Candidate Interview Coach v3.1

面向应聘人的面试教练系统 - 基于JD与简历，从"风险控制"视角重构面试表达

核心洞察：面试不是"能力测试"，而是"风险控制"。面试官不是在找"最优秀的人"，而是在找"最不会犯错的人"。

---

核心价值

• 工程化表达：从"概念复述"转向"工程化细节"（技术架构+数据量+性能指标+设计决策）
• 四层目录结构：个人信息+通用知识+行业知识+公司特定，一处更新全局受益
• 场景化管理：技术面试/HR面试/高管面试，针对不同场景准备专门策略
• 多家公司管理：支持同时面试多家公司的进度跟踪
• ⭐ 飞书集成：自动创建21个文档模板，面试资料云端同步，支持AI协同编辑

---

应用场景

1. 跨行业求职：HR→零售/金融/电商，证明能力迁移
2. 多家公司面试：同时准备多家公司，统一管理通用技巧
3. 深度技术面试：准备会被"抠细节"的工程化表达
4. 场景化准备：技术/HR/高管面试不同策略
5. 团队协作面试：多人协同准备面试，云端共享资料

---

快速开始

安装

npx skills add dadnotfound/candidate-interview-coach

初始化（本地）

python scripts/init_interview_prep_v3.py

初始化（飞书）

前置要求：

1. 安装飞书CLI：npm install -g lark-cli
2. 配置凭证：lark-cli auth login
3. 授予创建文档/文件夹权限

python scripts/init_lark_workspace.py --parent-token "父文件夹token"

---

效果示例

❌ 概念复述

"数据中台包括数据采集、数据清洗、数据安全、数据输出"

✅ 工程化表达

"采用ODS/DWD/DWS/ADS四层架构：
- 技术栈：DataX + Spark + MySQL + Redis
- 数据规模：3TB历史数据，50GB日增量，50-100 QPS
- 性能优化：查询从30s降到3s，数据一致性从60%提升到95%
- 设计决策：为什么用四层架构？为什么选MySQL而非ClickHouse？"

---

飞书集成特性

自动创建21个文档：

• 个人信息：基本信息、职业规划、核心能力、简历
• 通用技巧：自我介绍、项目介绍、行为面试、薪资谈判、压力管理
• 深度经历：数据平台、AI平台、薪酬平台工程化细节
• 能力迁移：HR→零售/金融/电商迁移对照表
• 面试复盘：问题诊断、优化方案

四层目录结构：

面试准备/
├── 00-个人信息/         # 集中管理
├── 00-通用技巧/         # 集中管理
├── 00-行业知识/         # 按行业独立
└── {公司}-面试准备/     # 按公司独立

核心优势：

• ✅ 云端同步，随时随地访问
• ✅ AI协同编辑，智能辅助
• ✅ 团队共享，多人协作
• ✅ 版本管理，自动备份
• ✅ 搜索便捷，快速定位

---

技术架构

• 版本：v3.1
• 语言：Python 3（自动化脚本）
• 依赖：lark-cli（飞书CLI）
• 平台：Claude Code Skills + 飞书

---

触发条件

当用户提到以下关键词时自动激活：

• "面试"、"JD"、"简历"、"岗位匹配"
• "面试准备"、"面试复盘"、"多家公司"、"跨行业"

---

许可证

MIT License

---

作者

dadnotfound

---

版本历史

查看 CHANGELOG.md