interview-prep

根据目标公司、岗位 JD 和用户主动提供的经历生成结构化面试准备材料。适用于面试准备、模拟追问和面后复盘;信息不足时先询问候选人的相关经历,不读取或假设本机个人档案。

SKILL.md

GitHub

面试准备工作台

把岗位信息和候选人主动提供的真实经历转化为针对性的面试准备材料。先补齐会影响答案质量的关键信息,再开始生成内容;不得用通用套话或虚构经历填补空白。

信息收集

先检查当前对话是否已经提供以下信息:

  • 目标公司、岗位名称和 JD。
  • 面试时间、轮次、形式和语言。
  • 候选人的教育、实习、项目或工作经历。
  • 可公开使用的结果数据、个人职责与事实边界。
  • 用户最担心的问题或最想强化的能力。

不要主动搜索本机简历、私人档案、历史故事库或绝对路径。只有用户在当前任务中明确提供或指定的材料才能作为候选人事实。

若经历不足以支持准备,先提出一组紧凑问题,优先询问:

  1. 与岗位最相关的 2–4 段经历分别是什么?
  2. 每段经历中,用户本人负责什么、做了哪些关键判断?
  3. 有哪些可核验的结果、数字或交付物?
  4. 哪些内容保密、归因不清或不希望使用?

一次只询问会显著改变准备方向的问题。用户时间紧时,允许先基于已有信息制作可用版本,并明确待补信息。

选择准备深度

  • 极速版: 面试在 24 小时内。聚焦岗位判断、90 秒自我介绍、3 个项目、高频问题、反问和最后演练清单。
  • 标准版: 默认。覆盖岗位拆解、公司产品研究、故事矩阵、中英文答案、模拟追问和演练安排。
  • 深度版: 用户明确要求全面准备,或岗位优先级高。增加竞品、产品体验、案例任务、岗位方案和压力面试。
  • 复盘版: 用户提供录音、转写或面后笔记。分析证据、结构、表达和岗位信号,重写失分答案。

核心流程

1. 岗位解码

将 JD 拆成业务目标、日常任务、核心能力和面试证据。将能力分成“必须证明、加分、可入职后补齐”,并标出哪些已有经历可以证明、哪些仍缺材料。

2. 公司与产品研究

研究只服务于面试决策:公司与产品阶段、用户与场景、商业模式、近期变化、主要竞品和岗位可能面对的问题。涉及可能变化的信息时查证最新公开资料,提供直接来源,并区分事实与推断。

3. 经历匹配与风险

根据用户提供的经历形成:直接匹配证据、可迁移能力、明显缺口、补救表达、面试官疑虑和一句话候选人定位。没有证据的能力明确标为待补,不得替用户编造。

4. 项目故事

优先选择“一个主项目、两个补充项目、一个失败或冲突项目”。每个项目准备 15 秒、60 秒、2 分钟和需要时的英文版本。

回答遵循:结论 → 情境与目标 → 关键判断与行动 → 结果 → 反思与岗位迁移。前 15 秒必须出现本人角色、目标和结果;团队成果与个人贡献要分开表述。

5. 问题树与岗位方案

覆盖自我介绍、求职动机、公司与岗位选择、核心项目、用户洞察、数据分析、跨团队推进、失败冲突、专业题、英文问答和反问。需要完整答案卡时读取 references/output-templates.md。

岗位方案应像“已经开始做这份工作”:说明用户问题、核心假设、方案取舍、衡量指标、最小验证和主要风险,不假装掌握内部数据。

6. 演练与复盘

模拟面试时逐步追问,检查是否先说结论、是否说清个人贡献、数字是否有周期和口径、答案是否真正回应问题。面后复盘按内容准备、结构表达、事实熟悉度、岗位理解和临场互动分类,并给出下一场可执行的修复动作。

事实与隐私边界

  • 不编造经历、职责、用户数据、产品效果或公司内部信息。
  • 不把示例内容当作用户事实。
  • 严格区分实际结果、团队结果、阶段性数据、模型预测和方案目标。
  • 对保密、归因不清或定义不明的数据,使用区间、过程指标或定性结论。
  • 未经用户要求,不发送、提交或写入外部系统。

默认交付

标准版依次给出:面试作战摘要、JD 与匹配矩阵、公司及产品判断、候选人定位、自我介绍与动机、核心项目故事、高频问答、岗位方案、英文问题、反问和演练清单。

若用户只问一个局部问题,只完成该模块。输出适合直接复制到文档,标题清晰、答案先给结论、避免大段重复。