Job Interview

公司对比总览（岗位画像 & 用工条款）

当前样例基于目前掌握的信息；不同公司的合作猎头、岗位性质与条款以表内记录为准，面试推进过程中逐步补齐。

使用方式：每次和猎头或 HR 沟通时，对照本表逐列补全，不同公司间的横向对比会非常直观。

Tina 给出的公司优先级建议（备忘）

综合平台、技术成长度、稳定性、强度等因素，Tina 建议排序：

• 练手：佑驾、智加、哈啰
• 重点：轻舟、九识、德赛、千里、酷睿程、大疆；长城（因在苏州 & 强度相对友好 & 主机厂）
• Tina 重点跟进资源池：文远、九识、智加、轻舟、德赛、千里、酷睿程

岗位 JD 归档（按公司）

以下为已收集的岗位 JD 原文，面试前可对照「工作职责」和「任职资格」自检匹配度，并按 STAR 准备项目话术。

哈啰 · 数据闭环 / 工具链方向

工作职责

1. 数据闭环体系搭建与落地：负责自动驾驶全链路数据闭环体系设计与搭建，日均处理亿级传感器原始数据及标注数据，保障数据从采集、处理到模型训练的端到端流转，支撑感知、决策规划等端到端模型的高效训练。
2. 数据闭环工具链研发
   • 2.1 云端数据处理 pipeline 开发
     • 针对标注数据、场景数据，设计并落地数据清洗（去噪、去重、异常过滤）、解析、切片、抽帧、送标（对接标注平台）的全流程自动化 pipeline；
     • 优化 pipeline 吞吐量与延迟，目标支撑日均 10 万+ 场景数据处理，服务算法团队数据生产需求；
     • 推动工具链部署落地，解决线上运行故障（如数据阻塞、接口兼容问题），保障工具链可用性。
   • 2.2 高价值场景数据挖掘体系建设
     • 搭建「规则 + 大模型」双驱动的数据挖掘产线：规则侧接入多种传感器、定位、感知、底盘、车身信号并优化规则策略；大模型侧完成数据方案制定、模型微调、loss 优化、模型评测等；
     • 与算法团队协作迭代挖掘策略，提升 corner case 召回率（目标 ≥85%）。

任职资格

• 本科及以上，计算机、软件工程、自动化、电子信息等理工科专业；
• 2 年及以上自动驾驶数据体系相关经验，有大厂/独角兽数据工厂搭建、量产项目经验者优先；
• 精通 Python、C++，熟悉 Linux（常用指令、Shell）、良好编程习惯（代码注释、Git、CI/CD）；
• 掌握主流传感器数据处理：LiDAR（点云去噪/拼接/动静态补偿）、Camera（畸变校正/图像融合）等，精通 H264/H265/YUV/MJPEG 编解码，有定制数据格式经验者加分；
• 熟悉自动驾驶中间件：ROS2（节点通信、Msg/Srv、参数服务器）、DDS（QoS 优化）；
• 强问题解决能力，能快速定位数据处理与工具链运行故障；
• 跨团队沟通能力好，可承受项目紧、进度压力。

加分项：熟悉 Docker/K8s 将工具链容器化部署；有大模型在数据挖掘中的应用经验（如 QwenVL2.5 做场景分类）。

大疆 · 云端大模型 / 自动标注方向

工作职责

1. 负责无人机、手持等产品场景下云端大模型能力建设；
2. 研发基于端到端大模型的全自动标注算法，为端到端模型训练提供数据挖掘 / 数据预标注 / 全自动标注能力；
3. 推动模型算法在云端的工程化落地，支撑量产数据高效处理。

任职要求

• 计算机、信息工程、电子工程、机器人学等相关专业，硕士及以上，4 年及以上相关工作经验；
• 对深度学习、机器人学、计算摄影、计算机视觉几何等有深入认识，了解各算法条件与瓶颈；
• 具备 C++/Python/Pytorch/ROS 开发经验；
• 能独立做算法研发并与工程团队配合上线，至少满足一条：
  • ① 3 年以上自监督/多模态融合算法研发，熟悉对比学习/掩码学习，有视觉/Lidar/Radar 多模态融合落地经验；
  • ② 熟悉 2D/3D 检测/分割/跟踪、深度图、点云检测/分割、多传感器融合、时序融合等，至少 2 项有深入研究并解决过高难度业务问题；
  • ③ 有 VLM/VLA 在端到端自动驾驶落地经验，在云端数据生产或车端业务至少一端有显著产出；
  • ④ 熟悉标签检索、向量检索，并独立负责过完整项目；
• 沟通能力好、有业务视角，具备大模型/端到端模型/自动标注工具从原型到云端服务的落地能力。

卓驭 · 数据闭环 / 算法团队（自动驾驶数据）

工作职责

• 属于算法团队，处理海量自动驾驶数据，搭建大规模数据闭环系统，支撑端到端智驾算法高效迭代。具体包括：

1. 设计并优化辅助驾驶数据采集、量产车数据回传的系统架构与实施方案，支持大规模、高质量数据的高效回流与管理；
2. 设计与开发大规模数据挖掘系统与算法，从海量数据中挖掘高价值场景、长尾问题及关键样本；
3. 研发端到端模型、VLA、VLN 等方向的自动标注算法，提升标注效率与精度；
4. 持续优化数据真值生产全流程（采集、标注、质检、交付），提升数据生产的质量、效率与可扩展性；
5. 探索数据闭环中的关键技术问题，推动自动化、智能化数据系统落地；
6. 与模型团队紧密协作，负责真值数据交付与质量保障，确保数据有效驱动模型迭代。

任职资格

• 计算机、自动化、数学等相关专业，硕士及以上；
• 熟悉 C++/C 或 Python，扎实的算法与数据结构基础；
• 熟悉深度学习、计算机视觉、传感器融合等相关领域；
• 熟悉数据驱动开发范式，认可数据价值；
• 良好的编程风格、文档能力、团队协作与沟通表达能力。

加分项：自动驾驶/ADAS 感知算法开发经验（车道线、障碍物检测跟踪）；视觉/激光雷达/毫米波融合经验；CV/ML/Robotics 顶会顶刊论文；ACM/机器人大赛/无人车比赛等竞赛经验。

面试准备

体系化闭环能力 > 量产落地能力 > 带队能力 > 前沿理解

人设定位：数据闭环负责人，我本质上是量产感知出身、后转向数据闭环负责人，擅长把感知问题转化为数据检索、自动化真值、闭环评测和训练迭代系统，并带队把它真正落到量产交付。

沉着冷静，控制语速

自我介绍

我叫李乃繁，工作近 8 年，其中在纽劢 7 年。

早期我在百度做过一段大数据 ETL 和机器学习工程相关工作。

之后加入纽劢，从一线开发做起，最开始主要负责目标检测相关的视觉感知算法研发。随着项目和职责不断扩大，我逐步开始带团队，先后负责多个平台、多个项目的视觉感知研发与交付，并最终负责整个基础感知团队。

在推进量产落地的过程中，全国泛化和复杂长尾问题越来越突出，单靠有限人力做规则兜底，很难支撑高效迭代和持续收敛，所以后面我开始重点推动数据闭环体系建设，先搭数据检索和挖掘体系，后面又统筹自动化真值相关工作，把数据挖掘、自动化真值、模型训练和评测闭环逐步串成完整闭环，去支撑模型迭代和量产项目交付。

离职/看机会原因

百度离职原因： 在百度这段经历里，我比较系统地学习了成熟业务体系下的工程规范、协作方式和工作方法，也在这个过程中逐步完成了从学生思维到工程师思维的转变。

但一段时间后，我也感觉到，当时所在的搜索体验优化方向已经比较成熟，更多是在既有框架内做持续优化，技术探索和方向延展的空间相对有限。

另外，那个阶段深度学习已经逐渐展现出很强的落地应用潜力，尤其是在计算机视觉方向。我也希望去做这类技术的探索应用工作。而智能驾驶领域正好是计算机视觉非常典型的落地场景，同时行业本身也处在快速发展的早期阶段，所以后来我选择离开百度，进入智能驾驶行业。

纽劢离职原因：

在纽劢这7年，我伴随公司完成了感知体系和数据闭环从 0 到 1 的建设，积累了完整的感知量产交付和数据闭环体系经验，对团队也很有感情。

但目前，我想在数据闭环上继续做深做透，客观上极其依赖海量的数据规模、庞大的算力底座以及更丰富的商业化落地场景。目前公司的业务体量很难支撑，所以我希望能寻找一个在数据规模和资源投入上能够支撑我继续往前走的团队，这是我出来看机会的核心原因。

优点 & 缺点

优点：

我的一个比较明显的优点，是面对新技术迭代和新业务从 0 到 1 的阶段，具备极强的快速学习与工程落地能力。

从早期做视觉感知算法，到后面做量产交付，再到从0-1推动数据闭环体系建设，技术范式和业务重心一直在随着行业和技术的发展变迁。但在应对这些变化时，我能够快速完成知识的体系化变迁重构，抓住主要矛盾，能够很快收敛关键路径，用最小代价去验证跑通，再高效推进工程落地。

缺点：

我以前在面对一些不确定问题时，前期会花相对多一点时间把方案想完整，希望先把基础调研和 base 方案尽量做扎实，再往下推进。

但后面我也逐渐意识到，在节奏快、交付要求高的场景里，更重要的是先快速验证关键路径，再持续迭代优化。客户和业务要的是风险可控和快速迭代。所以这几年我也一直在有意识地调整自己的做事方式，更强调小步快走、先拿到有效结果，再逐步做深做细。

未来规划

未来我还是希望持续聚焦在数据闭环这个核心体系上，做深做透。

• 一方面，希望横向把体系能力补齐，不只是停留在数据挖掘和检索、自动化真值等模块，希望扩展到数据仿真，physical AI 等模块（比如 3DGS， World model等），解决世纪问题；
• 另一方面，纵向把关键问题做深，比如当前数据检索和真值标注中没有解决的这些核心问题继续解决，比如结合 AgentAI 等去解决数据闭环使用效率问题。

团队管理

在团队日常管理上，我主要以 OKR 为导向，并根据任务成熟度采用不同的管理方案：

• 对于确定性工作：这类工作目标明确，方案清晰，重点在执行效率和交付质量上。所以我会充分授权，抓大放小，重点抓关键节点对齐、设定交付质量标准以及关键结果验收上，让团队在清晰预期下主导推进，提升整体执行效率。
• 对于探索性工作：这类任务本身存在较大不确定性，我会给团队明确的试错空间，但同时强调过程可控，坚持“小步快走，敏捷迭代”。在这类从0-1的工作中，前期我会深度参与，把控技术调研方向，方案讨论、以及最小代价验证，尽快推动关键路径收敛。一旦可行性和关键路径跑通，这项工作就转为确定性的交付模式，让团队主导，定目标，拿结果。
• 在团队培养上：技术迭代这么快，靠一个人的能力远远不够，必须和团队共同成长才能放大价值。我会根据每个人的特点创造独立承担挑战性任务的机会，同时通过技术分享、论文研讨等方式把成长融入日常。一个能持续自我进化的团队，才能更好的应对现在这种技术快速迭代的行业现状。
• 整体上，我比较强调长期主义，在智驾这样的前沿技术应用的赛道，团队能力、技术积累和业务产出都不是靠单点突破实现的，而是靠持续迭代，稳步推进，最终形成量变到质变，才能做出好的工作。

高质量提问

1. 这个业务方向在公司内部目前处于什么样的定位？比如业务的核心目标是什么？对公司商业价值起到什么样的作用？
2. 这个方向目前整体上推进到了什么阶段？已经跑通了哪些模块？如果面试通过，前几个月我主要负责的工作方向和急切需要解决的关键问题有哪些？
3. 围绕这个方向，公司的资源投入大概是什么样的？比如数据、算力、AI 人才等方面？

流程中的机会

目前确实在同步接触一些机会，主要看的是在数据闭环上有持续投入的公司，目前都在正常的推进流程中。

对我来说，我目前主要关注的是岗位是否匹配，比如业务方向是否清晰、投入是否可持续，以及我加入之后，能不能把自己过去积累的这套能力和体系真正做深、做出结果。

期望薪资

薪资这块我目前还是比较开放的，我更希望结合岗位职责、团队预期、面试沟通下来的匹配度，以及当前市场情况综合来看。

如果后面双方在岗位和合作方向上都比较认可，我们可以到时候再沟通合适的薪资。

为什么选择我们

1. 数据岗位 match
2. 主机厂：海量数据，项目相对获取容易，资本实力雄厚
3. 新势力：前沿技术落地能力很强

技术面试问题

• 数据闭环

  • 数据检索

  • 自动化真值

    • 剩下的 20% 错误是如何被系统自动发现并回流的？

  • 成本

    • PB 级数据的成本账： 搭建 10 亿+ 帧的数据闭环底座，不仅仅是技术问题，更是成本问题。你需要心里有一本账：存储成本、算力消耗、GPU 利用率。高管会问：“如果我砍掉你一半的算力预算，你的主动学习飞轮还能转起来吗？你会优先保哪条链路？”
• 前瞻探索
  • 3 分钟以内的时间，向非同行（比如更看重商业化的高管）通俗且震撼地解释 Temporal Transition Module (TTM) 是如何解决串行误差传递的，以及它未来在端侧算力上的部署可行性预期。

3、重点项目（有什么亮点，做了什么改进，有什么cornercase场景，是怎么解决的？遇到什么问题，是怎么解决的） 数据检索引擎这块： （1）标签体系比较完备，可以支持90%以上的业务需求：3000多个标签体系，标签体系来源于四大类的生产管线，管线每一大类都是不一样的方案； （2）提前定义好的标签不能满足紧急需求，构建了开集检索的能力，以图搜图、以文搜图的产品； 以上解决的问题是怎么找到符合要求场景的数据，但是并不是所有的数据都有问题；所以我们开发了基于主动学习的数据（1）长尾 （2）难例

• 多任务学习
  • 这里分为两个问题，一个是 partial labeling 训练，一个是多任务联合训练问题

  • partial labeling

  • 多任务联合训练
    • 为解决什么问题？算力约束
    • 使用了什么方案？GradNorm, PCGrad, DWA
    • 量化成果是什么？
    • 有哪些核心问题？最后如何解决的？

二、面试官会怎么读你的简历

1. 他们会认为你的强项很强

主要有四个亮点：

第一，稀缺组合能力

你不是纯算法，也不是纯工程，也不是纯管理。你是：

量产感知

数据闭环

自动化真值

评测体系

团队负责人 这些能力放在一起，市场上是稀缺的。

第二，明显有“从 0 到 1 搭体系”的经历

你简历里最强的词，不是模型名，而是：

0–1

PB 级

10 亿+ 帧

统一链路

多平台量产

CI/CD

自动化覆盖 这说明你不是单点算法工程师，而是体系型负责人。

第三，你同时有“业务落地”和“前沿理解”

你既写了量产交付，又写了 E2E/VLA/扩散，这让你具备：

能落地

不保守

能看下一代架构 的形象。

第四，你管理经历是成立的

你不是只写“带过人”，而是有：

6 人

8 人

10+ 虚线

14 人

历史兼任 TL 这说明你至少不是纯 IC。

三、你最需要防守的几个风险点

这部分最关键。真正会决定你面试成败。

风险 1：经历太强、太满，容易被怀疑“边界不清”

你的简历覆盖：

数据检索

Auto-labeling

闭环评测

基础感知

E2E/VLA

量产交付

多芯片部署

团队管理 这会让面试官自然追问：

你最核心的职责到底是什么？

这些都是你直接 owner 吗？

哪些是你设计，哪些是你推动，哪些是别人做？

同时兼这么多方向，怎么分配精力？

你的解法：必须主动定义“主线 + 支线”。

建议你统一口径：

主线： 数据闭环负责人 / 感知体系负责人

支线 1： 基础感知和量产交付背景

支线 2： 前瞻探索是为下一代架构预研，不是日常主责

支线 3： 评测团队是历史兼任，用于补齐闭环链路

也就是： “我不是并列做了四件事，我是在一个更大的系统里逐步把链路补全。”

这句话你一定要吃透。

风险 2：管理深度会被追问

你写了带队 24 人、多个团队负责人。面试官会重点看：

你是技术带队，还是组织带队？

招聘、绩效、梯队、低绩效处理、跨团队冲突、项目优先级，你做了多少？

你带出来的人有什么成长？

你是靠个人能力扛，还是靠机制让团队跑起来？

很多技术负责人会死在这一步：技术讲很深，管理讲得很虚。

你的准备重点： 你必须准备 4 个管理型故事：

组织搭建 怎么从 0 到 1 建团队，岗位怎么拆，为什么这么拆。

跨团队协同冲突 比如数据、标注、地图、感知、平台、量产、测试之间目标不一致时，你怎么推进。

人才管理 怎么培养核心骨干，怎么分层，怎么授权。

项目取舍 资源不够时，你砍掉了什么，为什么砍，怎么保主目标。

风险 3：技术太宏大，容易被问穿

你的简历里每个模块都可以深问 20 分钟。 一旦你只是“会讲概念，不会讲决策细节”，就会掉分。

尤其下面这些点，极可能被深挖：

3000+ 标签体系怎么设计出来的？怎么维护？怎么控质量？

Elasticsearch 检索为什么够用？什么时候不够用？为什么又上 Milvus？

GroundingDINO、MetaCLIP、DINO proposal 是怎么组合的？各自解决什么问题？

主动学习里的 uncertainty/diversity，最后如何变成可运营的样本池？

BEV 自动化真值里，2D-BEV 关联怎么做？时序平滑怎么做？误差怎么控？

HDMap 重定位为什么比自建图更优？成本、效率、精度分别怎么权衡？

E2E/VLA PoC 用十万级数据，为什么这个规模仍然能说明问题？

UniTeD 你个人真正贡献在哪？不是一作，面试官一定会问。

你准备技术时，不能只准备“方案是什么”，而要准备这五层：

为什么做

当时最难的瓶颈是什么

你做了什么关键决策

为什么不用其他方案

结果怎么证明有效

风险 4：成果指标会被要求落地化

你有很多强指标，但面试官关心的不是“看起来很厉害”，而是：

对业务到底带来了什么？

节省了多少人力？

缩短了多少迭代周期？

提升了多少召回、精度、覆盖率、交付效率？

减少了多少 bad case 漏出？

支撑了哪些车型/客户/功能上线？

你必须把技术成果，翻译成这三类结果：

效率结果：更快

质量结果：更准

业务结果：可量产 / 可交付 / 可扩规模

四、你真正该怎么准备：不是刷题，是建一套“作战材料”

我建议你按下面 6 个模块准备。

模块 1：统一叙事

你必须准备三版自我介绍：

1 分钟版

用于 HR / 面试开场。

结构：

我是谁

我过去 8 年的主线

我最强的能力是什么

我现在看机会看什么

建议口径：

“我是李乃繁，过去 8 年一直在自动驾驶方向，主线是从量产感知逐步做到数据闭环负责人。前几年主要做多平台感知量产和团队搭建，后面聚焦数据驱动范式，0 到 1 搭了 PB 级数据闭环底座，把数据检索、自动化真值、闭环评测和问题回流串成一条链路，支撑感知迭代和量产交付。我的强项不是单点模型，而是把感知问题工程化、系统化，并带团队把它落到业务结果。”

这版一定要流畅。

3 分钟版

用于 hiring manager。

加上：

为什么会从感知走向数据闭环

你最有代表性的两个成绩

你下一份工作希望承担什么 scope

5 分钟版

用于更深一点的技术管理面。

加上：

你的组织视角

你怎么定义团队价值

你对 E2E/VLA/数据闭环未来的判断

模块 2：准备 6 个“必赢故事”

你不能临场发挥。你要把故事准备到可以直接讲。

故事 1：PB 级数据闭环体系从 0 到 1

必须讲清：

为什么当时要做

原来痛点是什么

架构怎么搭

数据、标签、检索、真值、评测怎么串起来

你本人在其中的角色

最终业务价值

这是你最核心的王牌故事。

故事 2：数据检索引擎

必须讲清：

闭集检索为什么不够

开集检索怎么演进

ES 和向量检索分别解决什么问题

三级粒度 Image / Patch / Object 为什么重要

检索结果如何真正服务问题定位和数据回流

故事 3：自动化真值生产

必须讲清：

哪个环节最难

质量控制怎么做

人工和自动化边界怎么划

可用率 80%+ 是怎么定义的

产线如何落地，而不是 demo

故事 4：闭环评测体系

必须讲清：

为什么以前的评测方式不够

什么是“一次标注、多维裁剪、多端适配”

指标如何设计

如何支持回归、竞品、问题回流

为什么评测能真正驱动研发，而不是做汇报

故事 5：基础感知量产交付

必须讲清：

你做过哪些平台

不同算力平台下怎么权衡模型、精度、延迟、功能

遇到过最难的量产问题是什么

你怎么协调算法、车端、硬件、标定、测试

故事 6：前瞻探索 / E2E / VLA

这一段不要讲成“我已经做成了”，而要讲成：

我看到了下一代范式变化

我带队做了 PoC 验证

在受限数据和算力下，哪些问题已经被验证，哪些还没有

我对工程落地瓶颈的理解是什么

这会显得你既前沿，又不浮夸。

模块 3：每个故事都按同一个答题模板准备

建议你统一用这套结构：

背景：当时业务阶段和核心痛点

目标：要解决什么问题，目标指标是什么

难点：为什么难，行业里普遍怎么做

你的动作：你做了哪些关键设计/组织动作

取舍：为什么选 A 不选 B

结果：指标、效率、业务影响

复盘：今天再做一次，你会改什么

你这种级别，最后这个“复盘”特别重要。 它能显示你不是做完项目就结束，而是真的有判断力。

第四优先级：前瞻探索

这是加分项，不是主胜负手。

也就是说，你的排序应该是：

体系化闭环能力 > 量产落地能力 > 带队能力 > 前沿理解

不要把前沿探索讲得比量产闭环还重，那会失焦。

九、哪些回答方式会让你掉分

这几条你最好刻意避免。

1. 什么都讲，导致没有重点

看起来很强，实际很散。

2. 把团队成果都说成自己做的

高级面试官一听就能识别，会直接降信任。

3. 一直讲技术方案，不讲业务价值

会被判断成“强 IC，不像负责人”。

4. 一直讲宏观方向，不讲细节

会被判断成“只会包装，不够扎实”。

5. 对 E2E/VLA 讲得过满

容易被认为“追热点”。

十、你可以按这个顺序准备

最实用的顺序是：

第一步：定人设 把一句话定位打磨到稳定。

第二步：打磨自我介绍 1 分钟、3 分钟、5 分钟三版都练熟。

第三步：准备六个故事 尤其是 PB 级数据闭环、数据检索、自动化真值、闭环评测、量产交付、前瞻探索。

第四步：准备管理案例 别只准备技术。

第五步：做追问演练 每个项目至少往下追三层。

第六步：统一表达口径 比如“主导 / 负责 / 推动 / 参与”四个词怎么用，必须统一。

十一、我替你下一个判断

结合你这份简历，你最适合冲的，不是“纯研究岗”，也不是“纯写模型的一线开发岗”。

你更适合的是这类岗位：

智驾数据闭环负责人

感知数据引擎 / 自动化真值负责人

感知 / 数据 / 评测一体化技术负责人

智驾量产感知负责人（偏体系和交付）

较高阶 IC + 组织影响力的混合型岗位

你真正的优势在于： 你能把“模型问题”翻译成“数据和系统问题”，再把“系统问题”落成“组织与流程能力”。

这才是你的核心竞争力。

接下来最有价值的做法，不是继续泛泛聊建议。 下一条我直接按你的简历，给你出： 1 分钟自我介绍、3 分钟自我介绍、6 个核心项目故事模板、以及 20 个高频追问答案。

猎头筛选提纲

1. 业务大盘与战略定位

   • 业务背景：公司开辟该业务线的核心动因是什么？
   • 长期定位：该业务在公司未来 2-3 年是长期战略投入，还是短期试水？目前处于什么发展阶段（0-1 验证、1-10 扩张）？

2. 目标岗位定位与权责

   • HC 动因：这个岗位是新增扩编还是前任替补？（如果是替补，前任离职的主要原因是什么？）
   • 汇报与协作：直接汇报对象是谁（技术出身还是业务出身？职级和话语权如何）？偏放权还是强推进 / 细节管控？团队与上下游跨部门协作的模式是怎样的？是否存在明显的沟通壁垒 / 部门墙？
   • 职级与团队：该岗位在内部对应的 Level 是什么？真实职责边界在哪（高级 IC 还是管理岗）？如果是管理岗，目前的团队规模和预期规模是多大？是实线管理还是虚线？
   • 资源与基建：团队目前能调动的核心资源（如算力、数据量级）大概在什么水平？底层基建的成熟度如何（是需要进去做 0-1 搭建，还是在现有体系上做迭代升级）？
   • 核心目标：入职前半年到一年的核心 OKR 是什么？公司最期望这个岗位去解决的 1-2 个痛点是什么？
   • 团队现状与发展空间：当前团队规模大概多少？核心成员背景如何？这个岗位未来 6-12 个月的团队发展预期是什么？是否有进一步扩编计划？谁在实际带团队？

3. 工作节奏与团队氛围

   • 工作节奏：团队真实的工作节奏是怎样的？（如弹性上下班还是严格打卡？周末是否有常态化加班？工作日节奏？出差情况如何？）
   • 稳定性：目前该团队的流失率 / 人员流动情况大概处于什么水平？近期是否有重大组织调整？

4. 薪酬结构与福利绩效

   • 薪酬构成：该岗位的薪酬预算范围大概是多少？Base、Bonus、股票 / 期权的具体比例结构是怎样的？是否有谈 Sign-on Bonus 的空间？
   • 绩效与试用期：绩效考核的难度如何？是否有严格的末位淘汰（如 361）？试用期政策怎样（是否容易平稳 landing、试用期薪资是否打折、调薪周期等）？
   • 福利与激励：年终奖的实际兑现情况如何（是写入合同还是强依赖公司整体绩效）？公积金缴纳比例是多少？是否有补充商业医保等？

5. 面试流程与推进节奏

   • 流程设计：预计会有几轮面试？每轮的考察侧重点分别是什么？谁是最终的关键决策者？
   • 紧急程度：这个 HC 目前的紧急程度如何？

6. 猎头端支持

   • 在整个面试推进过程中，你和你的团队能在背调、薪酬谈判或内部信息同步上，为我提供哪些实质性的支持？
   • 每轮面试后是否可以提供反馈？
   • Offer 和入职决策上是否可以协助谈薪？

上面这一部分是「和猎头沟通时的统一提纲」，避免每次都从零想问题。