社招时间线
全程面试时间都是候选人定的，字节效率还是非常高的
- 10.23 HR 电话沟通约面
- 10.28 技术一面（两小时后告知通过约面）
- 10.30 技术二面（半小时后告知通过约面）
- 11.4 技术三面（两小时后告知通过约面）
- 11.5 HR 面（三小时后告知通过）
- 11.5 OC
- 11.5 收集薪资流水证明
- 11.6 谈薪
- 11.11 书面 offer
面试
基本都是从简历出发深挖问题，没有太多通用性，仅列出偏技术点不涉及具体项目的问题。 因为 AI 相关内容较多，所以问题也偏 AI。
技术一面（1h）
- 代码输出题：闭包与变量提升相关
- 手写题：数组转树形结构
- 手写题：实现带并发限制的异步任务调度器
- Promise 相关方法及应用场景
- JS 中 this 的指向是如何确定的？
- 覆盖数组 forEach 方法时，内部的 this 指向谁？
- 前端跨域的解决方案？
- Nginx 代理和 CORS 解决跨域原理上的区别？
- 介绍一个对自己成长帮助最大或难度最大的项目
- 介绍一下大数据量下的性能优化实践
- setTimeout 的时间间隔是如何确定的？
- AI 在你工作中的应用场景？如何处理 AI 生成代码的 Bug？
- 项目经历深挖
技术二面（1h）
- AI 服务与模型选择
- 微前端与应用间通信
- Web Worker 的使用场景和原因
- AI 编程的更多探索
- MCP (Model Context Protocol) 的使用
- 对 Agent 模式的了解
- SSO 单点登录方案
- 项目经历深挖
- 职业规划
- 手写题：实现带重试和超时的 fetch
- 手写题：实现函数柯里化
技术三面（1h）
- AI 提效带来的研发流程变化
- AI 编程采纳率与遇到的问题
- 提升 AI 采纳率的思考
- Design to Code (D2C) 的思考
- 提示词（Prompt）的编写与迭代
- Web Worker 的原理与实践
- 离职原因与当前状态
- ECharts 大数量下的性能优化，场景题
- 项目经历深挖
- Webpack vs Vite
- 手写题：实现异步任务调度器（一面题的变式，若未复盘追问会写不出）
- 职业规划、工作强度与学习方式
HR 面（50min）
- 离职原因 & 职业规划
- 前司经历 & 成就复盘
- 项目深度剖析
- 求职动机 & 对 AI 的思考
- 薪资期望
总结
- 前端基础：前端基础一定要扎实，每个点都会问到原理层面
- 项目深挖：简历上的项目必须经得住'拷打'，要能从业务逻辑讲到技术选型，再到底层实现原理；每个点都可能被层层追问
- AI 相关：现在行业普遍看重具备 AI Native 思维 的研发工程师，要对 AI 技术保持好奇和实践敏感度
- 职业规划：技术面和 HR 面都会问，尤其是每段经历的离职和求职动机，提问会很犀利
- 手写题：虽然准备了 hot100 的算法没考到，但是还是准备着比较好，JS 手写题不仅要写得出，还要能现场讲清思路、分析边界，并应对变式和追问
结尾
本次面试最深的感受就是，网上的面经其实参考意义已经没有很大了，更多的是参考每家公司的面试风格与侧重。每段经历都要经得起'拷打'，思考问题要全面有深度，面对很多犀利的有压力的提问也要快速反应。
有个小经验可以分享给大家，面试的时候录音，面试后直接把录音转文字的内容写到 IDE 的新建 md 文档中，让 AI 帮你做梳理和复盘会非常高效。除此之外，在简历编写和项目深度问答方面都可以让 AI 协助 mock 面试，并做进一步复盘总结也很好用。
