简历分析
你写的每个技术点，面试官会怎么问
AI 按面试官的视角读一遍你的简历，挑出一定会被追问的技术点，列出可能的追问，再从题库找出对应的题，排成一份复习清单。
追问风险排序
每个技术点标出「必问 / 可能问」，先准备最容易被深挖的
题库真题对应
为每个技术点找出题库里的面试题、知识卡片和文档，点开就能复习
写法问题和模拟面试
指出描述太空、数字没出处的地方，还能带着简历直接模拟面试
一份报告长什么样
每个技术点一张卡：简历原文划出来，旁边是面试官大概率会怎么追问，下面是题库里对应的真题和知识卡片。按风险从高到低排，先准备最容易被问住的。
- 题目和链接全部来自「前端进阶之旅」题库与面经，AI 不编造题目
- 没有对应题目的技术点会直说，不拿不相关的内容凑数
- 分析记录保存在账号里，改完简历可以再分析一次对比
周予安 · 中级前端
性能优化写了具体数字，面试官一定会追问测量口径和拆解过程。
- 10
- 技术点
- 7
- 必问
- 142
- 复习资料
简历原文：首屏大图换 AVIF、SDK 改为空闲时注入，LCP 从 3.4s 降到 1.7s
面试官可能这样问
点开查看参考回答1当时的 LCP P75 是怎么采集的？样本量和设备分布是什么样的？
我们看的是线上真实用户数据（RUM），不是实验室跑分。前端用 web-vitals 库在页面隐藏时上报 LCP，按页面和设备类型聚合取 P75，这也是 Google 判断 Core Web Vitals 是否达标的口径。
样本量按天统计在（换成你的实际数据）量级，低端安卓机单独拆了一组看，因为它们最容易拖高 P75。实验室数据只拿来定位问题，比如用 Lighthouse 看 LCP 元素和资源加载瀑布，不用来证明收益。
2三个优化分别贡献了多少？有没有逐项做对照验证？
三项是分批上线的，每批上线前后各看一周的 P75，所以能大致拆出各自的贡献。先上的是图片换 AVIF 和按 DPR 出图，因为 LCP 元素就是首屏大图，这一步收益最大；第三方 SDK 改到 requestIdleCallback 之后注入，主要减少了主线程阻塞，让图片请求能更早发出。
严格的对照实验当时没做全，只有图片那项按用户分桶做过 A/B（换成你的实际情况）。面试里我会主动说明这一点，并补充如果重来，会用实验平台把每项都做成独立开关来量化。
3AVIF 兼容性不足时怎么降级？DPR、缓存和 CDN 配置怎么落地？
降级靠 <picture> 按格式兜底，出图交给 CDN 按参数实时处理。浏览器不支持 AVIF 时自动落到 WebP，再不行用 JPEG：
<picture>
<source srcset="hero.avif?w=750&dpr=2" type="image/avif" />
<source srcset="hero.webp?w=750&dpr=2" type="image/webp" />
<img src="hero.jpg?w=750" fetchpriority="high" alt="" />
</picture>尺寸和 DPR 写进 URL 参数，CDN 按参数缓存不同版本；首屏图加 fetchpriority="high"，不要懒加载，否则反而拖慢 LCP。