学习目标
你要能够解释什么
能在不死记实现细节的情况下，清楚说明一个图形学机制为什么成立、何时失效、如何交付。
Interview evidence
题库练习
把这一节课的画面证据，接回 PDF 里的原题。先做一个小预测，再去题目页整理成自己的回答。
-
自我介绍
先自己猜：这道题在考什么？
参考答案：我是一名把视觉目标和工程约束连起来的技术美术。我会先用一个具体问题说明背景，再讲我负责的判断和交付，最后用可复核的画面或指标证明结果。没有真实项目数据的部分，我会明确说是实验或推演，并说明下一步如何在目标设备上验证。
可观察证据：只改一个参数，记下画面变化，再写一句“所以它说明了什么”。
-
AI 辅助 TA 工作流
先自己猜：这道题在考什么？
参考答案：我把 AI 当候选生成器，不当交付 owner。它可以帮我生成法线/UV/材质初稿或整理规则，但我会记录输入、模型/规则版本、provenance、diff 和置信度，先过静态 QA，再由人工复核和目标平台验证；没有来源或证据就 blocked，接受和拒绝都保留 rollback。
可观察证据：只改一个参数，记下画面变化，再写一句“所以它说明了什么”。
-
持续学习与验证
先自己猜：这道题在考什么？
参考答案：我会从一个实际问题出发，选一个最小实验验证新技术，而不是先背名词。最近学习的内容我会说明输入、只改的变量、看到的证据、失败边界和下一步；如果只是原型，我会明确说是原型，真正进项目前还要补目标设备、协作和回滚验证。
可观察证据：只改一个参数，记下画面变化，再写一句“所以它说明了什么”。
实验循环
按顺序做一次实验
-
Step 1
先给可观察现象
- 改什么
- Symptom
- 怎么做
- 只描述画面或性能上发生了什么。
- 你会看到
- 听者能复述问题，而不是先被术语淹没。
- 它代表
- 好的技术表达从证据开始，不从名词开始。
Code anchor · interview-defense · observation
-
Step 2
用一个变量验证
- 改什么
- One controlled change
- 怎么做
- 选择本套课程中一个可操作参数。
- 你会看到
- 实验结果支持或推翻你的机制假设。
- 它代表
- 知其所以然的核心是能提出可证伪的预测。
Code anchor · interview-defense · experiment
-
Step 3
补上边界与取舍
- 改什么
- Platform / quality / cost
- 怎么做
- 说明何时失效，以及工程上如何处理。
- 你会看到
- 答案从“是什么”变成“如何交付”。
- 它代表
- 大厂级 TA 的可信度来自边界条件和取舍意识。
Code anchor · interview-defense · trade-off
快速复习
用三分钟找回因果链
这里没有第二套答案。以下内容直接来自上面的课程事实，方便你在面试前快速检索。
一句话核心
把一个技术问题拆成现象、机制、证据、边界和工程取舍五句话。
- 好的技术表达从证据开始，不从名词开始。
画面证据：听者能复述问题，而不是先被术语淹没。
- 知其所以然的核心是能提出可证伪的预测。
画面证据：实验结果支持或推翻你的机制假设。
- 大厂级 TA 的可信度来自边界条件和取舍意识。
画面证据：答案从“是什么”变成“如何交付”。
代码定位
- interview-defense · observation
- interview-defense · experiment
- interview-defense · trade-off