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".
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
当用户请求包含以下关键词时激活：
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
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？
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？
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？
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？
## 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**:
...
重点: 技术细节、代码能力、问题解决
重点: 业务理解、项目管理、沟通能力
重点: 稳定性、价值观、职业规划
用户说 "开始模拟面试" 时进入模拟模式
## 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]
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>
---
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 |
| 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 |