他不是来找理由录你，是来找风险。
这个区别很重要。普通面试官会在找你的亮点和弱点之间找平衡。Bar Raiser的职责是单边的：找你有没有risk。如果他找到了足够大的risk，他的反对意见在决策中权重极高，即使其他面试官都说Hire，Bar Raiser的顾虑也会被认真讨论。
很多人没有准备好这一点。他们面完觉得"其他轮都很好，这一轮差一点应该没关系"。这个想法在Amazon面试里是错的。
Bar Raiser是谁，他的角色是什么
Bar Raiser是一个经过特殊训练的面试官，通常是公司里的资深员工，来自你申请的team以外的部门。他参与面试，但他不代表hiring team的利益。
他的核心使命是：保证Amazon的招聘标准不下滑。
"Bar"的含义是：Amazon希望每一次招聘都能提升团队整体的水平。如果候选人只是和现有团队水平持平，技术上来说这已经不够了。Bar Raiser评估的是：这个人进来，会不会让这个团队变得更好。
这不是一个嘴上说说的标准。他们有一个专门的认证流程，他们之间有内部的对齐和讨论机制。
所以你在Bar Raiser面前，不只是在证明你能做这份工作，你是在证明你能让团队变得更好。
Bar Raiser最常看到什么类型的risk
Leadership Principles停在表面。
Amazon的Leadership Principles不是公司价值观口号，是他们用来评估行为的实际框架。16条LP，每一条都有对应的行为定义。
很多候选人知道LP，但他们的回答停在："我非常重视Customer Obsession，我所有的决策都是以客户为中心的。"
这不是Bar Raiser想要的答案。他想要的是：你有没有一个具体的故事，那个故事清楚地展示了这条LP在你行为层面是怎么体现的。
"我重视客户"和"我放弃了一个工程师已经做了三个月的功能，因为用户研究表明这个功能在真实使用情景下没有价值，我说服了团队从头来"——这两个之间的差距，就是Bar Raiser筛选的地方。
故事没有Depth，经不起往下问一层。
Bar Raiser特别擅长往你的故事里钻。他会在你讲完之后，问一个问题，然后再问一个问题，然后再问一个。
每追一层，你的答案质量会下降。这是正常的。问题在于：你在第几层开始变得模糊和不确定？
如果你在第一层追问就变得"这个我不太确定……大概是……"，这是一个明显的signal：你的故事是表面的，没有真实发生的细节支撑。
真实发生过的故事，你能往下追5层都有答案，因为你在那里经历过。背出来的故事，第一层追问就开始塌。
没有Data支撑判断。
Amazon是一家极度数据驱动的公司。Bar Raiser会注意你在讲故事时有没有提到具体的数字。
不是要你背出精确到小数点后两位的指标，是要你展示你工作时是在数据里工作的，不是凭感觉在工作。
"我们发现用户留存有问题"和"我们发现D7留存率从62%下降到49%，这在我们过去三年的数据里是最大的单季度下降"——两个判断力的信号完全不同。
如果你在讲故事时从来不提数字，Bar Raiser会在心里标记一个risk：这个人是不是不习惯数据驱动？
说不出一个真正的失败。
这个在前面的文章里也提到过，但在Bar Raiser面试里格外重要。
Amazon LP里有"Learn and Be Curious"，有"Are Right, A Lot"。但做出错误判断、承认失败、从失败中学习，这也是Amazon文化的一部分。
Bar Raiser会问类似"Tell me about a time when you made a wrong decision"或者"Tell me about a project that failed"。
如果你的答案是一个包装过的"失败"——本质上结果还不错，最后的教训是"我学到了要更好地沟通"——Bar Raiser不会接受这个故事。他会追问直到找到真正的错误和真正的consequences。
一个真实的失败，加上清晰的归因（我为什么判断错了？我当时有什么信息盲点？）和具体的改变（我之后做了什么不同的事？），是非常强的正面信号。
LP映射：好回答 vs 差回答的对比
我用"Customer Obsession"举一个具体例子。
问题： Tell me about a time when you went above and beyond for a customer.
差的回答：
"我非常重视客户的声音。在我之前的工作里，我们产品团队每个月都会做用户访谈，确保我们的路线图和用户需求对齐。我推动了这个机制，并且确保工程师也参与其中，让整个团队都有Customer Obsession。"
这个回答没有具体的故事，没有具体的决策，没有具体的结果。它描述的是一个流程，不是一个行为。Bar Raiser会继续追问，因为他没有看到任何evidence。
好的回答：
"有一次，我们在做一个自动化审核功能，工程已经做了六周，快上线了。做用户测试的时候，我们发现卖家对审核结果的可解释性要求比我们预期的高很多——他们不只是想知道审核通过还是拒绝，他们需要知道具体是哪个条款触发了拒绝，这样他们才能改。
我们的V1版本只给pass/fail，没有解释。工程团队当时很为难，因为加解释需要再多两周。
我去找了5个真实的卖家，做了一次快速的访谈，记录了他们遇到拒绝时的行为——大部分人是放弃并关闭了账号，不是重新尝试。这个数据说明，没有解释的拒绝对business影响比我们预期大很多：卖家流失。
我拿着这个数据和工程团队一起做了一个简化方案：先上线一个基础版解释（只显示主要拒绝原因，不列全部条款），把工程量压到三天，然后计划在下一个版本做完整解释。上线之后，因拒绝导致的账号关闭率降了33%。"
这个回答里，Bar Raiser看到了：具体的场景、真实的用户数据、一个在资源约束下的trade-off决策、以及可量化的业务结果。他可以把这个story贴到"Customer Obsession"这条LP上，写进feedback。
你准备Bar Raiser面试的方式要和其他轮不同
其他轮，你是在展示能力。Bar Raiser轮，你是在消除风险。
这意味着：你的每一个故事，都需要经得起至少三层追问。练习时，找人帮你追问，或者自己录音，然后自己追自己。
每一条你要展示的LP，都需要一个有depth的具体故事，不是一个描述性的"我这个人的特质"。
每个故事里，都要有数字，有真实的决策moment，有你面对的选择和你选择的理由。
如果你没有一个真实的失败故事，这是你备考期间最重要的一件事：找到它，理解它，能清楚地讲它。
Bar Raiser轮不是展示亮点，而是消除风险。书里的Behavioral和Amazon部分，就是帮你把故事准备成证据系统。
所以我把《如何从0到1准备硅谷PM面试》写成了Playbook，而不是题库。
题库只能帮你见过更多题。 Playbook要解决的是：你在没见过的题里，能不能快速搭结构、做取舍、讲清判断。
完整版包含： 39章正文 · 8个实战附录 · 30道高频题 · 每章练习卡 Product Sense / Metrics / Behavioral / Strategy / Mock / 追问 / Offer选择全覆盖。
如果你正在系统准备PM面试，可以先看免费Preview。 觉得适合，再看完整版。