Classify Interview Questions

classify-interview-questions：面试题分类分发

将新面试题按考察维度分类，拆分后加入已有题库。不新建独立面经实录文章。

两个目标仓库

• Agent、LLM、RAG、训练、多模态、AI Coding 与 AI 工程题：当前 zero2Agent/learn-agent-interview/。
• Java/Go/Python、JVM、并发、操作系统、网络、数据库、缓存、消息队列、分布式、前端与通用工程八股：相邻 ../zero2Leetcode/_includes/interview-seasons/2026/summer.md。
• 算法/手撕题只进入 zero2leetcode 的算法题单，不计入传统八股总数；题干不完整时排除，不补造。
• 机器召回使用本 Skill 的 question-index.json；question-index.md 是人工维护源。每次修改 Markdown 后必须重建 JSON 并运行 stale check。
• question-frequency.json 是 Agent 题单频次事实源。frequency 等于 evidence 中可归因的独立面经出现次数；题库汇总、“高频题”等不可追溯标签不计数。正文只在现有最小主题组内按频次降序排列，同频按稳定的 firstSeenOrder 排列。
• 两个仓库分别检查 worktree、计数、提交和推送。不得把一个仓库的 commit 混入另一个。

来源与超链接契约

来源链接是题库可信度的一部分。以后新增题、增强已有题和调研答案都按以下标准维护，不只写不可核验的公司名或“高频题”。

面试题证据

• 有公开原文时，正文 > 来源： 使用可点击的 Markdown 链接，链接文字保留公司、岗位和轮次，例如：

  > 来源：[阿里云 Agent Infra 一面](https://www.nowcoder.com/feed/main/detail/<id>)

• 链接必须直达原始面经文章或用户指定的一手页面，不使用搜索结果页、信息流首页、聚合转载、短链或无关主页。多个独立来源分别给链接，不能把多个 URL 藏在一个笼统标签里。

• 同一来源要贯穿三处：正文来源行、question-index.md 的题目来源、question-frequency.json 的 evidence。人工索引保留 Markdown 链接；频次 JSON 中每个独立原文 URL 单独占一个 evidence，同一核心题里的同一 canonical URL 只计一次。

• 增强已有题时保留原有链接，再追加新来源或追问链接；不要把已经可点击的来源降级成纯文本。

• URL 只是可追溯入口，不自动证明内容是一手面经。仍需按真实面试过程、公司/岗位/轮次和问题上下文判断是否可归因，转载、题库汇总和营销内容仍不计频次。

• 用户明确授权的本地题库或私有材料可以作为来源，但没有公开 URL 时必须写明“用户授权题库（无公开 URL）”，不得伪造链接，也不得把本机绝对路径、私有下载地址或凭证写进站点。若能定位到公开原文，先验证内容一致再补回原始链接。

• 无公开 URL、又没有用户明确授权或其他可归因证据的题目，不进入频次事实源。

答案事实依据

• 协议、框架、模型、Kubernetes、AIOps 等会变化或容易混淆的事实，优先查当前一手资料，并在支持该结论的正文附近直接链接官方文档、官方仓库、标准或论文，不只在文末列一个泛化“参考资料”。
• 链接应指向支持具体结论的页面；官方资料没有直接支持时，明确标注这是工程推断或经验判断，不借链接制造过度确定性。
• 答案实质依赖外部资料时同步更新 THIRD_PARTY_NOTICES.md。独立改写答案，不复制外部文章的长段落、图表或受版权保护内容。

链接验收

• 发布前验证新增链接可访问、页面标题与标注一致、没有误链到评论区或推荐页；登录受限页面至少确认 URL 是原始文章地址。
• 核对每个新增或增强题的正文来源、人工索引和频次 evidence，不允许其中一处有 URL、另两处丢失 URL。
• 汇报时增加来源覆盖：公开原文链接数、用户授权但无公开 URL 的来源数、无法归因而排除的来源数。

维度分类表

模式选择

• 少量零散题：直接执行“分类 → 索引查重 → 写答案 → 校验”。
• 多篇面经或完整抓取目录：必须使用下面的 Luna 批处理流水线。不得把原始文章区间分给多个 Agent 逐篇阅读抽题；这种做法容易因上下文窗口、注意力分配和中途摘要造成静默遗漏。

批量 Luna 抽取与召回流水线

1. 建立输入清单

以本轮抓取的 manifest.json 为唯一输入清单，按 articles[] 顺序生成稳定序号。每篇必须使用 localSourcePath 指向的原文；不能只遍历当前输出目录，因为复用文章可能位于历史目录。

先读取两个仓库现有题目索引/标题。Agent 侧以本 Skill 的 question-index.md 为快速索引；后端侧读取 summer include 的编号标题。

2. 用 gpt-5.6-luna 批量并发抽题

批量任务统一运行维护脚本：

python .claude/skills/classify-interview-questions/scripts/batch_extract_and_recall.py \
  --manifest ".claude/skills/scrape-nowcoder/nowcoder-output-<range>/manifest.json" \
  --out ".codex-tmp/llm-interview-audit-<range>" \
  --model "gpt-5.6-luna" \
  --outer-workers 3 --workers 8 \
  --rerank-batch-size 1 --candidate-k 12 --top-k 5

固定约束：

• 默认模型是 gpt-5.6-luna。除非用户明确指定，不使用更慢的模型跑整批原文。
• 每篇文章独立调用 extract_and_recall.py --llm，不能把 all-in-one.md 当成一篇输入；否则会丢失文章归因和 canonical URL 边界。
• 外层并发负责文章级吞吐，单篇 --workers 负责问题级重排。默认 3 x 8；遇到限流时先降低外层并发，不降低抽取完整性。
• 每题先召回 12 个本地候选，再由 Luna 语义重排到 Top-5。high/review/low 只是召回带，不直接决定新增。
• Token 只在内存中使用。结果目录只保存逐篇 JSON 和 batch-summary.json，不保存配置密钥。
• 脚本默认断点续跑：复用成功 JSON 和已确认的 gate_rejected，自动重试 failed。需要重新检查门禁拒绝项时显式加 --retry-gate-rejected。
• 抽题前先做本地 source preflight：空稿、失效页、付费/标准答案模板、跨 URL 近重复正文，以及多数帖子已命中这些规则的内容账号，直接记为 pre_gate_rejected，不调用抽题 API。
• 通过本地门禁后，单篇脚本先调用 Luna 严格判断是否为作者亲历的技术面试；gate_rejected 同样不会进入抽题阶段。
• 每完成一篇，脚本立即重建五个题目队列：duplicate-evidence.jsonl、enhancement.jsonl、novel.jsonl、review.jsonl、out-of-scope.jsonl。中断时已完成文章的队列结果仍可恢复。

对于单篇诊断仍可直接运行：

python .claude/skills/classify-interview-questions/scripts/extract_and_recall.py \
  --input article.md --llm --llm-model gpt-5.6-luna --workers 8 \
  --rerank-batch-size 1 --candidate-k 12 --top-k 5 \
  --format json --out audit.json

3. 验收批处理账本

读取 batch-summary.json 并验证：

• articleCount == completedCount == manifest.articles.length。
• failed == 0 且所有成功结果的 llmErrorCount == 0。no_questions 表示 Luna 完成判断但没有抽出完整题干，是可审计的空结果；真正失败项必须重跑，不能用确定性抽取静默替代。
• model 和逐篇 llm.model 均为本轮指定的 Luna 模型。
• gate_rejected 保留在账本中，并与空正文、失效页、教程、推广、付费聚合和重复账号稿核对。
• 如果明确的一手面经被门禁误拒，先人工确认原文边界，再对该单篇使用 extract_and_recall.py --allow-non-interview --llm 重跑；禁止整批绕过门禁。
• 每个成功 JSON 都保留 sourceClassification、完整问题、Top-K、llmRelation、llmConfidence 和原因。不得只留最终题目清单。