更新页面 答题参考
页面 ember-ai/fit · 修改（rev 6） · · 2026-10-26 20:44
body
@@ -1,9 +1,9 @@ -> [!warning] **JD 未找到确切版本，按 ember.new 这家 Ember AI 的「Founding Engineer, AI Platform」职位代替写。** 这家是不是给你写邮件的那家还没确认（见 [[p:ember-ai/research]]）：请看 CTO 邮件的发件域名，是 `ember.new` 就对了；如果是 YC F24 那家做医疗收入循环的 Ember，这页和调研页都要重写。那份 JD 挂在 Built In 的转载页上，2026-10-15 标为已下架，和 CTO 10/13 直接来信找人的时间对得上，应该还是同一个职位。 +职位：**Founding Engineer**（Ember，YC F24，Burlingame，$140K - $180K）。JD 原文见 [[p:ember-ai/jd]]，2026-10-26 从 YC 职位页读下来。 -> [!note] 每晚「面试准备助手」2026-10-23 写。事实只取自 [[p:me/resume]] 和 [[p:me/star-stories]]；JD 内容来自 Built In 转载页（见文末来源）。 +> [!note] 每晚「面试准备助手」2026-10-23 写，10-26 按 YC 上的 JD 重写了「职位要点」和「简历对照」。事实只取自 [[p:me/resume]] 和 [[p:me/star-stories]]。 ## 这一轮是什么 -> [!warning] **公司认错了，2026-10-25 改正。** CTO 10/13 的原信（[[p:ember-ai/recruiter]]）说明给她写信的是 YC F24 那家做医疗收入循环管理的 Ember（CTO Warren Wang、CEO Charlene Wang），不是 ember.new。所以这一页的「职位要点」和「简历对照」是照错的那家的 JD 写的，不能用，等下一轮读到 YC 上那个 Founding Engineer 职位的 JD 再重写。这次先改了这一节、「Why Ember」和「反问」。「自我介绍怎么调」的结尾句和「可能被问到的」里提到 evals、FastAPI、Celery 的几条也是按错的那家写的，聊之前别照着背。公司情况见 [[p:ember-ai/research]]。 +> [!warning] **公司认错过，2026-10-25 改正。** CTO 10/13 的原信（[[p:ember-ai/recruiter]]）说明给她写信的是 YC F24 那家做医疗收入循环管理的 Ember（CTO Warren Wang、CEO Charlene Wang），不是 ember.new。10-26 已按 YC 上这家的 Founding Engineer JD（[[p:ember-ai/jd]]）重写「职位要点」和「简历对照」。还没改的是「自我介绍怎么调」的结尾句，以及「可能被问到的」第 4、6、8 条（30 / 60 / 90 天、多租户隔离、FastAPI 和 Celery），它们是照错的那家写的，聊之前别照着背。这家 JD 实际要的是 TypeScript、React、Node.js 和评测基础设施（evaluation infrastructure），见下面两节。公司情况见 [[p:ember-ai/research]]。 10/30 11:40–12:00 和 Vanshith Bhandari 的 20 分钟 Google Meet 初聊（coffee chat）。CTO 10/21 的信写了三件事：聊的是 Ember 和这个职位，聊之前先把简历发过去，这次通话可能会录音并转成文字，供内部招聘评审用（原话 This call may be recorded and transcribed for internal hiring review）。Vanshith 的职位信里没写。 @@ -13,16 +13,16 @@ ## 职位要点 -JD 里最重要的几条（原文是英文，关键词保留）： +JD 里最重要的几条，原文见 [[p:ember-ai/jd]]，英文关键词保留。CTO 和招聘方的信没写考察重点，只说 10/30 那次是聊公司和职位的 20 分钟初聊（[[p:ember-ai/recruiter]]）。 -1. **0 到 1 的创业经历**：要求做过 founder、founding engineer 或早期员工，「built something meaningful from a blank page」。「founding engineer」指公司最早的几个工程师之一，没有现成的架构和流程，产品方向、技术选型、工程规范都要自己定。 -2. **全栈判断力**：UI、API、数据模型、基础设施都要能拿主意（strong full-stack judgment）。 -3. **在生产环境里上线过 AI 功能**（shipped AI-powered features in production），或者能证明自己学这块很快。 -4. **做 agent 平台的基础件**：triggers、tools、approvals、evals、memory。这里的 evals 指对 AI 功能做系统化评测的那套东西，比如一组固定的测试输入加自动打分，用来判断改了提示词或模型之后效果是变好还是变坏。 -5. **直接面对客户**：客户访谈、调试、实施、上线支持都要参与；要能和非技术同事讲清楚。 -6. **用 AI 工具加速、但不把判断外包给它**（原话：「use AI tools to accelerate your work without outsourcing your judgment to them」）。 -7. **技术栈**：React、TypeScript、Python、FastAPI、Postgres、后台任务（Celery）、LLM API、检索系统；加分项有 Gmail / Slack / Google Calendar 集成、多租户企业软件的权限和隔离。 -8. **年限**：写的是 2～7 年或同等的「建公司」经历，但声明更看「slope, judgment, and evidence of exceptional building」，也就是成长速度和判断力。 +1. **前后端一起负责整块功能**：原文 Own the design and implementation of end-to-end features across our web applications and backend services。founding engineer 指公司最早的几个工程师之一，一个功能从界面到后端服务都归你。 +2. **给 AI 应用搭内部评测基础设施**：原文 Build internal evaluation infrastructure for AI and LLM healthcare finance applications。评测（evaluation，常简称 evals）指一组固定的测试输入加自动打分，用来判断换了提示词或模型之后，agent 在病历、理赔这类任务上是变好还是变坏。 +3. **和各种医疗系统对接，要可扩展、安全、可靠**：原文 Architect and maintain scalable, secure, and reliable systems that integrate with various healthcare platforms。 +4. **技术栈**：原文 Proficiency in TypeScript, React, Node.js，以及 Comfortable with LLM applications and containerized deployments（会做大模型应用，熟悉容器化部署）。 +5. **工程规范**：原文 Drive best practices in software development, including code reviews, testing, and documentation。 +6. **在模糊和多变的环境里干活、身兼多职**：原文 Thrives in environments of complexity and ambiguity 和 Excited about wearing multiple hats。 +7. **加分项**：提示词工程、微调和 RAG（retrieval-augmented generation，先检索相关文档再让模型回答），工作流自动化，医疗、金融这类受监管行业的经验，云平台（原文举了 Azure、GCP、AWS）和 Docker、Kubernetes，关系型和非关系型数据库，以及 FHIR、HL7 这类医疗数据标准和医疗编码。 +8. **年限和学历**：3+ years，计算机相关的本科或硕士。 -JD 没提签证和担保；职位是美国远程。你不需要任何 sponsorship，这一条对你没有影响。 +JD 写着 Visa: US citizen/visa only。她不需要任何 sponsorship，这一条对她没有影响。 ## 简历对照 @@ -30,19 +30,20 @@ | 要求 | 她的对应经历（简历哪一条） | 怎么讲（一句话） | | --- | --- | --- | -| 上线过 AI 功能 | 微软：Copilot 集成（动态模板选择、版式匹配算法，C++）；PowerPoint Agent Mode 的解析微服务（把幻灯片抽成结构化 JSON 给 agent 用） | 「我做的是 AI 功能的两端：把模型输出接成产品能执行的动作，以及把产品数据整理成模型能读的结构」 | -| 给 agent 做数据和工具层 | Agent Mode parser：微服务化、优化抽取流水线 | Ember 要把邮件、文档、Slack 变成 agent 的 memory 和 tools，和 parser 做的事同一类：把人类文档变成机器可用的上下文 | -| 全栈判断力 | 微软：REST / gRPC 后端 + TypeScript / React / Fluent UI 前端；F5：Java REST API + PostgreSQL + AngularJS / React 前端 | 两家公司都是前后端一起做过，后端是主项 | -| Postgres、TypeScript、React | F5 的 PostgreSQL；微软的 TypeScript + React | 直接对上，不用绕 | -| 多租户、权限、隔离 | 微软：把服务从内部测试一路搭到全球生产和美国政府云 | 政府云是最严格的隔离环境，端点、证书、合规都和普通环境分开，这是「tenant isolation」的极端版本 | -| 速度和耐用性的平衡 | 微软：Azure DevOps CI/CD、按 ring 分批发布、错误率和延迟不达标自动回滚 | 「快发布」和「出事能兜住」是一套机制，不是取舍 | -| 面对客户、和非技术同事沟通 | 缩略图服务被多个产品功能依赖，F5 的策略下发直接影响客户设备 | 讲依赖方怎么提需求、出问题怎么沟通 | -| 用 AI 工具但不外包判断 | 简历没写；可以讲你现在怎么用 Copilot / Claude 写代码和查资料 | 见下面 [[q:bq-ai-workflow]] | +| 前后端一起负责整块功能 | 微软：REST 和 gRPC 后端微服务，加 TypeScript、React、Fluent UI 前端（Copilot 建议的界面）。F5：Java REST API 接 PostgreSQL，前端用 AngularJS 和 React | 两家公司我都是前后端一起做，后端是主项 | +| TypeScript、React | 微软：PowerPoint Online 前端用 TypeScript 和 React | 直接对上 | +| LLM 应用 | 微软：Copilot 集成里的模板选择和版式匹配（C++），PowerPoint Agent Mode 的解析微服务（把幻灯片转成结构化 JSON 给 agent 用） | 我做的是 AI 功能的两端：把模型输出接成产品能执行的动作，再把产品数据整理成模型能读的结构 | +| 容器化部署、云平台 | 微软：缩略图服务用 Docker 打包、部署在 Kubernetes（AKS）上横向扩容。两个服务在 Azure 上所有环境的基础设施和 CI/CD 都是她搭的 | 加分项里的 Azure、Docker、Kubernetes 我都在生产上用过 | +| 可扩展、安全、可靠 | 微软：按 ring 分批发布，错误率和延迟不达标就自动回滚。服务一路部署到美国政府云 | 政府云是隔离最严的环境，出了问题不能直接登进去查，所以发布和监控要提前设计好 | +| 受监管行业 | 微软：政府云部署（见 [[p:me/job-search-strategy]] 第四节） | 合规要求严的环境我上线过服务 | +| 代码评审、测试、文档 | F5：Python 写 API 集成测试，Selenium 写 UI 自动化测试。Google 实习：给 Android UI 测试加截图比对 | 测试基础设施我从实习就开始做 | +| 数据库 | F5：PostgreSQL。技能栏还有 MySQL、MongoDB | 关系型的有生产经验 | **对不上的，怎么诚实地补**： -- **0 到 1 的创业经历**：没有。两家都是大公司，微软接近 6 年。别硬说有：可以说缩略图服务和 Agent Mode parser 都是从零搭起来的服务（从基础设施、CI/CD 到上线），这是大公司里最接近「从空白页开始」的事；再说清楚你为什么现在想去一家几个人的公司（见「Why Ember」）。 -- **FastAPI、Celery、LLM API 直接经验**：没有。Python 是会的（F5 的 API 集成测试用 Python 写）；FastAPI 是 Python 的 Web 框架，和你写过的 REST 服务概念一样；Celery 是 Python 的后台任务队列。可以说愿意在面试前用它们搭一个小 demo。 -- **evals、检索（retrieval）、agent 编排**：没有生产经验。可以用 Copilot 集成里「怎么判断模板选得对不对」的经验类比：也是要定一套评价标准，再对着它迭代。学校的 LSH 推荐系统项目和检索相关，但只是课程项目，一句话带过即可。 -- **年限偏多**（约 7 年半 vs 2～7 年）：JD 明说更看成长速度和判断力，不用主动提；被问就说级别和薪资都可以聊。 +- **Node.js**：简历上只有 JavaScript 和 TypeScript 前端，没有 Node.js 后端。讲法：后端写过 C#、C++、Java，Node.js 用的是同一门语言写服务，上手快。可以在聊之前用 Node.js 搭一个小服务，被问到时有东西可讲。 +- **评测基础设施**：没有生产经验。可以拿 Copilot 集成类比：要判断模板选得对不对，也得先定一套评价标准，再对着它迭代。Google 实习做的截图比对，也是「先定好什么算对，再自动比较」的测试基础设施。别说成做过 LLM 评测。 +- **医疗系统对接（FHIR、HL7、医疗编码）**：没有。这是加分项，直接说没做过、会学。 +- **微调和 RAG**：没有生产经验。学校的 LSH 推荐系统项目用局部敏感哈希（locality-sensitive hashing）找相似商品，算是检索的一种，但只是课程项目，一句话带过。 +- **0 到 1 的创业经历**：JD 没有明写这一条，但职位就叫 founding engineer。她两家都是大公司，别硬说有。可以说缩略图服务和 Agent Mode 解析服务都是从零搭起来的服务（从基础设施、CI/CD 到上线），再说清楚为什么现在想去一家 25 人的公司（见「Why Ember」）。 ## Why Ember @@ -109,5 +110,5 @@ ## 来源 -- [Founding Engineer, AI Platform（Built In Austin 转载，2026-10-15 标为已下架）](https://www.builtinaustin.com/job/founding-engineer-ai-platform/10620915) -- [Ember AI 官网（ember.new）](https://ember.new)：2026-10-23 看，没有招聘页，首页没写创始人。 -- 公司背景见 [[p:ember-ai/research]]。 +- [Founding Engineer（YC 职位页，2026-10-26 读）](https://www.ycombinator.com/companies/ember/jobs/HyUKTVm-founding-engineer)，原文存在 [[p:ember-ai/jd]]。 +- 10-23 版本用的是 ember.new 那家的「Founding Engineer, AI Platform」（Built In 转载），公司认错了，10-26 已换掉。 +- 公司情况见 [[p:ember-ai/research]]。