interview-prep

name: interview-prep description: Generate interview Q&A preparation materials based on resume content. Automatically attached after resume generation. Use when user mentions "面试准备", "interview prep", "模拟面试", "mock interview", or "准备问答". metadata: author: Alenryuichi version: "2.0" language: zh-CN

面试准备 Skill (Agent-First)

目的

基于简历内容生成面试问答准备材料，帮助用户应对技术面试。

Agent-First 原则:

• 自动附带：简历生成后自动附带面试准备，无需单独请求
• 智能预测：基于 JD 和简历内容预测高概率面试问题
• 深挖标记：自动标记可能被深挖的点

触发条件

自动触发（Agent-First）

• 简历生成完成后自动附带
• 用户提供 JD 请求生成简历时自动附带

手动触发

当用户请求包含以下关键词时激活：

• "面试准备"
• "模拟面试"
• "准备问答"
• "interview prep"

输入要求

必需输入

• 简历内容 (JSON/Markdown)

可选输入（Agent 可自动获取）

• 目标公司/职位 - 从 JD 自动提取
• 面试轮次 (一面/二面/HR面) - 默认一面
• 重点准备的项目 - 自动选择匹配度最高的项目

问题生成规则

每个项目生成 5 类问题

1. 项目概述类

Q: 请用 1-2 分钟介绍一下 [项目名称]

答案模板: STAR 格式，控制在 2 分钟内

2. 技术深挖类

Q: 为什么选择 [技术方案] 而不是 [替代方案]？
Q: [技术方案] 的核心原理是什么？
Q: 如果数据量增加 10 倍，方案需要怎么调整？

3. 数据验证类

Q: [量化数据] 是怎么统计/计算的？
Q: 这个准确率是怎么验证的？

4. 困难挑战类

Q: 项目中遇到的最大困难是什么？
Q: 有没有遇到过失败的情况？怎么处理的？

5. 反思改进类

Q: 如果重新做这个项目，会有什么不同？
Q: 项目最大的收获是什么？

输出格式

问答准备卡片

## 项目: [项目名称]

### Q1: 请介绍一下这个项目
**要点**:
- 背景: [1 句话]
- 职责: [1 句话]
- 成果: [2-3 个量化指标]

**完整回答** (2 分钟):
[Situation]...
[Task]...
[Action]...
[Result]...

**可能的追问**:
- 为什么选择这个方案？
- 数据是怎么来的？

---

### Q2: [技术深挖问题]
**核心要点**:
- [要点 1]
- [要点 2]

**回答示例**:
...

面试轮次适配

一面 (技术面)

重点: 技术细节、代码能力、问题解决

• 70% 技术深挖
• 20% 项目概述
• 10% 困难挑战

二面 (业务面)

重点: 业务理解、项目管理、沟通能力

• 40% 项目概述
• 30% 困难挑战
• 30% 反思改进

HR 面

重点: 稳定性、价值观、职业规划

• 50% 反思改进
• 30% 困难挑战
• 20% 职业规划

模拟面试模式

启用命令

用户说 "开始模拟面试" 时进入模拟模式

流程

1. 随机选择项目和问题类型
2. 提问并等待用户回答
3. 给出反馈和改进建议
4. 继续下一个问题或结束

反馈格式

## 回答评估

**得分**: 8/10

**优点**:
- ✅ 结构清晰，使用了 STAR 格式
- ✅ 包含具体数据

**改进建议**:
- 💡 可以更突出个人贡献
- 💡 技术细节可以再深入一些

**参考答案**:
[优化后的回答示例]

🤖 Agent-First 自动附带

简历生成后自动输出

当 Agent 生成简历后，自动附带以下面试准备：

---
## 🎤 面试准备（自动生成）

### 🔥 高频问题预测

**基于 JD 关键词**:
1. "介绍一下你的分布式系统经验" → 准备项目 A
2. "如何设计高可用系统？" → 准备项目 A 的架构细节

**基于量化数据**（必问）:
1. "年化收益 4000 万是怎么计算的？" 🔥
2. "召回率提升 20% 的核心优化是什么？" 🔥
3. "人工干预减少 80% 是怎么衡量的？"

### 📌 深挖点标记

**项目: 反作弊治理系统**
- 🔥 "识别 820 家违规服务商" → 准备检测算法细节
- 🔥 "10+ 维度检测特征" → 准备每个维度的原理
- ⚠️ "亿级实体数据" → 准备大数据处理方案

**项目: 智能客服 RAG**
- 🔥 "召回率 20% 提升" → 准备 A/B 测试方法
- ⚠️ "Multi-Query 策略" → 准备技术原理

### 💡 STAR 回答模板

<details>
<summary>Q: 请介绍一下反作弊治理系统</summary>

**S (背景)**: 企业微信自建应用生态存在违规服务商问题...
**T (任务)**: 作为技术负责人，设计检测与治理系统...
**A (行动)**: 设计 10+ 维度检测特征，构建 30+ 模块自动化系统...
**R (结果)**: 识别 820 家违规服务商，年化收益近 4000 万，人工干预减少 80%
</details>
---

智能深挖预测

Agent 自动分析以下信号，标记可能被深挖的点：

注意事项

MUST

• 问题基于简历真实内容
• 答案包含量化数据
• 时间控制合理
• 自动附带在简历生成后

MUST NOT

• 生成与简历无关的问题
• 提供虚假信息
• 过度准备导致回答生硬
• 跳过自动附带（除非用户明确要求）

版本历史