说明：这是匿名、合成化的辅导案例。个人背景、公司和时间线已做模糊处理，用于展示常见问题和训练方法，不代表任何候选人的完整原始经历，也不构成结果保证。
候选人背景
候选人后端经验扎实，但目标 AI startup 面试更强调速度、代码质量、debugging、产品判断和模糊问题处理。传统大厂刷题准备覆盖不全。
主要卡点
- 习惯按明确需求写代码，遇到模糊产品场景不够主动澄清。
- Debugging 面试中定位问题慢，解释假设不够结构化。
- System design 回答缺少 LLM/RAG product 的成本、延迟和可靠性讨论。
辅导动作
- 训练小型 coding task：API design、data transformation、cache、rate limit、integration bug。
- 用 production incident 风格练 debugging：reproduce、hypothesis、isolation、fix、prevention。
- 补 AI product 常见 trade-off：latency、token cost、retrieval quality、fallback、observability。
- 准备项目 deep dive，突出 shipping speed、ownership 和 customer impact。
阶段性结果
- 候选人能在模糊题目中主动提出 scope 和 assumption。
- Debugging mock 的表达更像真实工程排障，而不是随机试错。
- AI startup 面试回答更贴近产品和工程落地。
可复用经验
- AI startup 面试不只是 LeetCode，更看真实工程速度和判断。
- Debugging 题需要结构化表达假设和证据。
- LLM 应用题要主动讲成本、延迟、质量和 fallback。