技能结构模型与高效学习方法

• 理解 Principal 级别的核心职责（系统级影响、跨团队影响、技术方向引领）
• 能够把"广度"转化为组织价值而非辩解
• 是否具备将多领域知识整合为架构决策的能力

Principal 级别的核心不是"在某一个函数里写得更深"，而是"在全局层面做出正确的架构与方向决策"。我会把论证聚焦在"广度如何产生杠杆"上：组合型人才的优势在于能跨领域建立连接，比如我能把后端、前端、数据、运维的连接点打通，从而发现单一领域专家看不到的集成风险与优化机会。我会用具体的组织级成果来证明——例如我主导过跨团队的系统重构，或建立了一套贯穿多个模块的治理规范，这些成果的影响范围远超单个领域。同时，我会主动承认自己深度不足的领域，并说明如何通过与领域专家协作来弥补，从而展现"知道自己不知道什么"的成熟度，而不是回避。最后，我会把 Principal 的证明锚定在"我解决了组织里无人能解决的横切问题"上，而不是纠结于 breadth 与 depth 的抽象比较。

很多候选人被问到这个题时容易陷入"我是组合型所以我有理由不深"的防御式论述，这是错误的。正确答案是"升维"：把评判标准从"个人的深度"切换到"组织的杠杆与影响"。Principal 评审本质是评估"你能否在组织和系统层面产生可持续影响"，广度恰恰是放大影响的乘数。所以论证的核心不是证明"我深"，而是证明"我广且广得有产出"。

• 是否有清晰的自我定位与职业目标
• 能否用市场信号与个人兴趣的数据做决策而非凭感觉
• 是否理解"两条腿"专业化的风险与协同价值

我会先明确自己的职业目标与偏好，因为 π 型人才最大的资源是"两条腿"，最大的风险是"两条腿都半途而废"。我会用三个维度做决策：一是市场趋势，看哪个技能的稀缺性与需求曲线上升更快；二是个人兴趣与心流，观察自己在哪个领域更愿意投入额外时间；三是协同杠杆，判断哪个组合（如"数据+后端"的 AI 应用）能产生更大的乘数效应。在此基础上，我会采取"主轴+副轴"策略：保留一个主轴作为收入与稳定性的基石，另一个作为增长引擎，两条腿之间寻找交叉区（如数据工程之手伸向后端）作为差异化定位。我会定期（如每半年）复盘两条线的投入产出，动态调整，而不是一次性锁死。

这个题的核心是"决策方法论"而非"选择哪个"。候选人应该展示自己不是凭感觉选，而是有结构化的评估框架。同时要体现 π 型人才的"交叉优势"——两个深技能的结合点往往是最稀缺的定位，这是单一技能人才无法复制的。

• 是否理解从"浅"到"深"需要投入与时间
• 是否有结构化、可执行的转型路径
• 能否把转型与业务价值绑定，获得组织支持

我会先做"差距分析"：明确从"浅数据"到"深数据"需要补哪些硬技能（如统计学、数据建模、流处理、ML 基础）和软技能（如与数据团队协作、数据治理）。然后我会设计一个"T 型转 π 型"的渐进策略：第一阶段（1-3 个月）在业务中主动接手数据相关的小任务，如把后端日志接入数据管道、写出第一个分析查询，用真实业务问题倒逼学习；第二阶段（3-9 个月）参与或主导一个数据项目，把后端对性能、可观测性的理解带入数据工程，形成"后端+数据"的交叉视角；第三阶段（9 个月以上）产出可展示的成果并争取数据方向的正式职责。我会把转型与业务价值绑定，向 leader 说明"一个既懂后端又懂数据的人能显著提升数据链路质量"，从而争取项目资源与时间。同时我会保持后端这个主轴的稳固，避免转型期业务滑坡。

转型计划的关键是"从浅到深"不等于"从头学"，而是借助已有深度（后端）作为杠杆，主动寻找与数据领域的交叉项目。把学习绑定到真实业务上，既能获得组织支持，又能保证学习不脱离实际，这是最高效的转型方式。

• 能否把"广度"翻译成组织听得懂的语言
• 是否具备向上管理与自我推销的能力
• 能否把个人技能结构与晋升标准对齐

我会先研究本公司的晋升标准，找到"广度"与"标准"之间的接口，而不是直接说"我广所以该升"。典型的方法是：把组合型价值映射到晋升标准中的"影响力""跨团队协作""技术方向贡献"等维度，用具体案例证明我在这些维度上的产出。例如，我会强调"我能在多个团队之间做技术翻译，把后端的约束解释给前端/数据团队，从而减少反复沟通的成本"，并拿出一个由我主导的跨模块项目作为证据。我会准备一份"晋升论证文档"，把广度如何转化为可量化成果（如节省的沟通成本、跨团队交付的提速）写清楚。同时我会坦诚地说明广度型人才在组织中的独特价值，并主动提出"在关键领域与专家互补"的模式，消除"广而不精"的疑虑。沟通时我会用"组织收益"而不是"个人诉求"作为开场，让评审者看到晋升你符合公司利益。

组合型人才晋升最难的是"被误解为万金油"。沟通的核心是"转译"：把广度翻译成组织价值（跨团队影响力、技术翻译、集成能力），并主动用证据支撑。同时要主动管理"广而不精"的负面印象，让评审看到你既有广度又有聚焦的产出。

• 是否理解 ML 工程与后端的共通底层能力
• 能否把"转行"包装成"能力迁移"而非"从零开始"
• 是否诚实地认识到哪些需要补、哪些不需要

我会论证后端与 ML 之间共享的核心能力：第一，工程化能力——ML 模型要上线，需要数据管道、特征工程、服务化、监控、性能优化，这些正是后端工程师的强项，也就是"ML 工程"MLE 的定位；第二，系统与分布式思维——训练与推理的分布式调度、资源管理、可观测性，与后端的高并发系统设计同源；第三，数据与业务的对接能力——后端工程师理解业务逻辑与数据模型，能更好设计特征与评估指标。我会强调"从模型到上线"这段距离（MLOps）正是后端技能最值钱的地方，从而把自己定位为"稀缺的 MLE"而非"又一个算法新人"。同时我会诚实说明需要补的领域：统计、损失函数、模型评估、训练原理等，并展示我已经开始的系统性学习（如完成课程、做小项目），证明迁移不是空谈。最后我会用"同一个目标的不同阶段"来框定：后端解决的问题是"系统如何高效正确运行"，ML 解决的问题是"系统如何从数据中学习"，两者服务同一目标，能力高度互补。

T 型后端转 ML 的最大误区是"抛下后端重学算法"。正确做法是"借力"：把后端最稀缺的工程化、系统化、业务化能力作为卖点，把自己定位成 MLE（ML 工程），并诚实列出需要补的知识点。这既展示了自我认知，也展示了迁移的可行性。

• 是否理解 AI Infra 的核心组件（训练、推理、调度、存储）
• 能否把数据工程能力映射到 AI Infra 的底层需求
• 是否理解数据与 AI 基础设施的协同关系

我会论证数据工程与 AI Infra 的底层同构性：第一，数据管道与训练数据流——数据工程师擅长构建吞吐量大、延迟可控的数据管道，而 AI 训练与推理同样极度依赖高效的数据读取、特征存储与缓存，这正是数据工程的强项；第二，存储与计算资源管理——数据工程师熟悉分布式存储、分区、压缩、冷热分层，这些能力直接迁移到特征存储、模型参数存储与向量检索；第三，可观测性与成本优化——数据管道的监控、调优、成本治理经验，同样适用于 AI 训练任务的资源调度与推理成本优化。我会强调"AI Infra 的本质是数据基础设施的延伸"，从而把自己定位为"懂数据、懂计算、懂资源"的 AI Infra 人才，而不是从零转行。同时我会诚实说明需要补的领域：GPU 调度、模型训练分布式框架、推理服务化等，并展示我已经在搭建的 AI 数据链路实验。最后我会用"数据是 AI 的燃料，基础设施是引擎"来框定两者的不可分割，论证自己的迁移逻辑。

数据转 AI Infra 的成功关键在于"找同构"：数据管道、存储管理、资源调度、可观测性这些"数据基建"能力与 AI Infra 高度同源。候选人应把 AI Infra 定义为"数据基础设施的延伸"，把已有经验转化为优势，同时诚实列出需补的 GPU/训练框架知识。

• 是否理解前端与移动端共享的底层能力（UI/交互/状态管理）
• 能否区分"平台技术细节"与"平台无关的核心能力"
• 是否诚实认识到需要补的移动端特有知识

我会论证前端与移动端共享的"平台无关"核心能力：第一，UI 与交互设计——前端工程师对布局、动效、无障碍、用户体验的理解，直接迁移到移动端；第二，状态管理与数据流——前端复杂的组件状态管理经验，与移动端的声明式 UI（如 React Native、Flutter、SwiftUI）高度同构；第三，网络与异步编程——前端对 HTTP、缓存、WebSocket 的处理，与移动端网络层一致；第四，性能与渲染优化——前端对首屏、渲染、内存泄漏的优化经验，同样适用于移动端。我会强调"移动端本质是前端的一种形态"，从而论证自己不是从零开始，而是"换一个渲染目标"。同时我会诚实说明需要补的移动端特有知识：原生 API、设备适配、App 发布流程、平台审核规范等，并展示我已经用 React Native 或 Flutter 做过小项目来证明迁移能力。最后我会用"共享的心智模型 + 需补的平台细节"来框定，既展示优势又不回避差距。

前端转移动端的核心论证是"平台无关能力"：UI/交互/状态管理/网络/性能这些跨平台能力才是前端工程师真正的资产，平台技术细节只是表层。候选人应把换平台定义为"换渲染目标"而非"换职业"，同时诚实列出需补的原生与发布知识。

• 是否有结构化的选择方法而非凭感觉
• 是否理解"放弃"与"聚焦"的决策成本
• 能否结合市场、兴趣、组织需求做取舍

我会用"三要素打分法"来选主专长：第一是市场价值，看哪个方向的需求与薪资曲线更优（结合招聘数据、行业报告）；第二是个人兴趣与优势，回顾自己在哪个领域最容易进入心流、产出较高质量、被他人认可；第三是组织机会，看当前所在团队或目标公司哪个方向有更多项目资源与成长空间。我会给每个候选方向打分并加权，选出综合分最高的作为 T 型的主干。同时我会设定一个"试错期"（如 3-6 个月），在真实业务中投入主干方向，观察学习速度与产出质量，用数据验证而非一次拍板。最关键的是，我会理性看待"放弃"——组合型转 T 型意味着主动放弃其他方向的深入机会，这是必要的聚焦成本，我会明确告知自己"选择主干不等于抛弃其他，而是让其他领域成为辅助（浅 V 型）"，从而既不浪费已有广度，又建立真正的深度壁垒。

组合型转 T 型的重点不是"哪一个方向最好"，而是"选方向的方法论"。用市场、兴趣、机会三要素打分，并用试错期验证，比凭感觉更可靠。同时要正确处理"放弃"的成本——聚焦不等于全盘抛弃，已有广度可以保留为辅助分支。

• 是否理解间隔重复的适用边界（适合纯记忆、不适合概念理解）
• 能否补充其他学习策略来应对复杂过程
• 是否具备多种学习方法的元认知

我会先理解间隔重复的局限：它擅长"记忆孤立的点"（如术语、定义、数值），但对"多步骤、有依赖、需要理解的流程"（如 PMP 五大过程组、变更控制流程）效果不佳，因为流程需要"理解逻辑关系"而非"记住卡片"。我会补充三类策略：第一，用流程图/心智图把流程可视化，理清步骤间的先后与依赖关系，把"线性记忆"变成"结构理解"；第二，用场景案例与模拟题，把流程放进真实情境中反复演练，理解在什么情况走哪条分支；第三，用"讲给别人听"（费曼技巧）来验证是否真正理解流程，而不只是记住了名词。我会把这些策略与间隔重复组合：用间隔重复巩固术语和考点，用流程演练理解复杂过程，两者互补。同时我会复查错误率，找出哪些考点是"理解型"而非"记忆型"，为理解型考点专门设计演练而不是硬背。

这个题考察的是"学习方法论"的元认知：知道间隔重复的适用边界（记忆孤立事实），并针对复杂过程补充理解型策略（可视化流程、场景演练、费曼输出）。候选人应展示"针对不同知识类型选择不同方法"而不是"一种方法走天下"。

• 是否意识到平台期的信号并主动行动
• 能否设计"刷新"的具体路径
• 是否理解"平台期"与"成熟期"的区别

我会先区分"平台期"与"成熟期"：如果该技能仍有新需求、新市场，我只是没有接触新工具，那就是平台期，需要主动刷新；如果该技能已经成熟、市场下行，那可能是该考虑主轴迁移了。针对平台期，我会采取"外部输入 + 内部重构"的刷新策略：外部输入方面，主动学习该领域的新工具、新范式（如新框架、新语言版本、新架构模式），参加行业会议、阅读前沿技术博客、加入社区讨论，用"新视角"打破"旧的舒适区"；内部重构方面，把一个旧项目用新工具重写或重构，在真实业务中验证新技术的价值，而不是纸上谈兵。我还会做"能力盘点"：识别自己在深技能上哪些是"过时技能"、哪些是"可迁移的底层能力"，把精力放在能迁移的底层能力上，因为它们才是长期价值的核心。最后我会设定可量化的刷新目标（如读完某技术栈、完成一个带新技术的项目）并定期复盘。

平台期的核心是"主动打破舒适区"而非等待。刷新有两个抓手：外部输入（新工具、新范式、社区）和内部重构（用新东西重写旧项目）。同时要区分平台期与成熟期，避免在该迁移时误判为刷新。底层能力（可迁移）才是长期核心。

• 是否理解卡片过载的根源（信息过载、卡片粒度问题）
• 能否设计合理的修剪策略
• 是否理解"遗忘"与"保留"的取舍

我会先诊断过载的根源，而不是盲目删除。常见根源有三类：一是卡片粒度太细（把一句话拆成多张卡），二是卡片内容过时或已内化（看到就秒懂，无需复习），三是存在"僵尸卡"（多年未复习、价值存疑）。针对这些，我会采取"四步修剪法"：第一，合并——把同一主题的碎片卡合并成一张综合卡，减少数量；第二，删除——删除已内化、秒懂的卡，以及超过一定时间（如 2 年）从未出错的"低价值卡"；第三，归档——把"暂时用不上但可能有用"的卡移到归档，而不是删除，保留未来可恢复；第四，调整新卡上限——控制每天新增卡数量，从源头防止再次过载。我还会用"间隔更长"来降低高频卡的压力，并在修剪后观察复习通过率，如果通过率下降，说明删过头了，再回补。最重要的是，我会把修剪当成"定期维护"而非"一次清理"，比如每月做一次，让卡片库保持健康。

卡片过载的本质是"复习量"大于"可承受量"。修剪的核心不是"删除"而是"结构优化"：合并碎片、删除已内化、归档低价值、控制新增。同时要避免"删过头"导致遗忘，所以用归档代替删除、用通过率回验修剪是否合理。定期维护比一次性清理更重要。

• 是否理解"个人卡片"与"团队卡片"的差异
• 能否从"他人视角"重新设计价值主张
• 是否具备说服与影响力技巧

我会先承认一个关键事实：我个人的 Anki 卡片是"为我的记忆量身定制"的，对同事价值有限，所以同事不愿 review 是正常的。要让他们愿意用，我必须重新设计价值主张：第一，把"我的卡片"变成"团队知识库"——按主题重新组织、补充背景说明、去除个人化记忆钩子，让卡片自解释、可独立使用；第二，转换价值定位——向同事强调这些卡片不是"要我复习"，而是"团队统一认知的基准"，比如覆盖了团队公共的技术要点、约定、常见坑，能减少重复踩坑；第三，降低使用门槛——只挑选最精华、最通用的卡片，做成"每周知识点"或"入职速查"，而不是一大坨让人望而生畏；第四，用"低承诺"引入——先让同事在碎片时间试看 5 张，体验"低成本高收益"，而不是上来就要求持续每天复习。我会先让同事看到"价值"再谈"坚持"，而不是一开始就强推习惯。

这个题的陷阱是"把个人卡片价值误当成团队价值"。正确答案是"先重构卡片使其对他人有价值，再谈传播"：把个人化卡片变成团队可用的知识库，转换价值定位，降低使用门槛，用低承诺引入。说服力来自"先提供价值"，而非"强推习惯"。

• 是否理解个人卡片与团队卡片的本质区别
• 能否设计团队知识库的治理结构
• 是否理解"维护"与"可持续"的挑战

我会为团队卡片库设计"内容、结构、治理、激励"四个维度。内容上，摆脱个人化记忆钩子，卡片必须自解释、包含背景与出处，聚焦团队公共知识（技术规范、常见坑、架构约定、业务术语），个人化的记忆点不进入团队库。结构上，按主题/领域建立清晰的分类与标签体系，让成员能按需检索而非全量复习，并设置"新成员必修"与"进阶可选"的分层。治理上，明确"谁来维护、何时更新、如何审核"——设一个负责的维护者（或轮值），定期合并重复卡、删除过时卡、修正错误，避免团队库变成第二个垃圾堆。激励上，把"更新卡片"与"使用卡片"纳入团队认可，比如在新人入职、技术分享中复用卡片，让贡献者看到价值。最关键的是，我会"从小开始"：先设计一个最小可用的分类与模板，用 1-2 个主题试点，收集反馈后再扩展，而不是一次性铺开。因为团队库最大的失败往往不是"没人建"，而是"建了没人维护"。

团队卡片库与个人卡片的本质区别在于"可共享性"与"可持续性"。设计的关键是内容自解释、结构分类、治理责任、激励机制四维齐备，并"小步试点"而非一次性铺开。核心教训是：团队库的成败取决于"维护机制"，而非"初始内容量"。

• 是否理解高遗忘率的根源（卡片设计问题、间隔问题、理解问题）
• 能否诊断并改进卡片设计
• 是否理解"记忆"与"理解"的区别

我会先诊断高遗忘率的根源，而不是盲目加量。常见根源有三类：一是卡片设计问题——单纯"死记硬背"型卡片（如"XX 命令是什么"）缺乏理解与联结，容易被遗忘；二是间隔问题——复习间隔设置不合理，间隔过长导致遗忘；三是理解缺失——只记表面结论，不理解背后的原理，导致无法在需要时回忆。针对这些，我会重设计卡片：第一，把"事实卡"改成"理解卡"——用"为什么""如何"提问，把技术细节放进上下文中，如"为什么 X 方案会产生 Y 问题"，让记忆有逻辑支撑；第二，增加联结与锚点——把新技术与已有知识关联（类比、对比、场景），让记忆有"钩子"；第三，提高激活难度——用"生成式"提问（先回忆再看答案）而非"识别式"（看到选项），因为提取型记忆更牢固；第四，优化间隔——根据个人遗忘曲线调整区间，必要时用"降低难度"或"更短间隔"重学易错点。我会用"遗忘率+错误类型"的数据来定位问题，针对性地改卡片，而不是盲目重做一堆新卡。

高遗忘率往往不是"复习不够"而是"卡片设计不对"。改进方向是"从记忆到理解"：把事实卡改成理解卡、增加联结锚点、提高提取难度、优化间隔。关键是用数据（遗忘率、错误类型）诊断根源，再针对性改进，而不是盲目加量。

• 是否理解习惯放弃的深层原因（动机、阻力、系统）
• 能否设计出"可持续"而非"靠意志力"的机制
• 是否具备自我管理方法

我会先复盘"为什么会放弃"，而不是直接逼自己重来。常见原因有三：一是负担过大（每天要复习的量太多，产生逃避）；二是动机不足（没看到复习带来的即时收益）；三是缺乏场景（学了不用，感觉在做无用功）。针对这些，我会用"降低阻力 + 绑定价值 + 小步重启"来重建：第一，砍掉负担——先把卡片库修剪到最小可维持量（比如每天 10-20 张），让"完成"变得轻松，幸福感来自"完成"而非"量大"；第二，绑定价值——把复习与真实工作关联，比如复习技术要点后立刻在项目中应用，或用"复习完随手写一条笔记"来制造即时反馈，让复习"有用"；第三，小步重启——不要野心勃勃地恢复"全量"，而是用一个"每天 5 分钟"的极简版本连续重启 7 天，用"连续打卡"的成就感重新建立节奏；第四，设计触发器——把复习绑定到已有习惯（如每天早晨喝咖啡时），降低启动成本。我会允许"偶尔中断"，而不是因为一天没复习就全盘否定，因为可持续比完美更重要。

习惯重建的核心不是"更强的意志力"，而是"更低的阻力 + 更明确的回报"。放弃的根源往往是负担过大或动机不足，所以要先砍负担、绑定价值、小步重启、设计触发器。允许中断、追求可持续，比追求"完美坚持"更能建立长期习惯。

• 是否理解 AI 对话与主动回忆记忆的差异
• 能否设计"AI 辅助 + 主动复习"的混合机制
• 是否理解记忆的认知原理

我会先理解两者差异的本质：ChatGPT 是"被动获取"——你问它答，信息是"流过的"，大脑没有经历"主动提取"的过程，所以记忆留存差；而 Anki 的间隔重复是"主动回忆"——强制大脑在遗忘前提取信息，这正是记忆巩固的关键。所以混合方案的核心是"用 AI 增强理解，用间隔重复增强记忆"。我会这样设计：第一，用 AI 做"理解层"——当遇到不懂的概念，让 ChatGPT 用不同角度解释、举例、类比，帮助我深刻理解，理解是记忆的前提；第二，用 Anki 做"记忆层"——把理解后的核心要点做成卡片，用间隔重复做主动回忆，固化记忆；第三，用 AI 做"生成与提炼"——让 AI 帮我从资料中提炼考点、生成卡片草稿，但最终由我审阅理解后再入库，避免"AI 生成但我不懂"的卡片；第四，用 AI 做"测试"——让 AI 出题考我（生成式提取），作为间隔重复的补充，但主复习节奏仍由 Anki 控制。我会明确"AI 负责理解与生成，Anki 负责记忆与巩固"，两者各司其职而不是互相替代。

这个题考察"记忆的认知原理"：主动提取（retrieval）是记忆巩固的关键，而 AI 对话是被动获取，无法替代。混合方案的正确分工是"AI 增强理解、Anki 负责主动回忆"，AI 生成的卡片必须经人审阅理解，避免"AI 代记"导致"记不住"。

• 是否理解费曼技巧的真实价值（自我理解）而非传播
• 能否区分"学习价值"与"传播价值"
• 是否具备评估非量化成果的方法

我会先厘清费曼技巧写作的"双重价值"：对于我自己，它的价值在于"用简单语言讲清楚"这个动作本身——它迫使我暴露知识漏洞、把模糊变清晰，这是不可替代的学习价值，与读者多少无关；对于他人，它的价值在于传播，读者少确实说明传播价值有限。所以我会用"两个维度"分别评估：学习维度上，我复盘"写这篇文章是否让我对某知识点更清楚、能否在别人提问时讲明白"，这比阅读量更能反映费曼技巧是否生效；传播维度上，若读者少，我会诊断原因——是选题冷门、标题不吸引、还是平台不对，据此调整写作策略（如平行发布到不同平台、优化 SEO、选题贴近常见痛点），但这不否定学习价值的存在。我还会用"写作即思考"来框定：即使零读者，只要我通过写作建立了更清晰的知识结构，这就是真实价值。同时我会用"概念图的中心度"或"向他人讲解的流畅度"等可观察指标来验证学习价值，而不是依赖阅读量。

费曼技巧的核心价值在"讲给他人听时的自我理解"，而非传播。评估应分"学习价值"与"传播价值"两个维度：学习价值用"能否讲清楚"来衡量，传播价值才看阅读量。读者少时可优化传播策略，但不否定学习价值。这是区分"写作目的"的成熟心态。

• 是否理解费曼技巧在时间压力下的取舍
• 能否识别高频考点并聚焦
• 是否具备"二八原则"的备考策略

在 2 周内，我会用"二八原则"压缩费曼技巧：第一，聚焦高频考点——不看全部系统设计题目，只挑面试最高频的几类（如高并发、缓存、消息队列、分布式一致性、存储），把 80% 的精力放在这 20% 的考点上；第二，用"讲给自己"替代"写博客"——费曼技巧的核心是"讲清楚"，在时间紧时，我可以用"口头讲给白板/录音"的方式替代"写长文"，因为讲的过程同样能暴露漏洞，且更快；第三，用"结构化模板"压缩——不追求每个知识点都从零讲述，而是先建立一套回答框架（如需求澄清→容量估算→架构→组件→权衡），用框架兜底，只对薄弱环节做深度费曼讲解；第四，用"模拟面试"做最终验证——时间紧时，"自我讲解"不如"被追问"更高效，我可以用模拟面试（或让 AI 追问）来暴露漏洞，这比单方面讲更接近真实。我会把 2 周分成"第 1 周建框架+扫高频考点""第 2 周针对性深挖+模拟面试"，让每分投入都对准面试收益。

时间紧时，费曼技巧需要"压缩"而非"放弃"：聚焦高频考点（二八原则）、用口头讲解替代写文章、用结构化框架兜底、用模拟面试做最终验证。核心是"把稀缺时间花在能提分的地方"，而不是平均用力。