好你的報告、調整難度。每一次迭代都讓練習更逼真。
鏡子不會追問。朋友太善良。題目清單不會適應。但一個讀過你的履歷、記得你三個回答之前說了什麼、設定成嚴格但公平的 AI -- 那就是大部分人需要、但從來找不到的練習夥伴。
打開你的 terminal。餵它你的履歷。開始講。