원클릭으로 Manus에서 모든 스킬 실행

interview-prep

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".

Manus에서 실행

개요

설치 명령

npx skills add https://github.com/Alenryuichi/openmemory-plus --skill interview-prep

이 명령을 Claude Code에 복사하여 붙여넣어 스킬을 설치하세요

출처

Alenryuichi/openmemory-plus

스타19

포크2

업데이트2026년 2월 2일 13:14

SKILL.md

readonly

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

简历内容 (JSON/Markdown)

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

이 저장소의 다른 Skills

같은 저장소

memory-extraction

Alenryuichi/openmemory-plus

Agent-only workflow for extracting key information from conversations, code changes, and deployments into structured memory files. Supports xMemory 4-layer architecture with theme assimilation. Automatically updates `_omp/memory/` directory and notifies other agents.

2026-02-2819

memory-extraction

Alenryuichi/openmemory-plus

Agent-only workflow for extracting key information from conversations, code changes, and deployments into structured memory files. Automatically updates `_omp/memory/` directory and notifies other agents. Triggered automatically at conversation end or when valuable information is detected.

2026-02-0319

frontend-design

Alenryuichi/openmemory-plus

Create distinctive, production-grade frontend interfaces with high design quality. Use this skill when the user asks to build web components, pages, artifacts, posters, or applications (examples include websites, landing pages, dashboards, React components, HTML/CSS layouts, or when styling/beautifying any web UI). Generates creative, polished code and UI design that avoids generic AI aesthetics.

2026-02-0219

resume-ai-validator

Alenryuichi/openmemory-plus

端到端验证 resumeAI 的 API 能力和 UI/UX 交互的 CLI 工具，支持完整闭环测试

2026-02-0219

resume-generator

Alenryuichi/openmemory-plus

Extract work experience from project documents using XYZ formula ("Accomplished X, measured by Y, by doing Z") and generate JSON Resume format. Use when user mentions "生成简历", "generate resume", "提取项目经验", "extract experience", "创建 resume", or provides a JD asking for resume.

2026-02-0219

resume-optimizer

Alenryuichi/openmemory-plus

Optimize existing resume content for ATS compatibility and quality improvement. Automatically executed after resume generation. Use when user mentions "优化简历", "optimize resume", "ATS 优化", "简历润色", or "匹配 JD".

2026-02-0219

출처

Alenryuichi

Alenryuichi/openmemory-plus

GitHub 저장소 열기 Creator 저장소 보기

설치 명령

다운로드

Manus에서 실행

유용한 대상SOC

개인 교습 강사교육 및 도서관직25-3041L4

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

简历内容 (JSON/Markdown)

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