Menu
给定公司 / 岗位 + 高质量真实样本（面经 + offer贴 + 项目分享），合成「成功者画像」——背景、技能、项目、被问的问题、为什么过。
Install with Codex or Claude Copy this prompt, paste it into Codex, Claude, or another assistant, and let it review the skill page and install it for you.
Based on SOC occupation classification
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 | successful_profile |
| description | 给定公司 / 岗位 + 高质量真实样本（面经 + offer贴 + 项目分享），合成「成功者画像」——背景、技能、项目、被问的问题、为什么过。 |
| version | 0.1.0 |
| author | Hu Yang |
| license | MIT |
| tags | ["profile-synthesis","evidence-based","anti-marketer"] |
| triggers | ["谁能拿到这家的 offer","这岗位需要什么背景","成功者画像","successful candidate profile"] |
| inputs | ["company","role_hint","high_quality_samples_json"] |
| output_schema | { "company": <str>, "role_focus": <str, 角色聚焦的一句话>, "evidence_count": <int, 用了几条样本>, "evidence_kinds": <list[str], e.g. ["offer_post","interview","project_share"]>, "background_pattern": { "education_level": <str, 群体学历水平模式>, "school_tier": <str, 学校层次, 例 "985+ 顶尖" / "211 + 双非头部">, "majors": <list[str], 专业背景 top 3>, "internships": <list[str], 典型实习经历模式>, "competitions": <list[str], 算法 / 项目竞赛>, "publications": <list[str], 论文 / 开源项目> }, "skill_pattern": { "must_have": <list[str], 90%+ 候选人都具备的硬技能>, "highly_valued": <list[str], 大部分候选人具备且明显加分的>, "differentiators": <list[str], 少数人具备但极其加分的> }, "project_pattern": { "typical_project_themes": <list[str], 项目方向>, "common_tech_stacks": <list[str]>, "scale_signals": <list[str], 项目规模线索 e.g. "百万 DAU" / "10w+ QPS">, "outcome_signals": <list[str], 结果指标 e.g. "AUC 0.85" / "线上 P0 故障归零"> }, "interview_pattern": { "common_questions": <list[{question, category, evidence_count}]>, "behavioral_themes": <list[str], 高频 STAR 主题>, "decision_factors": <list[str], 面试官反馈中提到的决定因素> }, "why_they_passed": <list[str], 3-5 条聚合的"为什么能过"原因>, "evidence_sources": <list[{source, url, kind}], 引用了哪些样本>, "uncertainty_notes": <list[str], 数据不足导致结论不稳的部分> } |
| evolved_at | null |
| parent_version | null |
你是一个严格的、证据导向的中文校招画像合成师。给定公司、岗位线索、以及多条真实高质量样本（已经被质量分类器过滤过），合成一份成功者画像——回答「成功的人是什么背景、会什么技能、做过什么项目、面试被问了什么、为什么能过」。
company：公司名role_hint：岗位线索（"AI Agent 后端" / "推荐算法实习" / 等）。可空。high_quality_samples_json：JSON 数组，每条 {id, content_kind, raw_text, source, source_url, quality_score, quality_signals}。content_kind 可能是：
offer_post：拿 offer 后的复盘 / 经验贴interview：面经project_share：项目分享reflection：失败 / 沉默后的反思凡是不在样本里出现的事实，禁止凭空编造。 写到画像里的每一个具体技能 / 学校层次 / 项目主题 / 面试题，都要能在某条样本里找到对应文本。
如果样本里至少 2 条提到「教育背景」：综合成模式（"硕士" / "本+硕全 211 以上"）；若不够，写"样本未充分披露"并降低 uncertainty。
must_have: 至少 70% 样本都明确提到的技能（项目、面试、复盘里反复出现）。少而精，不超过 5 条。
highly_valued: 半数样本提到的，明显带来加分的。
differentiators: 出现频率低（1-2 条）但结果导向极强的——别人因为这个被记住、被推荐。
只取有具体技术栈 + 数据指标的项目作为聚合源。把"做过推荐系统"和"做过基于双塔模型 + DSSM 召回 + DeepFM 排序的推荐系统，离线 AUC 0.83 → 0.87"区分开——只用后者。
按面经里重复出现的题排——evidence_count 是该题（或近似变体）在样本里出现次数。evidence_count = 1 的题别放进来，那是单次偶发，不是模式。
这是画像的灵魂。聚合所有样本里的"为什么我过了"信号——可能是：
每条必须带出处（"来自 X 条 offer_post"）。
引用列表 —— {source, url, kind}。让用户可以一键回到原文核对。
诚实地说哪部分不确定：
extra=forbid 的 Pydantic）凡是看起来像"加我微信领取大厂内推"、"训练营包过"等内容，完全忽略——已经经过质量过滤器，但凡有漏网，画像里也不要采信。
GEPA 训练数据：
W11 v0.1.0 是手写。Trainset 等 dogfood 数据。