把"学了"变成"能讲"，把"想做"变成"已规划"
基于二面面试官已知我"基础薄弱、表达不专业"，三面大概率会现场追问核心概念，验证学习成效。以下是我准备的口述答案——用自己的话，不背书。
Skill 管"怎么做" — 它是一份操作手册。比如"怎么做代码评审"，步骤1看什么、步骤2查什么、步骤3输出什么格式。是流程知识。
MCP 管"用什么做" — 它是一个工具插槽。比如要发邮件，MCP 接一个邮件服务；要查地图，MCP 接一个地图API。是能力扩展。
打个比方：Skill 是菜谱（教你红烧肉怎么做），MCP 是厨具（给你一口锅）。两个都需要才能做菜。
普通 AI 对话是一问一答——我问一句，它答一句，不会主动做事。
Agent 是给目标，自己干——我说"帮我把这个报告做了"，它会自己拆步骤、自己选工具、自己执行、遇到问题自己调整。是一个闭环。
核心差异：普通 AI 是应答器，Agent 是执行者。
对话上下文有两个局限：一是窗口有限（对话太长前面的信息就被截断），二是会话独立（新对话从零开始，不知道之前聊过什么）。
Memory 解决的是跨会话的持久记忆。就像新同事有个笔记本——每次合作后记下要点，下次不用重新介绍背景。
WorkBuddy 的 Memory 分三层：用户全局记忆（自动提取）、身份文件（SOUL/USER.md）、项目记忆（MEMORY.md + 每日日志）。
两个词：能执行 + 能积累。
这两个能力组合起来，让它从"聊天机器人"变成了"数字同事"。市面上能同时做到这两点的产品几乎没有。
MCP 是技术层面的工具接口 — 让 AI 能调用外部工具的能力（比如调用地图API搜索地点）。
Connector 是权限层面的平台桥梁 — 让 AI 能"登录"你的第三方账号（比如连接你的腾讯文档，直接在你的文档里编辑）。
类比：MCP 像给机器人装了一只手（有能力了）；Connector 像给机器人一把钥匙（有权限了）。
确实是用 WorkBuddy 辅助完成的——这本身就是面试要求的一部分，"利用 WorkBuddy 整理文档"。但过程中我的学习是真实的：
回答时不要"背答案"，而是用对话感：先说结论（一句话），再打比方（生活化类比），最后补技术细节（如果面试官追）。节奏是"总→比→分"，不是念课文。
不是空想，是基于这次使用体验推导出的真实规划。
基于一个核心判断：新人视角是有时效性的稀缺资源。
一旦你熟悉了产品，就很难再以"第一次用"的眼睛去看它。所以入职第一周最有价值的事，不是急着做feature，而是趁自己还是新人，把新人的困惑系统化记录下来。这些发现能直接反馈到产品改进。
展示时间控制：5-8 分钟
不追求完美展示。主动暴露一两个"我还没想清楚"的点，反而比什么都答得出更可信。面试官已经知道你基础薄弱了，他想看到的是真实的学习痕迹，不是表演。