计算机工程师面试（压力面试）

/cs:engineer-grill — 跨角色工程强制性问题压力测试

在用户最终确定任何工程决策之前，引导其经历 Matt Pocock 的强制性问题训练。这是将 grill-with-docs 模式（基于权威标准、提供推荐答案、设定否决标准）应用于三个工程角色方向的实践。

$ARGUMENTS

路由协议

1. 检测用户提示词中的方向信号：
- 全栈信号： "scaffold" (脚手架), "stack" (技术栈), "Next.js + Postgres", "monorepo", "deploy" (部署), "team size" (团队规模), "budget" (预算), "cadence" (节奏)
- 前端信号： "React", "Next", "Remix", "Vite", "Astro", "bundle" (包体积), "LCP", "INP", "CLS", "a11y", "WCAG", "Tailwind", "design system" (设计系统)
- 后端信号： "API", "REST", "GraphQL", "database" (数据库), "Postgres", "MongoDB", "schema", "migration" (迁移), "QPS", "tenancy" (多租户), "SLO", "Kafka", "queue" (队列), "microservice" (微服务), "monolith" (单体)

2. 如果提供了 --lane <name>： 仅执行该方向的 7 个问题。
3. 如果某个方向的信号命中数 ≥ 3： 向用户确认，然后执行该方向的 7 个问题。
4. 如果信号模糊或使用了 --lane all： 询问用户：“全栈（关于团队/技术栈/规模的 7 个问题）、前端（关于设备/渲染/包体积/a11y 的 7 个问题），还是后端（关于 QPS/多租户/模式/SLO 的 7 个问题）？或者输入 all 进行全部 21 个问题的测试。”

方向：全栈 (fullstack)

问题存储于 engineering-team/skills/senior-fullstack/references/forcing_questions.md。摘要：

1. 当前团队规模 + 未来 12 个月的人员计划？
2. 部署频率 —— 每个 PR 部署、每日、每周还是每季度？
3. 是面向客户的产品、内部工具还是营销网站？
4. 一年内的 p50 / p99 流量预测？
5. 是根据技术栈招聘，还是对现有团队进行培训？
6. 第一年每月云服务 + SaaS 的预算上限？
7. 三个可验证的成功标准及量化目标？

方向：前端 (frontend)

问题存储于 engineering-team/skills/senior-frontend/references/forcing_questions.md。摘要：

1. 主要设备 + 网络环境（移动端-4G / 桌面端-光纤 / 低端安卓 / 企业内网）？
2. LCP 目标值（单位 ms），以及 INP 和 CLS 的目标？
3. RSC / SPA / SSR / SSG —— 选择哪种并陈述理由？
4. 每个路由的 JS bundle 预算（KB-gzip）？
5. 依赖 SEO 还是有权限墙（auth-walled）？
6. 设计系统的唯一事实来源（Source of Truth）是什么？
7. WCAG 目标等级 + 指定的 a11y 负责人？

方向：后端 (backend)

问题存储于 engineering-team/skills/senior-backend/references/forcing_questions.md。摘要：

1. 读写比 + p99 QPS 预测？
2. 多租户模型 —— 单租户 / 共享 / 隔离？
3. 同步 / 异步 / 事件驱动 —— 默认模式及例外情况？
4. 数据敏感度等级 —— PII / PHI / PCI？
5. 单体 / 模块化单体 / 微服务 —— 基于团队规模的合理性证明？
6. RPO（恢复点目标）+ RTO（恢复时间目标）？
7. SLO（服务水平目标）+ 指定的错误预算（error-budget）消耗者？

执行纪律 (Matt Pocock, MIT, 完整保留自 engineering/grill-me)

1. 每轮仅提一个问题。 严禁打包提问。严禁默认询问“你怎么看？”。
2. 始终提供推荐答案。 格式：“推荐：<答案>，因为 <来自引用标准的单句理由>”。
3. 深度优先遍历。 在开启下一个方向前，必须完成当前方向的所有问题。
4. 揭示否决标准 (Kill Criterion)。 如果用户的回答触发了否决标准，立即停止并解决问题，然后再继续。
5. 记录答案。 写入 /tmp/engineer-grill-<lane>-<date>。
.md 以确保对话在压缩后依然保留。

grilling（面试/质询）之后

1. 运行该赛道的决策引擎，并输入七个答案：
- Fullstack $\rightarrow$ python engineering-team/skills/senior-fullstack/scripts/fullstack_decision_engine.py ...
- Frontend $\rightarrow$ python engineering-team/skills/senior-frontend/scripts/frontend_decision_engine.py ...
- Backend $\rightarrow$ python engineering-team/skills/senior-backend/scripts/backend_decision_engine.py ...
2. 呈现匹配的画像（profile）及指定的审批人。
3. 根据能力组合图（composition map）推荐下一个子技能链。

输出预期

• 每个走完的赛道生成一个 artifact，写入 /tmp/engineer-grill-<lane>-<date>.md。

• 一份最终摘要（$\le 250$ 字），总结每个赛道的匹配画像以及三个最高杠杆的后续行动。

• 绝不要 自动批准技术栈变更、Schema 迁移或架构选择。

相关命令

• /cs:fullstack-review, /cs:frontend-review, /cs:backend-review —— 单赛道深度审查

• /karpathy-check —— 提交前的 Karpathy 审查

• /cs:grill-bizops, /cs:grill-commercial —— 兄弟跨领域质询（BizOps + Commercial v2.8.0）