# 1. candidate comb 型但想 argue Principal，candidate 怎么 defend broad vs deep A 组合型人才注定无法晋升，只能深耕单一领域 B 晋升 Principal 只需要证明代码写得多 C 应把论证焦点从"个人深度"切换到"组织杠杆与跨领域影响" ✓ 正确答案 D 应尽量隐藏自己深度不足的领域
# 2. candidate π 型两个 deep skill 都 5+ 年经验，candidate 怎么 decide career path A 两个技能必须同时深耕，否则不算 π 型 B 应用"主轴+副轴"策略，并优先寻找两个技能的交叉区作为差异化定位 ✓ 正确答案 C 决策完全跟随市场热点，不需要考虑个人兴趣 D 一旦选定主轴就永不调整
# 3. candidate 当前是 T 型（深后端 + 浅前端），想转 π 型（深后端 + 深数据），candidate 怎么 plan transition A 应从浅到深渐进，用真实业务项目倒逼学习，并保持原有主轴稳固 ✓ 正确答案 B 转型应该先全职学习数据，暂停所有后端工作 C 转型不需要组织支持，自己闷头学即可 D 只需要考一个数据证书就能完成转型
# 4. candidate 想 maintain comb 型 but want promotion，candidate 怎么 communicate A 直接宣称"我知识面广所以该晋升"即可 B 把广度映射到晋升标准的"影响力、跨团队协作"等维度，并用跨模块成果作证据 ✓ 正确答案 C 晋升评审只看编码深度，广度毫无价值 D 应避免提及自己的广度，假装是单一领域专家
# 5. candidate 想从 T 型 backend 转 ML，candidate 怎么 argue transferable skill A 后端经验与 ML 完全无关，必须从零学算法 B 应该隐瞒自己后端背景，假装是算法出身 C 转 ML 只需要学会调用模型 API D 应重点论证后端在 MLOps、数据管道、系统化方面的可迁移价值，并诚实列出需补的知识 ✓ 正确答案
# 6. candidate 想从 T 型 data 转 AI infra，candidate 怎么 argue infra skill A 数据工程与 AI Infra 毫无关联，必须从零开始 B 应论证数据管道、存储、资源调度等基建能力与 AI Infra 同构，并诚实列出需补的 GPU/训练知识 ✓ 正确答案 C 转 AI Infra 只需学会调用训练框架 D 数据工程师无法胜任 AI Infra 的任何工作
# 7. candidate 想从 T 型 frontend 转 mobile，candidate 怎么 argue platform-agnostic skill A 应论证 UI/交互/状态管理等平台无关核心能力可迁移，并诚实列出需补的原生与发布知识 ✓ 正确答案 B 前端与移动端完全无关，必须从零学 C 转移动端只需学会用 Android Studio D 前端经验对移动端是负资产
# 8. candidate 想从 comb 型（多领域浅）转 T 型，candidate 怎么 decide 主专长 A 完全凭个人第一感觉选择，无需验证 B 选择后必须彻底放弃其他所有技能 C 用市场价值、个人兴趣、组织机会三要素打分，并用试错期验证 ✓ 正确答案 D 主专长应跟着最新热点走，不兼顾兴趣
# 9. candidate 用 spaced repetition 准备 PMP 但发现不 work for 复杂 process，candidate 怎么 supplement A 复杂流程应补充流程图可视化、场景演练、费曼讲解等理解型策略 ✓ 正确答案 B 间隔重复对所有知识类型都万能，无需补充 C 遇到复杂流程就放弃学习 D 只需增加卡片数量即可覆盖流程
# 10. candidate T 型 deep skill 已经 plateau（3 年没新工具），candidate 怎么 refresh A 平台期无需处理，技术成熟后自然突破 B 应通过学习新工具/新范式、用新工具重构旧项目来主动打破舒适区，并抓住可迁移的底层能力 ✓ 正确答案 C 平台期说明该技能已彻底死亡，应立刻放弃 D 刷新只需理论学习，无需真实项目验证
# 11. Anki 卡片过载（每日 review > 100 张），candidate 怎么 prune A 过载时应该一次性删除所有旧卡片 B 修剪后无需回验，删掉就完事 C 卡片越多越好，过载说明学习勤奋 D 应合并碎片卡、删除已内化卡、归档低价值卡，并控制每日新增上限 ✓ 正确答案
# 12. candidate 把 Anki 卡片 share 给同事但同事不愿 review，candidate 怎么 argue value A 同事不愿 review 是因为他们懒惰，应强迫他们使用 B 应先把个人化卡片重构为团队可用的知识库，降低门槛并强调对大团队的共同价值 ✓ 正确答案 C 个人卡片直接分享即可，无需任何调整 D 应该把所有卡片一股脑全发给同事
# 13. candidate 用 Anki 5 年但 card 库过于个人化（不能 share），candidate 怎么 design 团队 library A 直接把个人卡片整理加个标题即可 B 应从内容、结构、治理、激励四维设计，卡片自解释并建立维护机制，小步试点 ✓ 正确答案 C 团队库只需要内容多，不需要维护 D 团队库应由所有人随意添加，无需审核
# 14. candidate 用 Anki 记技术细节但 1 年后遗忘率仍高，candidate 怎么改 design 卡片 A 增加每天复习次数 B 换一个更新版本的 Anki 软件 C 直接删除所有卡片 D 把死记硬背的"事实卡"改为强调逻辑与场景的"理解卡"，并优化间隔与提取难度 ✓ 正确答案
# 15. candidate 用 Anki 间隔复习但坚持 3 个月后放弃，candidate 怎么 rebuild habit A 应该一次性恢复全量复习，靠意志力硬撑 B 应降低负担、绑定真实价值、小步重启并设计触发器，允许偶尔中断 ✓ 正确答案 C 中断一次就说明失败了，应彻底放弃 D 只需增加复习时长就能重建习惯
# 16. candidate 用 ChatGPT 替代 Anki 但发现 retention 差，candidate 怎么 hybrid A AI 对话是主动回忆，完全能替代 Anki B 应让 AI 负责理解与生成、Anki 负责主动回忆与记忆巩固，AI 生成的卡片需经人审阅 ✓ 正确答案 C 记忆留存差是因为 AI 太弱，换更强的 AI 即可 D 混合方案只会更复杂，应只用一种方法
# 17. candidate 用费曼技巧写技术博客但博客读者少，candidate 怎么 evaluate value A 应区分学习价值（讲清楚即有价值）与传播价值（阅读量），用"能否讲清楚"验证学习效果 ✓ 正确答案 B 读者少说明写作毫无价值，应停止 C 费曼技巧的价值完全取决于阅读量 D 读者少是因为技巧本身没用，与选题无关
# 18. candidate 用费曼技巧准备 system design 面试但时间紧（2 周），candidate 怎么 compress A 时间紧应放弃费曼技巧，直接背题 B 2 周内应平均覆盖所有题目 C 应聚焦高频考点、用口头讲解替代写长文、建立回答框架并多用模拟面试 ✓ 正确答案 D 压缩意味着降低学习质量，无法取得好成绩
