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。

AI：20 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：

1. 承认偏了 ——“方向不对，我重新说”
2. 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
3. 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。