chengzicv/chengzicv-career-skills / chengzicv-interview-practice
chengzicv-interview-practice
Verified根据简历和 JD 进行连续深挖的专项面试训练;在用户需要项目或岗位能力面试时使用。
| File | Kind | Size |
|---|---|---|
| SKILL.md | skill md | 17.5 KB |
| agents/openai.yaml | config | 267 B |
| assets/practice-report-template.html | other | 12.2 KB |
| onboarding/core-introduction.md | markdown | 4.2 KB |
| references/answer-evaluation.md | markdown | 4.7 KB |
| references/capability-map-method.md | markdown | 4.6 KB |
| references/interview-tree-engine.md | markdown | 7.6 KB |
| references/research-protocol.md | markdown | 3.3 KB |
| references/teaching-and-retest.md | markdown | 4.6 KB |
references/answer-evaluation.md
View on GitHub# 答案评估方法
## 目录
- [总原则](#总原则)
- [第一层:经历证据](#第一层经历证据)
- [第二层:专业正确性](#第二层专业正确性)
- [第三层:面试表达](#第三层面试表达)
- [缺口分类](#缺口分类)
- [置信度](#置信度)
- [反馈生成](#反馈生成)
- [禁止项](#禁止项)
## 总原则
先判断用户回答了什么,再判断说得是否正确,最后判断表达是否有效。不要用一个模糊总分掩盖不同问题。
对每个重要结论保留三个问题:
- 我依据的是用户原话、外部知识,还是模型推断?
- 当前证据能支持多强的结论?
- 还缺哪一个最有区分度的信息?
## 第一层:经历证据
判断候选人是否真的提供了可归属、可核验的经历证据:
- 场景和目标是否具体;
- 个人职责是否与团队职责分开;
- 是否描述了本人动作、判断和交付物;
- 结果是否有口径、基线、周期或验收方式;
- 行动与结果之间是否存在合理因果链;
- 是否能说明限制、失败、返工或复盘;
- 是否与简历和前文一致。
常见风险信号:
- 反复使用“我们”,无法说明本人做了什么;
- 只说采用某方法,解释不了为什么;
- 数字很精确,但说不出来源和计算口径;
- 结果完全正向,没有任何边界或代价;
- 追问后更换关键事实;
- 把后来学到的正确做法说成项目当时就做过。
风险信号用于追问,不直接等同于造假。
## 第二层:专业正确性
根据题型检查:
### 技术或专业知识
- 概念和机制是否正确;
- 前提、版本和适用条件是否成立;
- 是否遗漏关键失败模式;
- 方案取舍是否与约束一致;
- 是否把经验规则说成绝对规律。
### 业务或运营 Case
- 是否先明确目标和成功指标;
- 是否识别信息缺口和关键假设;
- 分析是否覆盖主要因果路径;
- 验证方式能否区分不同假设;
- 优先级是否考虑收益、成本、风险和可执行性;
- 是否忽略利润、现金流、合规、库存、用户体验等关键约束。
### 数据分析
- 指标定义、分母、时间窗口和粒度是否一致;
- 相关性是否被误当成因果;
- 是否考虑选择偏差、样本量、异常值和数据质量;
- 结论能否转化成验证或行动。
这些只是判断角度,不是固定评分表。根据岗位选择真正相关的部分。
## 第三层:面试表达
判断表达是否帮助面试官取得信号:
- 是否先回应问题本身;
- 是否区分结论、证据和解释;
- 是否控制无关背景;
- 是否能在追问后修正,而不是机械重复;
- 是否明确不确定性和个人边界;
- 是否把专业词汇用于表达含义,而不是堆砌术语。
表达差不等于能力差;表达好也不等于专业正确。分别反馈。
## 缺口分类
把最主要问题归入一个或多个类别:
- `经历证据缺口`:缺个人动作、结果口径或可归属证据。
- `知识缺口`:概念、机制或当前规则不正确。
- `推理缺口`:有知识点,但假设、取舍或因果链断裂。
- `边界缺口`:不知道方案何时失败或有什么代价。
- `表达缺口`:内容基本正确,但没有直接、清楚地传递。
- `审题缺口`:回答了相邻问题,没有回答当前问题。
- `信息不足`:材料无法支持正负判断。
不要把“信息不足”写成能力低,也不要把所有问题归为表达。
## 置信度
根据来源和一致性调整判断语气:
- 用户提供了具体、前后一致、可解释的事实:可以较明确判断经历证据。
- 专业答案有权威资料或稳定原理支持:可以较明确判断正确性。
- 只有单一面经、模糊 JD 或模型经验:只能提出训练假设。
- 涉及时效性平台规则但未检索:不做确定结论。
## 反馈生成
反馈不强制固定模板,但应尽量包含:
- 当前回答最有效的信号;
- 一个最影响面试结果的缺口;
- 为什么这个缺口重要;
- 下一次回答需要补出的具体内容;
- 必要时给提示、参考结构或通用方案;
- 项目事实未知时使用待补信息,不替用户编造。
先处理最关键缺口,不一次倾倒所有建议。完整参考答案必须区分:
- 可直接重组的用户真实事实;
- 需要用户补充的事实占位;
- 与原项目无关的通用知识或参考方案。
## 禁止项
- 不因语言自信判断经历真实。
- 不因候选人紧张直接判断能力不足。
- 不用面经出现频率代替专业正确性。
- 不把模型偏好的表达方式当成唯一高分答案。
- 不输出录用概率或企业内部评分结论。
Related skills
| Skill | Stars | Updated | Works with | Status | Install |
|---|---|---|---|---|---|
| slack-gif-creatoranthropics/skillsKnowledge and utilities for creating animated GIFs optimized for Slack. Provides constraints, validation tools, and animation concepts. Use when users request animated GIFs for Slack like "make me a GIF of X doing Y for Slack." | Stars: 198k | Updated | Claude CodeCodex | Verified | Install |
| ponytailDietrichGebert/ponytailLazy senior dev mode for any coding task: the smallest change that fully solves it, and a reply a busy human understands in one read. | Stars: 196k | Updated | Claude CodeCodex | Verified | Install |
| ponytail-debtDietrichGebert/ponytailHarvest every shortcut: comment into one debt ledger, so deferrals get tracked instead of forgotten. One-shot report. | Stars: 196k | Updated | Claude CodeCodex | Verified | Install |
| ponytail-debtDietrichGebert/ponytailList every `shortcut:` comment (and older `ponytail:` ones) as a debt ledger. One-shot report, changes nothing. Use for "ponytail debt", "what did ponytail defer", "list the shortcuts", /ponytail-debt. | Stars: 196k | Updated | Claude CodeCodex | Verified | Install |