题目重点：建立目标、约束、个人技术选择与结果证据，避免把团队成绩写成个人全包。
题意与假设
这道练习题保留了面经中值得训练的核心约束，并将需要澄清的条件单独列出。现场拿到变体时，先和面试官确认这些条件。
- 个人回答必须来自真实经历；下文为虚构训练情境，不补造候选人的项目、数字或评分。
- 失败、挑战或职责边界采用实际目标和承诺判定，不能只凭最终结果重新命名当时决定。
解题路线
- ML项目追问数据来源时，说明采集/授权、标注、过滤、split和数据版本怎样影响目标。项目为何是sequence要给顺序依赖证据，并与RNN/Transformer选择连接，不能只报模型名称。
- 选自己参与深且能追问的项目，不因品牌或规模大就选本人只做边角的一项。说明原始目标和最难约束。
- 按个人负责范围讲两个关键决策：备选、trade-off、反对意见和验证方式。设计细节须能解释，不把整个stack列表当贡献。
- 给协作边界：谁负责其他模块，自己如何依赖/提供接口；必须区分I和we又不抹掉团队贡献。
- 结果对应原目标，有基线、分母、观察期和护栏。尚在原型阶段就说原型，不能将离线评测提升等同用户成功。
- 结尾解释为何自豪/困难：可能是用户影响、复杂判断或培养能力，不强制只看流量；保留若重做会改什么。
手动走一遍
虚构训练例：自己负责数据质量验证而非整套推荐系统。讲两个影响上线的验证决策、模型团队做的部分、上线前发现的缺口和结果，既能体现贡献又不冒领全部系统。
规模与取舍
准备主回答与证据附件：决策时间线、个人职责、实际规模、结果口径和复盘动作。约2分钟主回答是练习建议，非题目限制；保留可验证细节以应对连续why，不套用固定数字。
易错点与追问
容易失分的边界
- 只报系统规模与技术名。
- 用we隐藏贡献或用I冒领全团队。
- 成果与原目标不对应。
继续深挖
- 你独立作过最难决定？
- 没有你项目会怎样不同？
- 重做会删哪项复杂度？
