AI 面的追问是从你自己嘴里长出来的：九百多篇帖子里的同一件事

《核心观点》

1. AI 面的追问是从你嘴里长出来的。 帖子里的追问句几乎都是同一个长相：前半句复述你刚说出口的原话，后半句才是问题。比如答「通过拆解环节和增加校验解决了 AI 生成异常」，下一句就是「……当时定位到提示词约束问题时，具体分析了哪些根本原因？」不是偶尔一次，多个来源的六条追问全是这个结构。
2. 反过来，也有一句都没被追问的场次。 有帖子记录面试过程中只被反复提醒声音太小、或自我介绍之后问的全是职业规划、性格、团队合作——抓不到具体信息时，追问就无从下手，出来的完全是另一场面试。
3. 准备方向不在背答案上。 帖子给出的三条建议分别是：别把自我介绍讲成技术目录（后面的提问就是照着自我介绍来的，讲得太专业会被一层层挖）；只要是你自己讲出口的名词，就得能再往下讲两层（钩子是你自己递过去的，递了接不住比一开始别讲更难看）；别只顾内容，它同时也在量你怎么说。
4. 各家「壳子」差异很大，进面试间之前要单独确认。 不同公司的 AI 面在是否要求看屏幕、是否纯英语、有几道题、每题限时多久、能不能重录上都不一样。
5. 它确实刷人。 帖子里有明确写「AI 面挂」并复盘「五分钟都说不满」的，也有只面了 AI 面就被放进人才库的。

《参考解析》

这条观察的机制解释其实很朴素。 AI 面的技术底座基本是「语音转文字 → 拿文字评分 → 生成下一题」——追问环节最常见的实现就是把上一轮的转写文本喂回去，让模型针对其中信息量最高、最具体的那个片段提问。所以「它挑的词总是你最具体的那半句」不是巧合，而是检索式追问的必然结果：抽象表述（我很努力、我负责了整体设计）提取不出可追问的实体，具体名词（脏矩形、元素覆盖、业务痛点驱动）才是钩子。理解了这一点，「追问预测」就变成了一个可操作的动作：答完一题后自己复盘，如果我是面试官，会抓住哪个词继续问。

由此推出的第一条准备动作是「控制信息密度」。 既然提问是从自我介绍和上一轮回答里长出来的，那就应该主动选择递哪个钩子——把自己能往下讲三层的内容放在显眼位置，把不想被深挖的部分用概括性表述带过。帖子里那位「每道题都走答案 + STAR」的做法正是这个逻辑：STAR 结构能提取的信息有限，先把「你干了啥」摆到对方够得着的地方，把技术细节留到自己准备好的时候再说。

第二条是「每个讲出口的名词都要能再讲两层」。 这是整篇帖子里最扎心也最实用的一条。可以照着做自测：把你简历和自我介绍里出现的所有技术名词列出来，每个都问自己三层——它是什么/为什么用它/出问题时现象是什么、你怎么定位。答不出来的词要么补上，要么从自我介绍里删掉。因为追问答不上来的伤害不只是丢一分，而是让前面已经建立的可信度一起垮掉。

第三条「表达流畅度本身计分」需要打个折扣看。 帖子引用的说法（评分分两步，语速太快太慢、卡顿结巴都会让转写出错，「文字错了后续得分直接崩盘」）来自用户自己复盘，作者也注明「核不了真假」。但两拨互不相识的人指向同一件事，说明这条至少值得当作风险来管理：说话放慢一点、把句子说完整、避免长时间沉默和口头填充词，成本很低而潜在收益明确。合理的心态是「说得清楚一点」，而不是刻意控制语速到一个不自然的程度——过度关注语速本身也会影响内容组织。

最后一条实操提醒是关于「壳子」的。 各家的面试形式差别很大（是否要求一直看着屏幕、是否纯英文、题目数量与限时、能否重录、要不要开摄像头），而这些规则只能从自己那一家的通知或面经里确认，拿别人的规则套会直接吃亏。进面试间之前花十分钟确认清楚，比多背两道题更划算。