[心得] AI/ML/DL/CV 相關面試心得（長文）
好讀版：https://goo.gl/TtchR6
過去曾受益於許多面經，現在輪到小弟出社會面試了，前來回饋心得。個人背景：115應
屆CS碩，雜事纏身拖到10月才開始面試，研究領域為 Computer Vision 相關，碩論做
3D Object Detection 偏自動駕駛領域。104履歷設定不開放，只找 ML/CV 相關職位主
動投（關鍵字：AI、機器學習、深度學習、電腦視覺，以及上述英文），鎖定台北區域
，有過濾掉不少看起來有風險的職缺。
聰泰科技
面試官是 Kaggle 拿過冠軍的高手，一開始介紹了公司的業務和盈利來源，後主要詢問我
的工作經歷和碩論，注重模型的架構、實驗比較和遇到的困難，然後純聊技術，從
Kaggle 到本人 GitHub 上的項目都有涉及。該公司的業務來源範圍很大，幾乎涵蓋了電
腦視覺的幾個應用，面試官也介紹了幾個比較刁鑽的客戶案例，例如車內乘載人數偵測和
壽司輸送帶的即時座標定位與分類等。後面強調公司很注重不同領域部門間的合作，以及
處理不同晶片上架構的兼容問題。
第二關是公司副總前來面談，以產品解度介紹公司，感覺他傾向於找到相同價值觀的人，
認為只要把子領域發揮到極致就會有價值，有點工匠精神的韻味，雙方相談甚歡。最後口
頭得知取得了 offer ，薪水符合期望，副總很熱情地帶我逛了一圈公司，環境是開放式
的，設備很齊，也看到了蠻多剛剛提到的產品和 CV 相關應用，總體來說挺滿意的，數天
後收到 HR 正式 offer。這次的感想是技術職和管理職會從不同角度看待產品和同事/員
工，面試時可以根據對方角色（和個性）來決定話題重心，大膽表達自己的想法。
結果：Offer Get。
北京零零無限科技
知名無人機公司，今年在台北開的新據點，原本面試排滿想延一個禮拜，不過 HR 說 VP
下禮拜回大陸前想見我一面，所以擠出了時間提早面試。開始是一小時的筆試，範圍包含
電腦視覺、機器學習、深度學習和機率統計。我寫滿了兩面白紙，主要是問到某些模型（
ResNet）和 Boosting 方法（AdaBoost）不知不覺多扯了一些；機率問題很簡單，貝氏定
理就能解決；有題基礎的電腦視覺問題因為太久沒碰沒完整答出，只憑印象寫了一些推測
，算是可惜的地方。
第二關是兩位算法工程師的技術面試，首先自我介紹，被問了碩論細節、黑客松經歷和
GitHub 上的項目，誇了一句技術涉獵領域廣，因為有個東方 Project 相關的項目還被
說有點宅（笑）。我問了工作內容、專案如何進行、為何進入這間公司、最有挑戰的部分
等，兩位面試官很親切，談起來就像和朋友聊天，能看出平常工作氣氛不錯。台北辦公室
負責追蹤演算法，由於只依賴主 Camera 因此較有挑戰性。因為過了中午，面試官還幫我
買了個便當，很是感謝他們。
第三關的 VP 來自北京總部，過去在 Nokia 和 HP 工作，十分親切。一開始詢問對公司
的了解程度，由於我在兩年前就看過展示影片並持續關注，老實地表達對初代 Hover
Camera 的喜愛。另外問了以算法工程師的角度，對無人機未來應用的設想。這裡受限於
我的想像力，大致提了極限運動跟隨、航拍高度等功能，就技術層面分析實現的利弊和限
制，他提了個不同方位路線跟隨個人覺得很有趣，也討論到了和競爭對手大疆做的消費者
受眾區別，聊天中學到很多東西。接下來是人格特質方面的問題，包含自己的缺點、平時
興趣、能為公司帶來的貢獻等，最後因為看我是個小粉絲還透露了一些二代的未公開資訊
給我，非常期待二代的面世！第四關是 HR 面試，討論了待遇和福利工時， HR 問題偏向
個性和對公司的興趣，希望可以找到志同道合的人作為骨幹，並表示之後還會有電話二面
。
隔天就收到北京的 SW 主管電話二面了，使用 WeChat 電談，對話內容比較偏向技術，聊
著自己也不知不覺變成北京腔 XD。由於不能現場展示投影片，針對碩論討論了挺長一段
時間，還被說了怎麼不趕緊投會議或期刊（因為錯過了 CVPR 2018 ）。結尾我問了北京
部門狀況和公司未來的產品佈局。電談比較大的感想是最好提前準備履歷和面試備忘錄放
在面前，方便隨時提醒自己待會要說什麼，最好避免雙方有同時安靜的時刻（除非正在思
考）。一個禮拜後 HR 告知取得 offer ，經過溝通很努力的幫我爭取 bouns， COO 也和
我 WeChat 電談交換了雙方的意見，可以感受到他們對求職者的重視。
結果：Offer Get。
兆洋資訊
美商，首先是兩小時的上機考試，共八題，一題資料庫、一題 CSS flexbox 相關問題、
一題 JavaScript 實作題、一題 Node.js 功能實作，剩下四題都是演算法相關問題，在
LeetCode 大約是 Easy 等級。我很快就注意到這份題組名稱是 Full Stack Developer
，不禁懷疑自己投錯職位，詢問 HR 得知 AI 職位也是給這份試題，就默默開始埋頭苦寫
了。資料庫題目有點複雜，我沒能給出最佳 query ，浪費不少時間； flexbox 和 JS 都
屬於有經驗就會解的類型，輕鬆完成； Node.js 實作他有給雛形，基本不難；程式題都
用 C++ 解決，有題一直有部分測資沒通過，時間快到才發現看錯題目（掩面），其他題
目都算簡單，複雜度幾乎都在 O(N) ，也沒遇到 DP 題目。結束後由 HR 做了簡單的面試
，同樣自我介紹、問題和提出期望待遇，比較特別的是 HR 說因為員工訓練成本，入職後
會簽最低服務年限條款（一年），我本身不排斥這類合約。
兩天後接到美國主管打過來的電話二面，中文，談了快一小時（國際話費不貴嗎？！），
開頭誇了一頓，似乎是上機考成績和履歷不錯。之後開始介紹公司在美國的業務，不過和
我期望不同的是目前他們 CV 應用僅在文本識別場景，主管希望我也能參與 Web 開發，
說是他們的產品主力，看中我在這方面的經歷和技術，口頭確定了 offer ，薪水和年終
都給期望之上。同時也能外派去美國加州新建的據點，會處理好機票、簽證與住宿，期間
月薪會再多數千美金。和主管討論了公司未來方向和產品重心，對方很有誠意，因此雖然
工作內容和想像的有差異，內心也有點動搖，當天 HR 就寄了 offer 過來。
結果：Offer Get。
台達電子（台達研究院）
面試前需要上系統填寫履歷。 HR 準備了熱茶後就開始技術面試，兩位面試官分別來自
IoT 部門和 Life Science 部門（我投後者）。他們對我的碩論很感興趣，注重在我研
究的過程（選擇問題、改良點、架構設想、科學驗證），被問的東西包含：如何進一步的
提升模型性能（可改善處）、與比較模型的差異與理論根據、假設 Detection 目標種類
改變如何重構模型等，被誇了如果投頂會有機會上。也問了傳統電腦視覺和深度學習興起
後的變革與改進，我概括性描述了物件識別、追蹤、分割等領域的歷史和相關論文，同時
提到以前較難實現的領域如生成模型、NLP、VQA 等，但仍有領域是傳統方法主導（如
SLAM），人格特質部分被問在團隊中大多扮演的角色。再來我問了他們進公司的原因，兩
位剛好都是研替簽下去轉正的，側面證明他們對公司的喜愛，基本上也是個允許大膽研究
嘗試的好環境。另外介紹了我要投的部門，主要做醫療影像的 VQA 技術，可能因為剛才
誤打誤撞提到，面試官介紹時態度很好。最後因為氣氛不錯，斗膽向面試官們問了我可以
改進的地方，不過只被稱讚了很有熱忱有自信有條理，沒聽到缺點有點可惜（我不是抖M
）。
一個禮拜後 HR 來電談了半小時，大致幫我分析了薪資結構（大公司的年終分紅導向）、
福利和詢問我對工作內容的需求，多推薦了個 Machine Learning Data Scientist 職缺
，並約了二面時間（兩個職缺一起）。二面第一關為 Data Scientist 職缺的初面，面試
官是兩位工程師，聊天了解到他們部門偏結構資料和 AOI ，談到技術太投入結果超過時
間沒問到問題。第二關兩個職缺的主管都來了，自介完後被問了投台達的理由和期望環境
，自認回答得不錯。他們也提到目前開始嘗試建立 AI 平台部門，期望達到統整各部門技
術和讓跨部門合作更加容易，因此可選擇題目種類非常多，既可以深入研究一個主題，也
能多方嘗試增加技術廣度。面試過程很和樂，最後又和 HR 討論了期望待遇。數天後了解
待遇落點和結構，考量各種因素主動放棄職缺。
結果：主動結束流程。
Opus Microsystems（先進微）
目前面的職位描述裡和我碩論領域最貼近的公司。開場寫了一份題目很少的性向測驗，之
後兩位工程師（資深和技術 Leader ）來和我閒聊，沒幾分鐘創辦人兼 CEO 的洪博士也
進來了，於是開始自我介紹。由於該公司有 3D 感測經驗，解說起 LiDAR 等點雲資料對
方皆是相當了解，問題也很刁鑽，包含研究上的思路和失敗經歷、細部架構替代方案的優
劣等，也問了一些我沒提到的部分，例如地勢起伏對 3D Point Cloud 的影響和改善和做
Voxelization 的各種方案優劣。然後聊到了黑客松時的團隊合作經驗，包含如何分工和
收穫等。
接下來跟 CEO 一對一面談，他介紹了公司的產品線、未來展望和戰略佈局，分析擴展市
場以及台灣公司在中國的競爭力問題，我本身對這方面非常有興趣，聊起來很是快樂。適
合我的部門有兩三個，包含了還沒正式成立的部分，公司正在轉型佈局期間，野心很大，
期間提到了不少管理層決策的判斷基準和思考方向，不知覺學了很多管理知識。他同時希
望算法工程師除了按照需求設計，也可以有自己的想法和基本的大局意識，該公司就是以
人數少而有力發展到現在。之後問了為何創立該公司，聽到了許多有趣的故事，包含最初
做創投的經歷、往 MEMS 領域創業的過程和波折、台灣和國外的投資視野差異、和股東的
股權利益糾葛等，又是一波知識洗禮。最後回到正題給出了期望待遇和詢問公司福利，總
共談了三小時多，意猶未盡。幾天後收到 HR 正式 offer ，待遇不錯。
結果：Offer Get。
Tomofun
知名寵物科技新創， Furbo 當年群眾募資挺有名的，現在也逐漸茁壯成長。我一按門鈴
就有狗狗熱情的過來迎接，到會議室路上一直嘗試舔我的手，超可愛！聽他們介紹是每天
會有值班的寵物，應該有控制數量避免公司大亂 XD，環境很明亮時尚，充滿各種新奇的
寵物玩具，開放式辦公環境。面試官人數挺多，兩位 AI 部門工程師、一位 RD 主管和一
位 HR，我開場就問了何時要出貓貓版本 Furbo ，對方主管笑著說會先等狗狗版市場開發
穩定再擴展，面試氣氛變得歡樂許多。工程師問了 YOLO 的實作過程和大型專案的合作經
驗， HR 問了演講經歷（如何有這個機會）、最有挑戰性的項目、團隊中扮演的角色、別
人對自己的看法、自己的缺點、喜歡的工作環境和不喜歡做的事情，大多問題都有事先準
備過所以自認回答得還算得體。主管表示這個職缺是研究導向，多數時間會研究指定
topic 的最新進展以及如何應用到產品上，基本上 Furbo 的可發展性還很高，包含動物
情緒分析、更精確的動作識別、精華影片合集等，因此部門會逐漸擴張。他們也介紹了目
前公司的主要市場歐美國家和收益增長情形，比我想像中的還高出許多，且背後有趨勢的
投資，近年內經營應該會繼續成長。
接下來只留了主管和 HR 談論待遇相關部分，我除了福利之外問了專案進行模式，一般計
畫會採用 Scrum 來進行，而 AI 部門由於偏研究，因此週期相對來說會比較長，跟其他
部門有蠻大差別。最後表示還有電話二面， HR 帶我逛了一圈公司，中間有看到影片出現
過的明星狗勾，忍住了跑過去摸的慾望離開了。一天後接到電話面試，主管對於我的表現
持正面態度，並且確認了期望待遇，我有表現出想進公司的意願，因此他們給出了不錯的
Package（包含分紅、股票等），並且幫我做了詳細的收益分析，感受到很大的誠意。很
快地就收到正式 Offer ，後來還接到趨勢創辦人張明正電話，小談了一下 Tomofun 團隊
，老實說受寵若驚。
結果：Offer Get。
浩鑫電腦
面試前有要求填相關資料寄 Email 給 HR，包含針對專業領域的自我推薦、個性自評和期
望工作內容等。開場簽了個資使用同意書，第一關是 HR 面試，對方親和力很強且相當健
談，談了期望工作內容、公司類型和大篇幅的個人經歷以及專業技能，也問了偏好有資深
工程師帶還是全新團隊成為骨幹，這位 HR 很擅長引導和切換問題，談起來相當愉快。
第二關是技術主管面試，主管是發過 CVPR 的前輩，對電腦視覺領域相當熟稔，面試部門
主要以人臉識別為主軸，問題包含：對當前人臉識別模型或演算法的介紹、基於傳統電腦
視覺方法和基於深度學習方法的人臉識別比較與差異、對於新的人臉需要多少資料才能學
習、假設有充足的運算資源，從無到有建置一個人臉辨識系統的過程、承上題，該系統潛
在的其他應用等。問題都是繞著人臉識別，因此只要對這領域有經驗基本上都能流暢回答
，甚至舉一反三。這關過程有點像做研究時的腦力激盪，個人認為挺有趣，隨著問答進展
越能順暢表達想法，另外有提到我的 Web 經歷會是加分項（有較多與後端串接部分）。
總過程大約兩個小時半，後續因為個人時間因素（已超過我設的面試期限）取消。
結果：時間因素中止。
未來市
新創公司，佈局挺大，內容無法透露太多，經過了三關面試（主管、CTO、HR），技術問
題包含：假設缺少大量資料，如何建構能用在實務上的深度學習模型、對某些電腦視覺問
題的應用設想等。主管和 CTO 對公司都充滿信心，有感覺到新創獨有的熱忱和鬥志。最
後 HR 介紹了公司待遇和福利，值得一提的是她溫和地提醒了我有時語速會太快，對此非
常感謝她，少數會告訴我改進點的面試官。整場總共談了三小時多，之後 HR 邀請我和創
辦人二面，不過因為個人時間因素（已到我設的面試期限）取消。
結果：時間因素中止。
Viscovery
第一關是電話面試，介紹了公司目前的產品走向（與我過去了解的 Viscovery 不同了）
和職務內容，之後自我介紹，在電談中解釋某些東西比想像中難，主要針對我論文模型有
比較深的提問，中間提到 Single Shot MultiBox Detector 討論了其優缺點。第二關到
現場面試，門口放了很多零食 XD，兩位工程師首先和我介紹公司真實現況，知無不言，
十分誠懇，請我不用怕放手問，還主動提起沒說的敏感問題，使我反而更有信任感。被問
了 Underfitting 和極大種類資料的處理問題，我回答分類樹、分類標籤、特徵清洗、調
整正規化手段等。接著是白板題，問題不難，偏測試細心程度、邏輯和設計層面的思想，
合格通過。後來又聊了很多面試的歷程心得，對方都不吝於分享，感覺是共事起來會很歡
樂的 Team ！
第三關是主管和 PM 面試，主管詳述了公司轉型到落地產品的規劃，並統整了公司現有客
群、收入和計畫，我可以根據興趣選擇 Team （都有缺人）。被問了團隊分工經驗、如果
遇到不擅長的領域會如何開始著手、對客戶和 PM 和工程師三方溝通流程的看法等，對方
很親和好溝通。第四關是 HR ，確認了我對公司的看法以及告知薪資結構和福利，還分享
了公司失敗到重新站起來的過程，整體面試感覺很不錯。一天後收到正式 Offer ，待遇
很有誠意。
結果：Offer Get。
QNAP
知名 NAS 製造企業，首先是一小時半的筆試，包含了邏輯數學題、 Python 基礎（回答
輸出）、機器學習（PCA、SVM、梯度下降、Overfitting、BN、CNN）和性向測驗（題目不
多），自己寫起來感覺是全對沒問題，無法得知最終成績。第二關是技術面試，主管和我
有挺多技術共通點（尤其是在 Web 和 ML 方面），而且同樣熱衷參加開源活動（聽說整
個部門都是），聊起來很開心。他介紹了職位工作內容和相關部門，主要看重我技能樹點
的很廣這點，希望可以作為目前分工太細的 Team 的跨組工程師。比較有趣的是問我的
Lua 大多用在哪些地方，我不好意思地回答：寫遊戲腳本（ㄍㄨㄚˋ），主管聽了哈哈
大笑。
第三關是白板題，面試官為軟體架構師，題目不方便直接透露。一開始討論解法，我首先
表示使用 Hash Table 可以算出最佳解，時間複雜度 O(n) 。他問了 Hash Table 的缺點
，我回答空間成本和碰撞造成的效能損失不能兩全，他就假設輸入極大，運算單元無法負
荷 Hash Table ，此時最佳解是什麼？我很快提出了先進行排序，再二分搜尋，此時複雜
度為 O(nlogn)，他又問如果輸入已經排序過，最佳解此時為何？我先提出應為最優解應
為 O(n) ，然而如果繼續對 n 個值二分搜尋複雜度依然會同上，所以瓶頸在於搜尋步驟
，直覺想到不必搜尋而記錄位置來比較（空間換取時間），複雜度就能達到最優。面試官
到此表示差不多可以寫在白板上，並建議我想好極端案例、需求，動筆後即開始計時。寫
的有點急漏檢查了空輸入情況，其他問題不大。後來因為耗時很短，又出了個加分題，主
要是做額外的字串處理要求。他結束時表示我解題速度太快，不知不覺節奏被我帶走 XD
，忘了提醒我要確認好題目「真正需求」（例如輸出格式），現實情況也很常出現雙方認
為的「需求」其實不對等的情況，學了寶貴的一課。和面試官一起討論思考的過程很棒，
個人認為是面試中最有趣的環節。最後是 HR 面試，介紹公司現狀和詢問我的期望待遇，
整場面試大約四小時多。大約一週後 HR 告知核薪的大致落點，由於那時差不多鎖定好期
望 Offer 了，我了解後就主動放棄該職缺。
結果：主動結束流程。
宜睿科技
機器人新創公司，進門就看到了搬運機器人和服務機器人，公司 Logo 很有科技時尚感。
面試官為主管和博士工程師，被問了黑客松中搜集資料的方法、標記自動化的想法等。他
們目前核心業務是可跨層移動的搬運機器人，目前在 DL 方面比較缺人，現階段需要提升
障礙物識別率和速度，並克服電梯內多人偵測，同時避免鏡子導致的誤判問題。後來額外
被主管問了 Linux Programing 和 MAC 層 CSMA 運作機制，我坦白不會（說起來也跟我
工作內容不相關…）。兩位都很親和務實，討論完待遇就表示明天就有結果，果然隔天就
收到正式 Offer ，很有效率。
結果：Offer Get。
中強光電
本來是投錯職位，因為他要求是博士學歷的資深主任級工程師，後來部門主管主動來電和
我談了一小時，了解他們也正在尋找年輕新血。團隊目前只有少數幾人，全都是資深精英
，主管本身是 Google 前員工，做自動駕駛和寫 GPU 的先驅，他表示看過履歷和
GitHub 覺得我挺有潛力，想邀請來新竹面試看看，聽他描述面試難度挺高，心中忐忑不
安。當地交通比想像中麻煩很多，搭到最近的地方還要走約半小時的路程（附近完全沒公
車）。
首先是線上英文測驗，類似多益，我犯了個大失誤是到閱讀測驗想看剩幾題，點到最後一
頁系統給我直接交卷… 大約少了 12 題的分數，提早了快 20 分鐘，有跟 HR 反應不過
大概沒什麼用。大公司常出現的性向測驗快速解決。緊接著 HR 面試，他對我只知道公司
有做投影機有些不滿（因為邀約有點匆忙沒能充分了解公司），向我介紹了公司發展至今
的三個部門：投影機、背光、 RD 研究中心。後者是新部門，為了拓展新領域所建，強調
了核心精神是「賺錢」和「快」，我所投的 Team 更是特種部隊，處理的都是最難的計畫
。然後是主管和工程師面試，不廢話直接大量問題開場，有印象的包含：
1. CNN 除了 CV 領域還有什麼應用，優點在哪
2. CNN 相較 MLP 的優勢
3. 舉出令人印象深刻的模型和其應用
4. L1 / L2 的差異
5. 機器學習方法中哪些不需要做 Normalization
6. FAST Corner Detection
7. 說明幾種 loss function 和其使用領域
8. Entropy 在機器學習可能有哪些應用
基本上都盡力回答，然而還是有部分題目沒答好（如 FAST、不需要 Normalization 的方
法等），主管表示勉強合格，工程師表示還不錯（不知道是不是安慰 QQ），他們主要想
把只看內容農場的半路出家 ML 求職者篩掉。接下來他們邊問履歷上的技能邊聊天，我詢
問了工作現狀，感覺時程真的挺趕，專案也都不簡單，加班保證能報加班費。最後再次和
HR 談話，他跟我特別提醒這個 Team 都是技術狂人，可以一天內做出其他工程師兩倍以
上的結果，也可以連續數天高強度工作，他表示也不希望進去之後才發現不適合，勞資雙
方都會很痛苦。最後談了期望待遇，得知可能要先在新竹學習一年，我婉轉表達了拒絕訊
息，因此到目前為止還沒收到回覆。
結果：無聲卡。
獵頭公司
特別提在後面，共有兩家獵頭和我聯絡過，算是比較新鮮的體驗，他們表示這領域由於沒
有多少真正的「資深」人員，因此有潛力的新人也會是目標。介紹接洽過幾間公司，某間
可惜的是由於對面流程問題後來沒有去成；另一間媒合還沒完成我就決定其他 offer 了
。認識獵頭好處是他們會給你求職上的不少經驗，甚至你在投履歷前可以詢問他們對公司
的看法或直接引薦，是個互惠互利的長期合作過程。個人認為這領域可以主動去聯絡獵頭
，不用害怕自己是新鮮人，收穫會比想像的大。
總結
針對不同類型和規模的公司有對應的面試技巧，事前準備好簡潔專業的履歷、適當複習
CS 基礎和特定領域知識、練習自我介紹，以及寫一張備忘錄，提醒自介的關鍵字和該問
的問題，這方面板上近期有系列文章可以參考。切記新創務必詢問 business model 、
客戶來源（有無客戶）、盈利來源（有無盈利）和背後資金（投資人？融資？）等，這關
係到你是否能在一段時間內和公司共同成長，對方通常也會樂於告知。大公司通常是底薪
不高偏向分紅，多關注 Project 進行流程、管理階層風格、部門重要性（賺錢部門？還
是舉無輕重的附屬部門？）。適當的表達對公司的瞭解和（發自內心的）喜歡點很重要，
另外個人認為對技術的熱忱很能打動面試官，這方面要從自己的履歷、經歷和口頭描述發
揮。
面試到後來會有些疲倦感，但收穫也很大，不斷的面試可以更好得知自己在市場上的價值
，藉由談話也能吸收很多養分（經過多間高手指教，論文改進版的靈感都來了 XD）。希
望這篇落落長的心得可以幫助到各位！
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 36.228.142.192
※ 文章網址: https://www.ptt.cc/bbs/Soft_Job/M.1541212374.A.3F3.html
※ 編輯: Jasonnor (36.228.142.192), 11/03/2018 10:35:52
推
11/03 10:34,
5年前
, 1F
11/03 10:34, 1F
推
11/03 10:34,
5年前
, 2F
11/03 10:34, 2F
推
11/03 10:44,
5年前
, 3F
11/03 10:44, 3F
推
11/03 10:46,
5年前
, 4F
11/03 10:46, 4F
見笑了，多年前的娛樂作品 Orz
推
11/03 10:50,
5年前
, 5F
11/03 10:50, 5F
推
11/03 10:58,
5年前
, 6F
11/03 10:58, 6F
推
11/03 11:00,
5年前
, 7F
11/03 11:00, 7F
推
11/03 11:04,
5年前
, 8F
11/03 11:04, 8F
得益於版上諸多心得，面試中有不少前輩也樂於分享 :)
推
11/03 11:05,
5年前
, 9F
11/03 11:05, 9F
推
11/03 11:07,
5年前
, 10F
11/03 11:07, 10F
→
11/03 11:25,
5年前
, 11F
11/03 11:25, 11F
推
11/03 11:34,
5年前
, 12F
11/03 11:34, 12F
推
11/03 11:35,
5年前
, 13F
11/03 11:35, 13F
推
11/03 11:40,
5年前
, 14F
11/03 11:40, 14F
推
11/03 11:43,
5年前
, 15F
11/03 11:43, 15F
推
11/03 11:45,
5年前
, 16F
11/03 11:45, 16F
推
11/03 11:58,
5年前
, 17F
11/03 11:58, 17F
推
11/03 12:20,
5年前
, 18F
11/03 12:20, 18F
這個聽起來好像比較有趣 XD
推
11/03 12:23,
5年前
, 19F
11/03 12:23, 19F
推
11/03 12:31,
5年前
, 20F
11/03 12:31, 20F
推
11/03 12:31,
5年前
, 21F
11/03 12:31, 21F
推
11/03 12:32,
5年前
, 22F
11/03 12:32, 22F
推
11/03 12:41,
5年前
, 23F
11/03 12:41, 23F
推
11/03 12:50,
5年前
, 24F
11/03 12:50, 24F
推
11/03 13:02,
5年前
, 25F
11/03 13:02, 25F
推
11/03 13:05,
5年前
, 26F
11/03 13:05, 26F
推
11/03 13:08,
5年前
, 27F
11/03 13:08, 27F
推
11/03 13:11,
5年前
, 28F
11/03 13:11, 28F
推
11/03 13:27,
5年前
, 29F
11/03 13:27, 29F
推
11/03 13:29,
5年前
, 30F
11/03 13:29, 30F
推
11/03 13:32,
5年前
, 31F
11/03 13:32, 31F
推
11/03 13:32,
5年前
, 32F
11/03 13:32, 32F
推
11/03 13:38,
5年前
, 33F
11/03 13:38, 33F
推
11/03 13:43,
5年前
, 34F
11/03 13:43, 34F
推
11/03 14:01,
5年前
, 35F
11/03 14:01, 35F
推
11/03 14:05,
5年前
, 36F
11/03 14:05, 36F
還有 45 則推文
還有 4 段內文
推
11/04 02:26,
5年前
, 82F
11/04 02:26, 82F
推
11/04 02:28,
5年前
, 83F
11/04 02:28, 83F
推
11/04 03:37,
5年前
, 84F
11/04 03:37, 84F
推
11/04 06:46,
5年前
, 85F
11/04 06:46, 85F
推
11/04 08:19,
5年前
, 86F
11/04 08:19, 86F
推
11/04 08:33,
5年前
, 87F
11/04 08:33, 87F
推
11/04 09:53,
5年前
, 88F
11/04 09:53, 88F
推
11/04 10:00,
5年前
, 89F
11/04 10:00, 89F
推
11/04 10:25,
5年前
, 90F
11/04 10:25, 90F
推
11/04 11:12,
5年前
, 91F
11/04 11:12, 91F
推
11/04 11:28,
5年前
, 92F
11/04 11:28, 92F
推
11/04 12:00,
5年前
, 93F
11/04 12:00, 93F
推
11/04 12:26,
5年前
, 94F
11/04 12:26, 94F
推
11/04 12:28,
5年前
, 95F
11/04 12:28, 95F
→
11/04 12:28,
5年前
, 96F
11/04 12:28, 96F
推
11/04 17:55,
5年前
, 97F
11/04 17:55, 97F
推
11/04 19:01,
5年前
, 98F
11/04 19:01, 98F
推
11/04 19:10,
5年前
, 99F
11/04 19:10, 99F
推
11/04 23:28,
5年前
, 100F
11/04 23:28, 100F
推
11/05 01:32,
5年前
, 101F
11/05 01:32, 101F
推
11/05 03:44,
5年前
, 102F
11/05 03:44, 102F
推
11/05 06:59,
5年前
, 103F
11/05 06:59, 103F
→
11/05 07:00,
5年前
, 104F
11/05 07:00, 104F
→
11/05 07:01,
5年前
, 105F
11/05 07:01, 105F
→
11/05 07:21,
5年前
, 106F
11/05 07:21, 106F
推
11/05 08:44,
5年前
, 107F
11/05 08:44, 107F
推
11/05 10:06,
5年前
, 108F
11/05 10:06, 108F
推
11/05 10:08,
5年前
, 109F
11/05 10:08, 109F
推
11/05 10:50,
5年前
, 110F
11/05 10:50, 110F
推
11/05 13:31,
5年前
, 111F
11/05 13:31, 111F
推
11/05 14:41,
5年前
, 112F
11/05 14:41, 112F
推
11/05 14:52,
5年前
, 113F
11/05 14:52, 113F
推
11/05 23:45,
5年前
, 114F
11/05 23:45, 114F
推
11/05 23:58,
5年前
, 115F
11/05 23:58, 115F
推
11/06 09:55,
5年前
, 116F
11/06 09:55, 116F
推
11/09 11:10,
5年前
, 117F
11/09 11:10, 117F
推
11/11 00:17,
5年前
, 118F
11/11 00:17, 118F
推
11/12 18:59,
5年前
, 119F
11/12 18:59, 119F
推
11/13 16:47,
5年前
, 120F
11/13 16:47, 120F
推
11/14 23:02,
5年前
, 121F
11/14 23:02, 121F