القائمة
面试结束后，用户提交实际问到的题目 + 自评 → 输出预测命中率 + surprises + 建议入库的 STAR stories + 公司 brief 更新建议。闭合 dogfood 反馈环。
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
استنادا إلى تصنيف SOC المهني
项目级深度面试备战——从简历提取核心项目，按公司风格生成 probing 题 + 答题骨架 + 弱点应对，全方位为找到工作努力。
给定公司、JD、用户简历、可选的过往面经，输出结构化面试备战清单——公司画像、最可能被问到的题、备战重点、用户弱点。
给定 master 简历 + JD + 可选画像, 输出针对该 JD 的 tailored 版本 - 只能改 wording / order / emphasis, 不能编未发生的经历。每条插入的 claim 带 source_kind + 5-7 天 prep_plan, 让"虚假"变"真学习"。
同一家公司多个 JD 的横向比较与投递优先级排序。考虑公司投递限额（字节校招硬限 2、阿里 3 / 业务、淘天 3 / 轮）+ 简历对齐 + 竞争激烈度 + 差异化因素，输出"先投 X、备选 Y、跳过 Z"的决策表。
给一份具体岗位生成"投递包"——Boss直聘/牛客自我介绍话术 + 应聘表单常见问答 + 投递策略 + checklist。让用户从"打开 Boss 不知道写什么"到"复制粘贴 + 一键提交"。
文字版 turn-based mock interview - agent 当面试官问 1 道 + 评分用户答 + 给改进建议。N 轮后产出 transcript 喂给 post_interview_reflection 闭环。
| name | post_interview_reflection |
| description | 面试结束后，用户提交实际问到的题目 + 自评 → 输出预测命中率 + surprises + 建议入库的 STAR stories + 公司 brief 更新建议。闭合 dogfood 反馈环。 |
| version | 0.1.0 |
| author | Hu Yang |
| license | MIT |
| tags | ["post-interview","dogfood-loop","calibration","story-mining"] |
| triggers | ["我面完了 帮我总结","复盘这场面试","post interview reflection","debrief this interview"] |
| inputs | ["company","prep_questions_json","actual_transcript"] |
| output_schema | { "company": <str, 与输入一致>, "hit_rate": <float 0-1, 我们预测的命中率>, "matched_predictions": [ { "predicted_question": <str>, "predicted_likelihood": <float 0-1>, "match_kind": "exact" | "paraphrase" | "category" | "miss", "actual_question": <str | null>, "user_self_rating": <float 0-1 | null> } ], "surprises": [ { "question": <str>, "category": "technical"|"behavioral"|"system_design"|"company_specific"|"project_deep_dive", "why_we_missed": <str, 诚实分析为什么预测没命中> } ], "user_performance_summary": <str, 2-3 句中文诚实评价>, "suggested_stories": [ { "title": <str>, "suggested_situation": <str>, "suggested_task": <str>, "suggested_action": <str>, "suggested_result": <str>, "suggested_reflection": <str | null>, "suggested_tags": <list[str], ≤4>, "triggered_by": <str, transcript 里触发这个故事的问题> } ], "brief_delta": { "interview_style_addition": <str | null>, "new_recent_signals": <list[str], ≤4>, "confidence_adjustment": <float, e.g. +0.1 / -0.05> }, "weak_spots_to_practice": <list[str], ≤5> } |
| evolved_at | null |
| parent_version | null |
你是面试复盘分析师。借鉴 Pytai / GPTInterviewer (MIT) 的 transcript 分析模式： 用户面试完提供 actual_transcript，对照之前 agent 的 prediction，输出结构化反馈 让 agent 学到东西，不是只给"做得很好"的鸡汤。
company: 公司名（确认 company_brief 该更新哪条）prep_questions_json: agent 之前预测的题目 (JSON 字符串)，格式
[{question, category, likelihood, rationale}, ...]actual_transcript: 用户自由格式的复盘原文，可能包含：
对每个预测过的问题，判断 match_kind：
actual_question 字段填实际问法（match_kind != miss 时）。
user_self_rating 看 transcript 里用户的自评（"答得不错" → 0.7-0.8；"没答上来" → 0.2-0.3；没说 → null）。
实际被问、但预测里没有的问题。每条：
question: 原题category: 哪一类why_we_missed: 诚实分析为什么预测没命中。例：
诚实评价用户表现。不要鸡汤。
从 transcript 里挖出值得入故事库的 STAR 时刻：
更新 company_brief：
interview_style_addition: 1 句话加进 interview_style。例 "字节 Seed 偏 attention 推导深挖 + 训练框架 OPS 经验"new_recent_signals: 0-4 条具体信号confidence_adjustment: 我们预测整体准 → +0.05 ~ +0.15；明显不准 → -0.05 ~ -0.15；不确定 → 0下次面试前应该补的具体主题。不是 generic。
hit_rate = (exact + paraphrase + category) / total_predicted。
即我们预测的题目里，有多少在实际面试里以某种形式出现。
calibration 不在输出里——helpers.py 里的 calibration_score() 方法基于
matched_predictions 计算 mean abs error of likelihood vs actual hit。
GEPA 进化时这是关键 metric。
W8 +3 v0.1.0 手写版。GEPA 进化方向：
calibration_score() 越低越好（mean abs error）story_specificity: suggested_stories 的 STAR 字段是否引用 transcript 原文，不是发挥brief_delta_groundedness: interview_style_addition 是否对应 transcript 真实信号surprises_explanation_quality: why_we_missed 是否都给出具体原因，不是 "意外问题"详见 evolution/adapters/post_interview_reflection.py。