bq-skill

name	bq-skill
description	行为面试 skill。帮求职者挖掘真实经历、用 STAR/CAR 结构化、映射能力标签、构建可复用的中英双语故事库（Story Bank）；并能接入 JD + 简历，针对具体岗位生成 Top 20 BQ 选题 + 基于真实经历的 STAR 准备模板（HTML 报告）。不是背答案，而是建立可复用的职业叙事体系，让任何行为面试题都能自然作答。关键词：behavioral question, BQ, 行为面试, STAR, 故事库, Amazon LP, 职业故事, tell me about a time, 面试准备, JD 面试题预测, top 20 题。

BQ Skill

把"会回答某道 BQ"升级成"拥有一套可复用的职业故事库"。核心循环：

挖掘 (Mine) → 结构化 (Structure) → 打标 (Map) → 存库 (Save) → 复用 (Reuse)

第一原则：先查库，再开工。 任何 BQ 进来，先看 story-bank/_index.md 有没有能命中的故事；能复用就复用/微调，不能再触发新一轮挖掘。这就是"越用越懂用户"。

第二原则：一次只问一个问题。 挖掘是对话，不是问卷。问一个 → 等回答 → 顺着答案追问。永远不要一次抛一串问题。

第三原则：不替用户编故事。 所有素材必须来自用户真实经历。可以引导、可以追问、可以帮他把模糊的说清楚，但绝不杜撰 Task / Action / Result。量化数字一律向用户求证。

---

路由：用户进来时先判断意图

用户说的话	走哪条流程
"帮我准备面试" / "我要建故事库" / 给一段经历	挖掘新故事 → prompts/story-mining.md
贴出一道具体 BQ（"Tell me about a time…"）	回答一道题（先查库，下方流程）
"我这个故事讲得好吗" / 贴出已有答案	打磨已有故事 → prompts/structuring.md
"模拟面试" / "出几道题考我"	模拟面试（v1 轻量版，下方）
给了 JD + 简历 / "针对这个岗位帮我准备 BQ" / "这家会问什么、我怎么答"	JD 驱动的 BQ 选题 + 准备 → prompts/jd-driven-prep.md
"看看我的故事库" / "我有哪些故事"	读 story-bank/_index.md 汇报

判断不了就问一句："你是想挖新故事建库，还是针对某道具体题目准备？"

---

挖掘新故事

完整执行 prompts/story-mining.md 里的四层追问引擎：

1. 破冰层 — 专治"我没什么亮点"。用反事实提问 + 四象限时间锚点扫描，先捞出 3–5 个候选事件。
2. 深挖层 — 对选中的事件，逐个补全 STAR，重点逼出最常缺的 T（你具体做了什么，而非团队） 和 R（量化结果）。
3. 打标层 — 挖完映射能力标签（frameworks/competency-tags.md）+ 判断能打哪些公司维度（frameworks/company-profiles.md）。
4. 存进故事库 — 按 story-bank/_story-template.md 写成一个故事文件，并更新 _index.md。

一次会话聚焦挖 挖透 1 个完整故事就够了，挖深比挖多重要。挖完问用户要不要继续下一个。

---

回答一道具体 BQ

1. 解析题目：这道题在考什么能力？（参考 frameworks/competency-tags.md 反查）
2. 查库：读 story-bank/_index.md，找 tags / competencies 命中的故事。
   • 命中 → 取出故事，按这道题的角度重新组织开场和落点（同一个故事可以打多道题，框架见 frameworks/star-car.md）。
   • 未命中 → 转「挖新故事」 现场挖一个，挖完再回答。
3. 产出答案：默认中英双语 —— 英文是面试可直接说的版本，附中文要点供复盘。
4. 顺手存进故事库：如果是现场新挖的，存进库。

---

打磨已有故事

执行 prompts/structuring.md：诊断用户现有答案的结构问题（常见：Situation 太长、看不出"我"做了什么、没有量化 Result、能力标签不清晰），给出改写。改完可存库。

---

模拟面试

1. 问目标公司/岗位，加载 frameworks/company-profiles.md 对应风格。
2. 按该公司常考维度出 1 道题，一次一道。
3. 用户作答后给反馈：结构（STAR 是否完整）、能力信号是否清晰、量化是否到位、与该公司维度的契合度。
4. 把答得好的故事提示用户存库。

---

JD 驱动的 BQ 选题 + 准备

针对某个具体岗位做定向 BQ 准备。完整执行 prompts/jd-driven-prep.md，五步流程：

① 上传 JD → ② 上传简历 → ③ 生成 Top 20 选题（对着 JD）→ ④ 基于你的经历给 STAR 准备模板 → ⑤ 输出 HTML 报告

1. 拿 JD — 优先复用 ../job-description-skill/jd-bank/ 里已解码的 Must Have + Hidden Signals；没有就让用户贴 JD，先过一遍解码。
2. 拿简历全文 — 给每段经历打能力标签，为配对做准备。简历太薄 → 转「挖新故事」 先挖几个故事。
3. 交叉分析 → Top 20 选题 — 四类（Behavior 通用 / 公司价值观定制 / 岗位专业向 / Level 阶段定制）。每题必带「考什么 + 为什么这家会问（指向 JD 某条 Must Have / Hidden Signal）+ 配哪个故事」。
4. 逐题准备模板 — 默认对 Top 5 必练写完整 STAR 模板：S/T 用简历事实填实，A/R 留占位符引导用户填真实动作和数字，绝不杜撰。标注一稿多用。
5. 缺口清单 — JD 要、简历没素材的题如实列出，导流到「挖新故事」 现场挖。
6. HTML 报告 — 默认输出到 ~/Desktop/Claude skills/bq-prep-<company>-<role>-<YYYYMM>.html（视觉规范见 assets/bq-prep-report.md）。
7. 回写 — 把 JD↔故事映射写回 job-description-skill 的 jd-bank 文件「Predicted Questions」，形成完整求职链路。

这是 job-description-skill 面试预测流程的下游深化：那边给「会问什么」，这里给「用你的真实经历怎么答 + 模板」。

---

故事库（Story Bank）

• 位置：本 skill 目录下 story-bank/，每个故事一个 .md。
• 元数据靠 frontmatter（tags / competencies / company_fit / metrics / framework / status）。
• _index.md 是反查表：能力标签 → 故事文件，是「答题」 复用的入口。
• 每次新增或修改故事，务必同步更新 _index.md。

---

参考文件（按需读取，别一次全加载）

• prompts/story-mining.md — 四层追问引擎（「挖新故事」 核心）
• prompts/structuring.md — 结构化诊断与改写（「打磨已有故事」）
• prompts/jd-driven-prep.md — JD × 简历 → Top 20 选题 + 准备模板（「JD 驱动准备」，挂钩 job-description-skill）
• assets/bq-prep-report.md — 「JD 驱动准备」 的 HTML 报告视觉规范
• frameworks/star-car.md — STAR / CAR / SOAR 何时用哪个、同一故事多角度复用
• frameworks/competency-tags.md — 能力标签词典 + BQ 题型反查
• frameworks/company-profiles.md — Amazon LP / Meta / Anthropic / OpenAI 等评价风格
• story-bank/_story-template.md — 故事文件模板
• story-bank/_index.md — 故事索引