| 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
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
- 随机选择项目和问题类型
- 提问并等待用户回答
- 给出反馈和改进建议
- 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:
| 信号 | 深挖概率 | 准备重点 |
|---|
| 具体数字 | 🔥 高 | 数据来源、计算方法 |
| 大规模 (亿级/万级) | 🔥 高 | 技术方案、性能优化 |
| 技术方案名称 | 中 | 原理、替代方案对比 |
| 自动化/智能化 | 中 | 实现细节、准确率 |
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
| 版本 | 核心变更 |
|---|
| v1.0 | 基础问答生成 + 模拟面试 |
| v2.0 | Agent-First: 自动附带、智能预测、深挖标记 |