一、AI 味的三个症状

• 空泛。"我具备良好的沟通能力和团队协作精神"——谁不具备呢？
• 无细节。"我通过数据分析优化了产品功能，提升了用户活跃度"——提升多少？怎么分析的？优化了哪个功能？
• 没有你的痕迹。像教科书、像百科，唯独不像你。

根源很清楚：通用 AI 的知识来自全网公开数据，给出的只能是"最大公约数"的答案。它不知道你的项目、你的数据、你的教训。

二、面试官真正想听的是"经验"

Google 的 E-E-A-T 框架里，第一个 E 就是 Experience（经验）。放到面试场景同样成立：博士的研究方向、一个小众但深入的项目、从失败里学到的教训——这些才是不可替代的价值。

面试的本质是"人"的对话，不是"信息"的交换。信息可以检索，经验不能。

三、解法：先建个人知识库，再让 AI 调用

思路是给 AI 一套"只属于你"的资料，让它在你自己的材料里检索，而不是去网上找标准答案。需要喂进去的四类内容：

建好之后，AI 从"套话生成器"变成"了解你的顾问"。这一步不需要特殊工具，任何支持上传资料、检索资料的 AI 产品都能做。

四、同题对比：差别有多大

面试官问："请介绍一个你印象最深的项目。"

通用版（AI 味）：

我负责市场调研和用户分析。通过收集数据，发现了用户痛点并提出解决方案，最终完成目标。这锻炼了我的分析与协作能力。

放之四海而皆准，面试官记不住任何东西。

知识库版（你的故事）：

我在实验室参与"基于深度学习的医疗影像识别"研究，负责算法优化。最大挑战是医疗数据标注成本极高。我查阅论文，尝试半监督学习，在仅 30% 标注数据下把模型准确率提升到 92%，比基线高 5 个百分点。复盘后我意识到：资源受限时，选对研究路径比堆算力更重要——这个判断影响了我后来所有项目的决策。

差别不在文采，在于可验证的细节密度：具体任务、具体约束、具体数字、具体反思。面试官能顺着追问，也能记住。

五、三步搭起自己的知识库

1. 收集。翻出近三年的简历版本、项目文档、周报、复盘、论文笔记。宁可多，不要挑。
2. 结构化。每段经历按"背景—我的动作—结果数字—反思"四行写。这是检索效果的关键。
3. 建索引式提问。面试前用它做模拟：让 AI 只基于你的材料回答"你最大的失败是什么""这个项目你具体负责哪部分"，答不上来的地方，就是你要补的细节。

六、一条不能越的线

知识库的作用是把你已有的经验组织好，不是替你造经历。材料里没有的项目，AI 一样编不出来——它编出来，你也接不住追问。真实，是这套方法唯一的底座。