工具链Claude Code grilling skill。场景仿真模拟面试面试官 AI 扮演每一次追问都追到我说不出话。先说说这事儿是怎么开始的你有没有遇到过这种情况——简历投了一堆面试一个没约。好不容易约到一个面完感觉自己像个复读机背了一堆八股面试官面无表情地说好回去等通知吧然后就没有然后了。我就是这样。简历写了几个项目自认为准备得还行但一想到真要被追问那你这个方案在 10 倍流量下会怎样——就虚了。后来我干了件事打开 Claude Code敲了条指令“模拟一个 Java 后端面试官按我简历上的项目逐行深挖。不要放水追到我说不出话为止。”然后我经历了职业生涯最漫长的 90 分钟。第一轮被 AI 按在地上摩擦你们可能没用过 Claude Code 的 grilling skill——它本质上是一个面试官人格的系统指令启动之后 AI 不再是你那个温顺的编程助手它变成了一个不把你问到哑口无言不罢休的面试官。第一轮对话我的心态大概是这样的前 10 分钟“还行答得上来”第 20 分钟“这个问题……我好像没想过”第 30 分钟“……等一下我想想”第 45 分钟“我靠这个方案原来有这么大的漏洞”它的追问模式极其固定但固定得让你害怕——因为它每次都能从你的回答里找出一个可以继续挖的点然后往下钻一层。我给你们还原一下被 AI 追问的真实画风脱敏后大概是这样的我这里我用了一个连接池来做资源复用。AI连接池大小是怎么配的有理论依据还是拍脑袋我配的 20。——其实我就是拍脑袋的。AI20 的依据是什么如果业务量涨 10 倍20 个连接够用吗不够的话是先排队还是直接抛异常我开始编呃……可以按CPU核心数 x 2 磁盘数来算……AI你这个场景是 IO 密集型公式应该是CPU核心数 x (1 等待时间/计算时间)。你刚才说的公式更适合计算密集型场景。这两个场景你分清楚了吗我……——然后我默默去查了 Little’s Law 和线程池计算公式把笔记补上了。注意这个过程AI 没有给我答案它只是指出了我的盲区在哪儿然后让我自己去补。这才是模拟面试真正的价值——不是让你背答案是让你发现原来我这块根本不会。两轮之后我整理出了 AI 面试官的审讯模板两轮模拟面、累计三小时的被追问记录我复盘时发现了一个惊人的事实AI 面试官的追问路径是一条有迹可循的四层漏斗。不管你提到什么技术点它都会按这个模板往下追L1「这个是什么」→ 你做了什么用在什么场景 L2「为什么选这个」→ 当时有哪些选项为什么选了这个 L3「还有没有别的办法」→ 技术视野你知道多少替代方案 L4「你的方案在极限条件下会怎样」→ 系统思维有没有兜底意识最恐怖的是——它永远不会停在 L1。你答完 L1它自动进 L2。你答完 L2它自动进 L3。有一种你在打游戏 BOSS 有 N 个阶段血条的感觉。但反过来想这反而是个好消息。因为如果你知道它的追问模板是固定的你就可以提前在回答里把下一层的坑填了。比如 AI 问了一个 L2 的问题为什么选这个你可以在回答里顺便把 L3 和 L4 也覆盖了“我选了这个方案主要是因为当时场景是 XX对比了 A 方案它的优点是……但缺点是……和 B 方案……最后因为团队对技术栈更熟所以选了它。不过这个方案有个已知问题是当流量到一定量级时会出现 YY我们的兜底策略是 ZZ。”你发现了吗你一次性回答了 L2 L3 L4。AI 面试官的下一层追问被你预判了。这时候它会怎么做——它会点头然后换下一个话题。它知道你在这块已经想透了再追问没有意义。第一次被烤和第二次被烤的差别我把模拟面了两次时隔一天中间只做了一件事复盘 补漏。第一次面完我把我答不上来的问题全部记下来去补了底层原理、对比方案、性能数据。没背答案只是把我这几块不清楚变成了这几块我现在清楚了。第二次再开 Claude Code 的时候同样 grilling skill同样从简历开始挖——区别来了。同样的技术点同样的四层追问漏斗但我这一次的每个回答都提前覆盖了两层。AI 挖到第三层发现哎他刚才已经说过了然后跳到了下一个问题。那个感觉真的很爽。不是说 AI 问不倒我而是我知道它在问我什么、下一问是什么、以及我该怎么组织回答才能一次性打穿。最核心的收获回答问题的四段公式两轮复盘下来我觉得对零面试经验的人来说最有价值的就是这个回答结构。你不需要什么华丽的话术只需要把每个技术问题的答案装进这个壳子里场景 → 选项 → 对比 → 结论来看一个真实的例子。AI 问“你的分页怎么做的”❌ 新手回答“用 LIMIT OFFSET。”一句话把天聊死✅ 四段回答场景我们业务是商品列表翻页。前期数据量小LIMIT OFFSET 够用。后来数据到几十万OFFSET 10w 的时候性能明显下降。选项我调研了三条路——① LIMIT OFFSET最简单② 游标分页 WHERE id lastId性能稳定但不能跳页③ 上 ES 做搜索分页性能最好但重。对比方案① 数据量大了之后 OFFSET 越大越慢因为 MySQL 要把 OFFSET 之前的行都扫一遍再扔掉方案② 每次走索引翻 100 页和翻 1 页性能一样方案③ 对小项目来说太重了。结论最后做了混合——前端翻页用游标分页后台管理系统用 LIMIT OFFSET数据量小要跳页。如果数据量再涨一个量级可能会考虑上 ES。AI 听完之后没有继续追问分页的事。为什么因为这个回答里已经包含了一个 L4 预判“数据量再涨一个量级”它的下一问被我堵住了。对于没有面试经验的人来说这个结构最大的好处是什么——它逼你在面试官提问之前先自己过一遍逻辑。一旦你按这个结构说出口你的回答会自动带上场景、选型逻辑、对比视野和边界意识。这四个东西正好是面试官最想看到的。当你发现自己答错了的时候怎么办这是 GPT 没法教、但 AI 模拟面试能让你亲身体验的东西。第二轮模拟面AI 问了一个关于系统保护的问题。我张嘴就说了一堆两分钟后突然发现——我把两个完全不同场景的技术方案混在一起了我的回答方向是错的。当时我面临一个选择继续硬编还是停下来承认。我选了后者。“等一下我刚才说的方向不太对。我重新组织一下。”然后我重新回答了这个问题这次简短了很多三条就讲完了。AI 说“收回来后清晰了很多。”那一刻我突然意识到——模拟面试被 AI 拷打的真正价值不是让你记住多少个问题的答案是让你在被拷打到手足无措的时候依然知道怎么抢救。抢救的步骤就三步承认偏了——“方向不对我重新说”快速收束——用 3-4 条把最核心的东西说清楚去掉所有不准确的外围信息等反馈——AI 会告诉你这次对不对不对它就继续追对它就换话题我第一次被追问到哑口无言的时候第一反应是想关 terminal。但熬过去之后第二次再遇到类似的情况我已经不慌了——我知道偏了没关系收回来就行。给零面试经验的你一张被 AI 烤前速查表如果你打算开一个 Claude Code 模拟面试但你完全没面过试先看这张表开工前 □ 简历上有 2-3 个技术点确保每个点都能展开讲 3 分钟 □ 每个技术选型想清楚我为什么选它、没选的那个有什么不好 □ 准备一个我踩过的坑的故事最好能体现你是怎么 debug 的 被追问时 □ 先判断这个问题在第几层做了什么→为什么→别的方案→极限条件 □ 用四段公式回答场景 → 选项 → 对比 → 结论 □ 答完一层主动覆盖下一层堵住追问 □ 回答里带数字哪怕是个大概范围 答错了 □ 第一时间说方向不对重新说 □ 收束到 3-4 条去掉所有外围模糊信息 □ 等反馈不要自己继续发散 面试结束后 □ 把被问倒的问题记下来 □ 补原理、补对比方案、补性能数据 □ 隔一天再来一轮这张表不是什么面经万能药。但它能让你在打开 Claude Code 敲下grill me的时候知道自己将要面对什么、以及怎么面对。为什么要用 AI 来模拟面试最后说点实际的。你找一个真人大佬给你模拟面试——对方要有时间、要愿意帮你、还要能一针见血指出你的问题。这个人情不小。但 Claude Code 的 grilling skill 不一样。它没有社交压力你可以在它面前无数次地说等一下我重新说它会记住你上一个回答并基于它继续深挖——这是 GPT 网页版做不到的因为上下文一旦断开追问逻辑就断了而且它的追问路径是结构化的、可预测的你被烤完一轮就能总结出规律。这就是为什么我觉得AI 模拟面试对于没有面试经验的人来说是一个几乎零成本的入门方式。你不需要约大佬时间不需要等 HR 通知打开 terminal 就能开始被拷打。当然AI 面试官也有局限——它没法给你表情反馈没法给你这个回答面试官喜欢不喜欢的信号。但它能帮你做一件事而且是很多面经都做不到的事让你在真正的面试官面前说出第一句话之前至少已经被追问到无话可说过一次。有了那次经历打底真上战场的时候你至少不会慌。最后说两句Claude Code 是 Anthropic 的 CLI 工具grilling 是它内置的一个面试模拟技能。macOS/Linux/Windows 都能装。不收费用 API key 按 token 计费一次模拟面试大概花几毛到几块钱比你买一杯奶茶便宜。以上所有技术案例都是经典后端场景MySQL 分页、Redis 缓存、连接池配置、线程池隔离不管你是 Java、Go 还是 Python 后端底层逻辑是通的。
