ai-pm-pre-interview

name	ai-pm-pre-interview
description	AI 产品面试准备 skill：输入简历+JD，分析强/中/弱匹配度，用 WebSearch 调研公司/产品/创始人/竞品， 输出单份 Markdown 面试准备文档（匹配分析+调研+简历面/业务面 Q&A）。 适用于 AI 产品经理实习/校招/社招面试准备，不改简历。 触发词：「AI产品面试准备」「按JD准备面试」「AI PM mock」「简历JD匹配分析」「模拟AI产品面试」。

AI 产品面试准备 · ai-pm-pre-interview

输入简历 + JD，联网调研，输出 一份 {公司}-{岗位}-面试准备.md。

一个垂直于 AI 产品经理 的面试准备 skill。跨平台可用（Cursor、Claude Code、Codex 等支持 SKILL.md 的环境）。

可靠性协议（先跑）

完整方法见 references/reliability-playbook.md。任务开始前做输入体检，不要直接脑补。

状态	处理
✅ Complete	简历正文 + JD（或公司+岗位可搜到 JD）足够，进入 Stage 1。
⚠️ Workable	有缺口但不阻塞：WebSearch 补齐、低置信标注，继续产出单文件。
🛑 Blocked	缺简历正文或完全无法确定目标岗位，只问最少必要问题。

自动恢复优先级：

1. 能从输入抽取的，不再问。
2. 能搜索补齐的，先搜索。 缺 JD → 搜官方招聘页/同岗 JD。
3. 能降级产出的，先降级。 无联网 → 跳过实时调研，在文档第五节列缺口。
4. 不能验证的，不写成事实。 低置信进「缺口与待确认」。

质量闸门（交付前必须跑）

完整方法见 references/quality-gates.md。交付前内部自检，不默认把自检过程写进用户文档。

级别	要求
P0 红线	编造经历/数据/公司信息、低置信调研冒充事实、JD 能力无支撑且无缺口说明：停止交付。
P1 核心	单文件七大部分齐全（含 【自我介绍】≤400 字）；每道 Q&A 贴回用户 bullet；调研带来源覆盖说明；§2.5 竞品表+小结；引用处列 参考链接。
P2 体验	文件名友好、结构可扫读、无模板残留词。

链路（核心）

Stage 0 锚定  →  Stage 1 简历×JD  →  Stage 2 WebSearch  →  Stage 3 单份 MD

交付物只有 1 个文件，结构见 references/output-template.md；答法格式见 references/writing-style.md（逐字稿，默认）。examples/ 下为成品示例。

用户可补充面经/公众号/小红书材料，见 references/user-materials-guide.md（不要提供 cookie）。

诚实底线

• 不替用户证明没注水的 claim。 无证据标「待用户确认/低置信」。
• 调研结论分级。 A/B 级可支撑面试话术；C/D 级只能当线索。
• 模糊 > 撒谎。 记不清的数字不硬报。
• 不编公司近况、创始人观点、竞品数据。

---

Stage 0: 锚定

开工前确认：

锚点	作用
简历正文	关系分级、Q&A 素材
JD 全文	能力关键词、工具要求、产品类型
公司 + 岗位	搜索入口、文件名
目标市场	中国大陆 / 美国 / 其他 → 选本地来源
投递/轮次（可选）	调整深挖深度

信息不全时按 reliability-playbook.md 自动恢复。

---

Stage 1: 简历 × JD 分析

完整方法见 references/resume-jd-fit.md。

产出写入单文件 「一、简历与 JD 匹配分析」：

1. 关系分级：强 / 中 / 弱 + 每段经历说明
2. 能力对照矩阵：JD 3–5 核心能力 ↔ 简历 bullet ↔ 缺口
3. 工具对照：JD 工具要求 ↔ 简历是否提及 ↔ 面试策略
4. 产品类型识别：C/B 端、垂类 → 影响业务面权重
5. 风险地图：✅可讲 / ⚠️需谨慎 / 🚨不能硬讲

---

Stage 2: 岗位与公司调研（WebSearch）

完整方法见 references/research-playbook.md。

用 WebSearch 调研（不写死工具名；Cursor 用 WebSearch，其他环境用等价搜索工具）。

可选增强（见 references/optional-mcp-integrations.md）：

1. 牛客：用户提供 discuss 链接或 测试/补充材料.md 中的链接 → WebFetch / Scrapling HTTP 读全文 → §2.6 + §三/§四 新增面经题与逐字稿答法
2. 小红书：App 内笔记 直抓不可用 → 用户粘贴笔记 或 使用牛客/第三方上的「小红书 AI 面经拆解」作 Agent 题型补充（标来源，非字节一手面经）
3. 微信公众号 → 见 references/wechat-fetch-playbook.md：先跑 scripts/fetch_wechat.py（Scrapling HTTP，无需 Playwright）；失败再试 crawl-mcp 或请用户粘贴
4. BOSS → 用户粘贴 JD 或 boss-agent-cli 导出 JSON（不要传 cookie）

来源优先级：

1. A 级：用户 JD、公司招聘页、官网、产品文档
2. B 级：一手面经、公众号专访、用户提供材料
3. C 级：主流媒体、行业报告
4. D 级：SEO/搬运 → 仅线索，标低置信

必搜维度：公司、产品、创始人/团队观点（初创或知名 PM 时）、简历项目竞品、对口面经（可选）。

产出写入单文件 「二、岗位与公司调研」，含 来源覆盖说明。

⚠️ 抓最新信息，不用训练语料编公司近况。跨国公司区分当地岗位。

可选增强：环境已配 crawl-mcp 时可优先 MCP；否则 必须用 fetch_wechat.py 补抓公众号。仍失败则降级为「请用户粘贴」。非必需。

---

Stage 3: 面试 Q&A + 单文件交付

题库与答法框架见 references/interview-playbook-ai-pm.md；排版见 references/output-template.md。

1. 写 「【自我介绍】」：≤400 字、3 点优势、口语逐字稿，数字来自简历，每点贴 JD — 见 references/self-intro-playbook.md
2. 写 「三、简历面 Q&A」：覆盖固定题库；Q1 实习题必须五段写全（为什么做/做了什么/难点/收获/再来一次）；答法按 writing-style.md 口语化，禁止 AI 方案体
3. 写 「四、业务面 Q&A」：product sense + 赛道理解；aha moment 不用目标公司产品；加功能题结合 JD 产品
4. 写 「五、缺口与待确认」：调研缺口、用户需补素材
5. 文档头只写 准备日期（见 output-template.md）；输入是否完整在 Agent 内部自检，不要写 Input Health / 只能记 3 条

保存路径：用户指定目录，或当前工作目录。默认文件名：

{公司名}-{岗位简称}-面试准备.md

示例见 examples/字节跳动-小荷健康/（含示例简历、JD、完整产出）。

---

品味守则

原则	一句话
先匹配再出题	关系分级错了，Q&A 全偏
贴经历出题	每道题答案必须来自用户 bullet，不是泛八股
调研服务答题	创始人观点、竞品信息用来 enrich 答案，不是堆砌
先验收再交付	P0/P1 不过不算完成

绝不做的事

• 编造公司/创始人/竞品信息
• 把 D 级来源写成确定结论
• 输出多个分散 md（本 skill 只交付 1 个文件）

---

参考文件索引

文件	用途
references/reliability-playbook.md	输入体检、降级模式
references/resume-jd-fit.md	强/中/弱、能力/工具矩阵
references/research-playbook.md	WebSearch 策略与来源表
references/interview-playbook-ai-pm.md	简历面/业务面题库
references/quality-gates.md	P0/P1/P2 闸门
references/writing-style.md	答法口语化（逐字稿，默认）
references/self-intro-playbook.md	【自我介绍】≤400 字、3 点结构
references/user-materials-guide.md	面经/公众号/小红书用户怎么补
references/wechat-fetch-playbook.md	公众号：fetch_wechat.py 标准流程
references/optional-mcp-integrations.md	MCP/开源抓取（可选，非公众号必需）
scripts/fetch_wechat.py	微信公众号 HTTP 抓取（内置）
scripts/probe_sources.py	多 URL 可达性探测