先看证据，再下结论

1. 为什么求职需要一种不同的记忆

一位求职者在几个月里会留下大量记录：几版简历、十几个收藏或投递的岗位、若干场模拟面试、几次真实面试后的复盘，以及准备过程中的勾选和笔记。一个真正有用的求职助手，应当能从这些记录里回答一些具体的问题：他的 Redis 到底掌握到哪一层？简历上写的“精通 MySQL”站得住吗？上一段实习的项目，他追问到第三层时还讲得清吗？离投递的岗位还差什么？

通用的对话记忆擅长另一类问题：记住你说过喜欢简洁的回复、记住你住在上海、记住你上周提到的某件事。它的基本做法是把对话抽成一条条“事实”，需要时检索出来交给模型。把这套做法直接搬到求职上，会遇到一个根本的困难：求职记录里的三类内容，性质完全不同。

• 简历上的说法是主张。“熟练掌握 Redis”“主导了订单系统重构”是求职者对自己的描述，它可能准确，也可能写高或写低。
• 面试中的作答是观察。一道题从哪一层开始问、追问到哪一层、在哪一层没答上来，是在特定条件下观察到的表现，是判断能力最直接的证据。
• 岗位要求是目标。“要求深入理解分布式事务”说的是这个岗位需要什么，它定义了差距，但不能说明求职者已经具备什么。

如果把这三类内容都当作可以检索的事实，就会出现两种典型的错误。第一种是把没有证据的主张当成能力：简历写了“精通”，检索时它和面试作答一起出现，模型很容易据此认为这个人很强。第二种是把“没有证据”当成“不会”：某个知识点从没被问过，模型却在被追问时给出一个偏低的判断，这对求职者是不公平的。

DrawOffer 的长期记忆围绕一个原则设计：先看证据，再下结论。它分开记录“你说了什么”“你实际答出了什么”“系统据此推断出什么”，每条结论都要能追溯到原始记录，证据不够时就明确说“还不能判断”，并告诉你再答哪一两道题就能下结论。下面依次介绍实现这个原则的每一层。

2. 总体架构

整套系统可以分成五层，数据自左向右流动。

来源层接收你在产品里留下的每一份记录：简历、岗位、投递进度、模拟面试、真实面试复盘、笔试、面试准备清单和面试后的勾选。每条记录被包成统一格式的“片段”，带有发生时间、来源位置和版本。

观察层把片段读成结构化的观察。一部分观察由规则直接读出，比如简历的经历条目、技能栏里“熟练”“了解”这样的修饰词、模拟面试每一层是否通过；另一部分需要理解语义，比如这道题对应目录里的哪个知识点、这段回答里求职者说自己负责了哪些部分，这部分由大模型完成。所有引用原话的字段，都要核对能在原文里逐字找到。

推断层把全部观察按时间顺序重放，计算每个知识点的能力估计（连同不确定度）、每段经历的分量与讲述情况，以及简历说法和面试表现之间的差距。这一层是纯数值计算，不调用大模型。

证据门槛决定一个估计能不能变成对外的结论。估计再有把握，如果直接作答的证据不够、只来自同一道题、或者只来自同一场面试，结论都会停在“证据不足”。

使用层是记忆真正发挥作用的地方：助手对话、模拟面试出题、简历段落精修、面试准备清单、答辩提纲和岗位匹配卡。它们读到的都是经过同一套过滤的结论，没过门槛的只会出现“待评估”。

3. 来源：每条记录都有出处和分量

片段是所有来源的统一信封。不管来自简历还是面试，片段都记录同样几项内容：类型、发生时间、来源（是哪一份简历的哪一行、哪一场面试的第几题）、来源的版本、可信度，以及最多 2000 字的正文。片段的编号由来源位置和版本计算得出，同样的内容永远得到同一个编号，所以重复导入不会产生重复记录。

记录被修改时，旧版本不会被直接覆盖，而是标记为“已被取代”。比如你改了简历上的一行，系统会用新的一行重新读取，旧的那一行不再参与推断，但它留下的历史依据仍然清楚。无论修改以什么顺序到达，结果都相同。

不同来源对能力判断的分量不同，这个分量称为来源可靠度。真实面试最直接，可靠度为 1；模拟面试的题目和评分都来自产品，与真实面试有差别，可靠度为 0.8；简历上的熟练度说法和面试后的自评只是自述，可靠度为 0.3；岗位要求、外部材料和单纯的操作行为，对能力的可靠度为 0，它们只定义目标或推进状态，不会改变对你水平的估计。

需要说明的是，这几个数值是根据经验设定的假设，而不是从数据中学到的最优值。我们在研究论文的消融实验里专门检验过：把所有正的可靠度都改成 1，整体通过的检查点数量没有变化，预测指标还略有提高。这说明目前的数值本身没有被证明更好，我们保留它们，是因为“真实面试比自述更可信”这个方向符合常识，并且能防止一句简历描述在缺少面试证据时左右判断。等有了足够的真实面试数据，这些数值会按真实结果重新校准。

4. 观察：让模型只做“读”这一件事

观察器把片段换算成观察。每条观察都说明它作用于什么对象（一个知识点、一段经历、一条简历说法），测到了什么（这一层答过了没有、角色是“参与”还是“主导”），以及依据是什么（原文中的哪一段）。观察器分两类。

规则观察器

规则观察器不调用模型，结果只由输入决定。它们读取有明确结构的内容：简历经历条目里出现的技术名称、技能栏里“熟练掌握”“了解”这类修饰词、岗位的级别（实习、校招还是社招）、模拟面试每一层是否通过、投递从笔试走到了二面。技术名称的识别有不少细节，比如英文名必须是完整的词，java 不会匹配到 javascript；“消息队列”不会被拆出“队列”去匹配数据结构里的“栈与队列”。

模型观察器

需要理解语义的地方交给模型观察器：这道面试题对应目录里的哪个知识点、问到了第几层；简历这一行写的角色和数字是什么；一道经历题的回答里，求职者说自己贡献了多大分量、是参与还是主导、每次追问的方面有没有讲清楚；岗位描述里要求了哪些知识点、要求到什么程度；两份简历里的两段经历是不是同一段。

模型的输出不会被直接采信。每一份结构化输出先过格式校验，字段取值必须在规定范围内：比如经历的分量只能是五档之一或“未知”，角色只能是参与、负责、主导、独立完成或“未知”，填了别的词就当作未知。所有带原话的字段都要核对原文，原话必须能在原始记录里逐字找到。测评中，结论引用的 420 条原话全部能在原文中找到。

每条观察都记录输入的哈希值和观察器的版本。同样的输入、同样版本的观察器只调用一次模型，结果可以复用；观察器升级后，只有受影响的输入会被重新读取。推断参数调整时则完全不需要重新调用模型，只需用已有的观察重新计算。这也是为什么修改推断规则的成本很低：改完可以在全部历史数据上立即重算，并和旧版本逐条对比。

5. 能力推断：每个知识点都带着不确定度

能力推断的对象是知识点。DrawOffer 维护一份平台公共的知识目录，计算机方向目前收录 140 多项技术、1000 多个知识点，每个知识点标明重要程度、最深能问到第几层，部分还附有分层的评分标尺。其他岗位类别有各自的考点库。层级从浅到深依次对应“了解、熟悉、掌握、精通、专家”。

用一个分布表示“有多会”

系统不会给每个知识点记一个分数，而是记一个正态分布：均值表示目前估计的水平，方差表示有多不确定。一个从没被问过的知识点，均值停在一个偏保守的基线上，方差很大；被认真问过几次之后，均值移到证据支持的位置，方差变小。同一项技术下的知识点、目录里标为相关的知识点，在先验里彼此有一定的相关，所以答好 Redis 持久化，会让对 Redis 主从复制的估计也略微上移，但这种联动只是弱的，不能代替直接作答。

一次作答怎样改变估计

面试题在某一层上是否答过，用一个逻辑函数描述：能力越高于这一层的难度，答过的概率越大。设一道题作用于知识点的能力 z，区分度为 a，这一层的难度为 b，那么答过的概率是：

p(y = 1 | z) = σ( a · (z − b) )

σ 是逻辑函数；y = 1 表示这一层答过，y = 0 表示没答过。

来源可靠度 r 以指数的形式作用在似然上，可靠度越低，这次观察对估计的影响越小。系统先在这道题涉及的方向上做一维的拉普拉斯近似，得到新的众数和方差，再把变化按协方差传给整个状态，这是一次秩一更新：

p(z | y) ∝ N(z; m, v) · p(y | z)^r
μ⁺ = μ + (c / v) · (ẑ − m)
Σ⁺ = Σ + (c cᵀ / v²) · (v̂ − v)

m、v 是这道题方向上的先验均值与方差，ẑ、v̂ 是近似后的众数与方差，c = Σu。

一道题通常有多层：从某一层开题，答过了就继续追问更深一层，直到答不上来或到达这个知识点的最深层级。系统把一道题的多层结果合并成一次观测处理，并考虑评分器自身的误差：如果评分模型已知会把真实的第二层偶尔判成第三层，推断时就按这个误差矩阵读取报告的层级，而不是完全相信它。

答对一道题时，系统还会给它的前置知识点记一条较弱的观察：能讲清 B+ 树的分裂，通常也说明理解了基本的树结构。这条派生观察的权重很低，只延伸一层，而且不算“被问过”，不能单独让前置知识点下结论。

结果可以逐字节复现

推断全部使用双精度浮点、固定的迭代次数和完全确定的输入顺序，观测按发生时间、片段编号和观察排序。测评中，25 份剧本在同一进程内重复推断 5 次、换两个新进程和不同的哈希种子再推断，60 个时点的结论都逐字节相同。端到端的一致率之所以只有 86.8%，是因为观察器每次调用模型都会重新采样；推断这一步本身是 100% 可复现的。

6. 时间：久未练习，把握会回落

三个月前答好的一道题，和昨天答好的一道题，对“现在会不会”的说明力度不一样。系统在两次观测之间让估计随时间回落：均值逐渐回到基线，方差逐渐回升。设两次观测之间隔了 Δ 天，知识点的稳定度为 s：

f = exp(−Δ / s)，g = √(1 − f²)
μ′ = μ₀ + F (μ − μ₀)
Σ′ = F Σ F + G Σ₀ G

μ₀、Σ₀ 是基线均值与参考协方差，F、G 是由各知识点的 f、g 组成的对角阵。

稳定度会随作答更新：开题这一层答过了，稳定度按间隔增长；没答过，稳定度减半。稳定度的范围在 30 到 720 天之间，所以反复答好的知识点忘得慢，刚学会的知识点忘得快。经历的技术深度与业务深度变化更慢，稳定度固定为 180 天。

这个机制的作用是让旧证据对“现在”的说明力逐渐减弱，它并不是一个经过验证的、适用于每个人的遗忘规律。我们在公开教育数据上做过检验：同一个引擎打开遗忘与关闭遗忘相比，对“隔了一天以上才再次练习”的作答，预测下一题的 AUC 在 EdNet 上平均高 0.006，在 Junyi 上高 0.003，两个数据集共 10 折全部为正。幅度不大，但方向一致。

遗忘也决定了复测的时间。一个你曾经掌握的知识点，当答题带来的提升被遗忘掉大约 65% 时，系统会把它列为“复测到期”，在下一场模拟面试里安排再问一次。只有真正掌握过的点才会进入复测，从没被直接问过、只是被相邻知识点带高的点不会出现在复测提醒里；刚答完 7 天内也不会到期。

7. 证据门槛：证据不够，就不下结论

这是整套设计里最重要的一层。一个后验分布即使很有把握，也不一定足以对外说出一个判断。比如一场面试里，求职者状态不好，连续几道题都答得不理想；如果每道题各自独立地读，这些答错会把好几个其实会的知识点都推到“缺口”一侧。又比如一道题被拆到两个知识点上，两个点各自只有半道题的证据。

所以，判断“某个知识点低于岗位要求”或“简历上的熟练度写高了”时，系统除了看后验概率，还要求直接作答的证据满足以下条件：

1. 概率达到 0.7。能力落在门槛某一侧的概率不低于 0.7。
2. 单个知识点至少有一道完整的主问题。180 天内至少有一道完整主问题落在它上面；一道题被拆到两个知识点时，各算半道。
3. 宽泛的结论要有多个知识点支撑。判断“整项技术偏弱”时，至少要有 2 个知识点、来自不同的回答，且各自最近一次作答本身就落在这一侧，不看它们后来被其他知识点拉到了哪里。
4. “缺口”要跨越两天。判定“低于门槛”时，直接作答要跨越至少一天，一场发挥失常的面试只会让估计下降，不会单独定为缺口，下一场再问到时才判定。判定“达到门槛”不受这条限制。

在参数化的模拟学习者上，“缺口要两天”这一条让状态失常那场之后被误判为缺口的比例从 27.7% 降到 12.5%，单一短板的检出率没有下降；代价是确实偏弱的学习者，缺口要晚一场才判出来。我们认为这个取舍是值得的：误判一个缺口，会让求职者把时间花在本来会的东西上，还会削弱对整个系统的信任。

我们在研究论文中用消融实验检验了这一层：把门槛换成“只看后验概率”，去掉作答次数、覆盖的知识点和时间跨度的要求，其他规则不变。结果是通过的检查点减少，问题的准确率明显下降，多出来的主要是本不该报的问题。具体数字见研究论文。

8. 问题：发现、跟踪，直到解决

能力估计本身不直接给用户看，用户看到的是“问题”：值得关注、可以行动的具体事项。每个问题的编号由类型、涉及的对象和目标计算，重新推断后编号不变，所以一个知识缺口答好后解决、过一段时间又答错时，会以同一个编号“复发”，而不是变成一条新记录。

判断简历是否写高时，系统使用的是“去掉全部简历自述之后”的估计。这样可以避免循环论证：不能因为简历写了“精通”，就让“精通”的说法给自己作证。

问题有完整的生命周期。刚判定时是“出现”；在页面、对话或准备清单里展示给你之后，变成“已告知”；你勾选了针对它的准备项，变成“练习中”；后来的作答不再支持它，变成“已解决”；再次答错则“复发”。目标结束（比如这个投递已经有了结果）时，相关问题进入“沉睡”。你也可以随时忽略某一条问题，它就不会再出现在助手和各个页面里。

练习本身不会让问题解决。勾选了准备项、看了报告讲解，只说明你练过，不说明你会了；问题状态只能由作答改变。这条规则防止“只练不考”让记忆看起来越来越好。

9. 经历与简历说法

求职面试有相当一部分时间在问经历。DrawOffer 对每段经历单独建模：它在几份简历里分别出现在哪里、你在其中的分量和角色、技术深度和业务深度、被追问时各个方面有没有讲清楚。

同一段经历只算一段

同一段实习可能在三份简历里以不同的标题出现。系统先用规则挑出候选对：组织相同、时间重叠、标题相似，三者满足其二才进入候选；再结合模型对“是不是同一段”的判断，计算合并的概率，达到 0.8 才合并。每一次合并都记下依据，你也可以手动合并或拆开，你的更正永远优先于系统的判断。

分量、角色与讲述

经历的分量和角色只看面试中的判断，不看简历自己怎么写。角色从四档均匀分布出发，每次面试判断进来就按判断的准确率更新；只有当“实际角色低于简历角色词”的概率达到 0.7，才会提示角色写高。每个被追问的方面从 0.5 起步，讲清加 1、部分讲清加 0.5，再按可靠度加权，并以 180 天为半衰期逐渐淡化。

简历上的数字也会被核对。同一段经历、同一类指标，简历写的和面试中说的相差超过 30% 时，交给模型判断是不是同一个指标、是否真的矛盾；口径不同不算矛盾。面试中说出、简历上还没写的规模和成果数字，会作为“可补充的事实”建议写进简历。

10. 记忆在哪里被用到

记忆是为使用而存在的。所有使用方都通过同一个读取入口取得记忆，读取时统一过滤：只用你自己的记录和更正；被忽略、已沉睡的问题不出现；没过证据门槛的结论只出现“待评估”，不出现等级或问题。

助手对话

会话开始时，系统把与当前目标最相关的结论编译成一段上下文，每条带编号。助手回复中引用的编号会被逐一核对，只有本会话真正下发过的才算有效。会话中途你更正或删除了记忆，下一轮就按新的记忆重新编译。你也可以在创建会话时选择通用模式，不附带任何记忆。

模拟面试出题

出题计划按“问这一题能带来多少信息”和“复测的收益”给候选考察点排序，先补问还不能定论的点，再安排复测和诊断题。记忆推荐的题不超过本场题量的 60%，30 天内问过的原题只能作为复测出现。评分时看不到任何记忆内容，有没有弱项记录，评分看到的都一样。

简历段落精修

标出面试中考察过且没过关的行，附上追问链和练习入口；面试中说过的事实可以写进改写。

面试准备清单

列出未解决的问题、复测到期的知识点和这家公司真实问过的题，每一项都标明来自记忆。

答辩提纲

列出简历上最可能被追问、且现在守不住的 8 个点，每个点附上可能的追问、现在守到哪一层和练习入口。

岗位匹配卡

逐条要求展示面试证据：已达标、未达标还是证据不足。

面试前速览、匹配卡、复盘对比这些页面由代码直接渲染，不调用模型，也不扣积分。展示过的问题会登记为“已告知”，同一问题在同一位置每天最多登记一次。

11. 你说了算：查看、更正与删除

记忆是你的。它记了什么、依据是什么，都能看到：记忆页列出每段经历、每项技术、每条简历说法和每个问题，每条证据都指回来源（哪场模拟面试、哪次复盘、哪份简历）。

• 更正。你可以合并或拆开经历、驳回某条提及、固定某个取值、选定矛盾数字中正确的那个、忽略某个问题。更正作用在来源位置上，所以简历改字、观察器升级后，更正仍然有效。
• 这条不对。觉得某条结论不对时可以直接标记。在没有新证据之前，这条结论不再交给助手和各个页面使用；来了新证据或判断变了，再照常使用。
• 删除单条结论。删除后，这条结论不再出现，它依赖的那部分证据也不再计入。
• 删除原始资料。删掉一份简历或一场面试，相应的片段和观察一并删除，系统用剩下的记录重新推断。
• 清空记忆与注销。清空后，此前的全部观察、更正、问题记录、预测和提醒都会删除，之后的新数据照常记录；注销账号会删除全部记忆数据。

删除之所以能做得干净，是因为结论从来不是单独保存的“事实”，而是每次从剩余的来源重新推断出来的。测评中我们逐一删除了 25 份剧本里的每一份来源，共 85 次：只依赖被删来源的 176 条结论全部消失，残留的结论为 0，仍然引用被删来源的结论为 0，残留的观察也为 0。

需要说明这项保证的范围：它针对的是推断上的依赖关系，即被删除的来源不会再支撑任何结论。它不代表模型服务商的日志、缓存或所有存储副本中都不再有这份内容；那些由隐私政策和各自的数据保留规则约束。

12. 工程实现

每次读取记忆时，系统都从头组装当前状态，不缓存可变的中间结果。为了让长历史也足够快，推断引擎为每位用户的几条推断流保存检查点：新增一场面试时，从最近的检查点续算，而不是从第一条记录开始。检查点和全量重放的结果逐位一致；只要中间有迟到的记录、删除或更正，检查点就会失效并回退到更早的一个。

推断参数带版本号，每次修改都登记为一个新版本，不修改已发布的版本。新版本上线前，可以用影子对比在同一批数据上生成两个版本的结论并逐项比较；切换参数只需重新推断，不需要重新调用模型。观察器的模型调用按每位用户每天的上限执行，整理记忆的费用由平台承担。

13. 已知局限与下一步

我们希望如实说明这套设计目前做不到什么。

经历讲得清不清楚，判断得还不够好。在测评里，这是引擎落后于“把全部记录交给大模型”最多的一类检查点（经历评估 8/14，大模型 13/14）。部分原因在于真实面试复盘入库时，每道题只有一组问答，追问被并进了回答里，判断讲清程度的观察器看不到追问的结构。改进复盘的记录方式在计划中。

测评数据是虚构的。目前全部测评都使用开发团队编写的虚构求职者剧本，还没有经过独立标注人核对，也不是真实用户数据。产品已经实现了面试前预测存档、面试后勾选与校准报表，真实数据积累起来后，我们会按真实结果校准来源可靠度、遗忘速度和证据门槛。

不从其他用户身上学题目难度。在公开教育数据上，引擎与经典模型 BKT、PFA 相当，但低于会从大量学生身上学习每道题难度的 IRT 和 DKT。这是有意的选择：求职场景里的题目大多不重复，个人记录也不应被用来校准别人的结论。

固定的参数可能不适合每一个人。来源可靠度和遗忘速度目前对所有人相同。一些更细的机制已经实现并在模拟中测试过，比如区分“当场状态不好”与“确实不会”、识别“会但讲不出取舍”、估计个人的学习速度，但在模拟中它们的收益还不足以抵消代价，因此默认关闭，等真实数据来评估。

完整的测评方法、数据和局限，见测评报告；更严格的实验设计、消融与讨论，见研究论文。