菜单
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。
用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
基于 SOC 职业分类
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。