1. 面试复盘为什么总在重复造轮子
面完一场，脑子里全是“刚才那题我明明会”“这个反问应该换个问法”。等到下一场面试前想翻上次的记录，发现散落在微信收藏、备忘录、聊天记录里，根本拼不回完整上下文。我面到第六次的时候彻底受不了了：2026.8.5 北京那场一面已经 OC，但复盘价值最高的恰恰是那些没答好的问题，比如“binlog 同步到另一个库你会怎么用 AI 设计”“claude code 用过哪些 skill、原理是什么”，这些当时答得磕磕绊绊，如果不沉淀下来，下次遇到同类问题还是卡壳。
这篇要解决的就是这件事：把多轮面试的问答、时间、地点、结果状态整理成结构化档案，能按关键词检索、能按公司/轮次筛选、能直接喂给模型做复盘分析。核心工具是 TaoToken 提供的统一 Key 和 API 通道，配合一份可复制的config.toml和settings.json骨架，让面试记录从“一次性聊天”变成“可检索资产”。适合正在密集面试的校招/社招同学，也适合想把复盘流程自动化的开发者。下面从环境准备到写入验证一步步来，代码都能直接抄。
2. TaoToken 前置：统一 Key 与 API 通道准备
TaoToken 在这里扮演的角色是“统一入口”。面试复盘工具需要调用模型做两件事：一是把口语化的问答记录清洗成结构化字段，二是后续检索时做语义匹配。如果每个模型都单独配 Key、单独改 base_url，配置会散得到处都是。TaoToken 把模型对话、编码计划、控制台、API Keys 这些能力收敛到一套凭证体系里，换模型只改一个字段。
你需要先拿到 API Key。打开控制台页面，路径是https://taotoken.net/console?utm_source=taotoken_aicg_blog_end&utm_content=console&utm_campaign=rewrite，登录后在 API Keys 区域创建一个新 Key，复制保存。注意 Key 只在创建时完整显示一次，丢了就重建。
拿到 Key 后，API 的基础地址是https://taotoken.net/api，这个地址不加任何 UTM 参数，直接作为base_url使用。模型对话入口在https://taotoken.net/models?utm_source=taotoken_aicg_blog_end&utm_content=models&utm_campaign=rewrite，接入文档在https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite，这两个页面建议开着对照，字段含义和可用模型列表都在里面。
注意：Key 不要写进会提交到 Git 的文件里。下面给的骨架用环境变量占位，本地跑的时候再注入。
3. 可复制配置：config.toml 与 settings.json 骨架
面试复盘工具我拆成两个配置文件：config.toml管数据存储路径和检索参数，settings.json管模型通道和 Key。这样职责分离，换存储或换模型互不影响。
先建目录结构：
mkdir -p interview-archive/{data,config,scripts} cd interview-archiveconfig/config.toml内容如下，字段都有注释：
# 面试档案存储与检索配置 [storage] # 结构化档案落盘目录，按公司名分文件 archive_dir = "./data/archives" # 原始问答记录目录，保留未清洗文本 raw_dir = "./data/raw" # 索引文件，用于关键词快速定位 index_file = "./data/index.json" [retrieval] # 检索返回条数上限 top_k = 5 # 语义匹配阈值，低于该值不返回 score_threshold = 0.72 # 是否启用关键词预过滤，大档案量时开启 keyword_prefilter = true [archive_schema] # 档案必填字段，写入时校验 required_fields = ["company", "round", "date", "location", "status", "qa_pairs"] # 状态枚举，OC 表示已通过 status_enum = ["pending", "passed", "OC", "rejected", "withdrawn"]config/settings.json内容如下，模型通道统一走 TaoToken：
{ "api": { "base_url": "https://taotoken.net/api", "api_key": "${TAOTOKEN_API_KEY}", "timeout_seconds": 60, "max_retries": 3 }, "models": { "cleaner": "claude-sonnet-4-20250514", "retriever": "claude-sonnet-4-20250514" }, "prompts": { "clean_system": "你是面试记录清洗助手。把口语化问答整理成 JSON，字段包括 question、answer、topic、difficulty。只输出 JSON，不要解释。", "review_system": "你是面试复盘教练。基于检索到的历史问答，指出回答薄弱点和改进方向，给出可复述的参考答案。" } }${TAOTOKEN_API_KEY}是环境变量占位。本地运行时这样注入：
export TAOTOKEN_API_KEY="你刚才在控制台创建的Key"如果你用 Python 读取，os.environ会自动拿到。注意base_url结尾不要多加斜杠，SDK 拼接路径时容易出双斜杠导致 404。
4. 写入与读取验证：一次完整动作
配置就绪后，先做一次写入验证，确认档案能落盘、索引能生成。写一个最小脚本scripts/archive.py：
import json import os import tomllib from pathlib import Path from openai import OpenAI # 读取配置 with open("config/config.toml", "rb") as f: cfg = tomllib.load(f) with open("config/settings.json", "r", encoding="utf-8") as f: settings = json.load(f) client = OpenAI( base_url=settings["api"]["base_url"], api_key=os.environ["TAOTOKEN_API_KEY"], ) def clean_qa(raw_text: str) -> list: """把原始问答清洗成结构化 qa_pairs""" resp = client.chat.completions.create( model=settings["models"]["cleaner"], messages=[ {"role": "system", "content": settings["prompts"]["clean_system"]}, {"role": "user", "content": raw_text}, ], temperature=0.2, ) content = resp.choices[0].message.content.strip() # 去掉可能的 markdown 代码围栏 if content.startswith("```"): content = content.split("\n", 1)[1].rsplit("```", 1)[0] return json.loads(content) def write_archive(company: str, round_name: str, date: str, location: str, status: str, raw_text: str): qa_pairs = clean_qa(raw_text) archive = { "company": company, "round": round_name, "date": date, "location": location, "status": status, "qa_pairs": qa_pairs, } # 校验必填字段 for field in cfg["archive_schema"]["required_fields"]: assert field in archive, f"缺少字段: {field}" assert status in cfg["archive_schema"]["status_enum"], f"非法状态: {status}" out_dir = Path(cfg["storage"]["archive_dir"]) out_dir.mkdir(parents=True, exist_ok=True) out_file = out_dir / f"{company}_{date}.json" out_file.write_text(json.dumps(archive, ensure_ascii=False, indent=2), encoding="utf-8") print(f"已写入: {out_file}") return archive if __name__ == "__main__": raw = """ 问：平时开发用到哪些ai开发工具？ 答：Claude Code 为主，配合模型对话做方案讨论。 问：claude code 用过哪些 skill？原理是什么？ 答：用过代码审查和测试生成 skill，原理是基于提示词模板加工具调用。 问：binlog 同步到另一个库，你会怎么用 AI 设计？ 答：先让 AI 梳理同步链路，再分步验证。 """ write_archive( company="北京某公司", round_name="一面", date="2026-08-05", location="北京", status="OC", raw_text=raw, )跑之前装依赖：
pip install openai python scripts/archive.py预期输出：
已写入: data/archives/北京某公司_2026-08-05.json打开这个文件，你会看到qa_pairs已经被拆成带question、answer、topic、difficulty的数组。这一步验证的是“写入通道 + 模型清洗”都通了。
接着做读取验证，确认检索能命中。写scripts/query.py：
import json import os import tomllib from pathlib import Path from openai import OpenAI with open("config/config.toml", "rb") as f: cfg = tomllib.load(f) with open("config/settings.json", "r", encoding="utf-8") as f: settings = json.load(f) client = OpenAI( base_url=settings["api"]["base_url"], api_key=os.environ["TAOTOKEN_API_KEY"], ) def load_all_archives() -> list: archives = [] for p in Path(cfg["storage"]["archive_dir"]).glob("*.json"): archives.append(json.loads(p.read_text(encoding="utf-8"))) return archives def keyword_filter(archives: list, keyword: str) -> list: hits = [] for a in archives: for qa in a["qa_pairs"]: text = qa["question"] + qa["answer"] if keyword.lower() in text.lower(): hits.append({"company": a["company"], "date": a["date"], "status": a["status"], "qa": qa}) return hits def semantic_review(hits: list, question: str) -> str: context = json.dumps(hits, ensure_ascii=False) resp = client.chat.completions.create( model=settings["models"]["retriever"], messages=[ {"role": "system", "content": settings["prompts"]["review_system"]}, {"role": "user", "content": f"历史问答：{context}\n\n我的问题：{question}"}, ], temperature=0.3, ) return resp.choices[0].message.content if __name__ == "__main__": archives = load_all_archives() hits = keyword_filter(archives, "skill") print(f"关键词命中 {len(hits)} 条") if hits: print(semantic_review(hits, "claude code 的 skill 原理我该怎么答得更清楚？"))运行：
python scripts/query.py预期先打印命中条数，再输出一段针对“skill 原理”的复盘建议。到这一步，写入和读取两条链路都验证完毕，统一 Key 和 API 通道确认可用。
5. 本篇常见错排查
报错一：openai.AuthenticationError: 401Key 没注入或拼错。检查echo $TAOTOKEN_API_KEY是否有值，注意不要带引号或空格。如果用的是.env文件，确认加载顺序在 client 初始化之前。
报错二：openai.APIConnectionError或超时base_url写错最常见。正确值是https://taotoken.net/api，不要写成带/v1的路径，SDK 会自己拼。如果公司网络有出口限制，换网络环境重试。
报错三：模型返回内容不是合法 JSON清洗提示词里已经要求“只输出 JSON”，但模型偶尔会加解释。脚本里做了代码围栏剥离，如果还失败，把temperature降到 0.1，并在提示词末尾加一句“第一个字符必须是 {”。
报错四：AssertionError: 缺少字段模型漏了某个字段。检查clean_system提示词是否把字段名写全，或者把required_fields里非核心字段暂时移除，先跑通再收紧。
报错五：检索命中 0 条关键词大小写或中英文不匹配。keyword_filter里做了lower()，但中文关键词要确保和档案里的用词一致。可以先打印所有qa_pairs的topic字段，看看实际存了什么。
报错六：档案文件覆盖文件名用了公司_日期，同一天同一公司多轮会覆盖。把round_name加进文件名，比如北京某公司_一面_2026-08-05.json。
6. 把复盘变成可检索资产
这套流程跑通后，你的面试档案就不再是散落的聊天记录。每面完一场，把问答原文丢进write_archive，模型自动清洗成结构化字段；想复盘某个主题，用query.py检索历史问答，让模型基于真实回答给改进建议。第六次面试那场 OC 的记录，现在可以按“skill 原理”“binlog 同步”“测试质量”这些 topic 单独调出来反复看。
后续要扩展的话，两个方向：一是把archive_dir换成 SQLite 或向量库，检索更快；二是把settings.json里的cleaner和retriever换成不同模型，清洗用便宜的、复盘用强的，成本可控。长期做编码和 Agent 方向的同学，可以了解下 Coding Plan，入口在https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding-plan&utm_campaign=rewrite，接入文档在https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite，字段和本篇一致，换过去不用改代码结构。
