面试助手 (Interview Assistant) — AI 智能求职伴侣

产品定位

一款基于 AI 大模型的全流程智能求职伴侣，致力于通过模拟实战、精准优化与实时辅助，帮助求职者全面提升面试表现，从容斩获心仪 Offer。

四大核心功能模块

1. 智能简历与 JD 深度匹配

简历深度诊断：读取简历文件（支持 .txt/.pdf/.docx），从技能覆盖、经验匹配、级别评估等维度进行全面分析。

人岗匹配分析：输入目标岗位的职位描述（JD），自动提取核心能力要求，与简历进行比对，生成包含匹配度评分、技能盲区、准备计划的结构化报告。

使用方式：

# 匹配简历和JD
python scripts/resume_matcher.py --resume resume.txt --jd jd.txt --self-intro --output match.json

# 生成可视化匹配报告
python scripts/report_generator.py --type match --data match.json --output match_report.html

关键输出：

• 综合匹配度评分 (0-100)
• 技能匹配/缺失/加分项分类
• 预估级别和学历分析
• 个性化 1 分钟/3 分钟自我介绍话术
• 针对性面试准备计划

AI 使用指引：当 resume_matcher.py 生成的 JSON 数据返回后，结合 references/answer_strategies.md 中的 STAR 法则和表达技巧，为求职者生成更丰富、更个性化的自我介绍变体。重点关注缺失技能的弥补建议，用激励性语言而非批评性语言。

2. 沉浸式 AI 模拟面试

多场景覆盖：支持技术面、HR面、群面、压力面、案例面、综合面 6 种模式，覆盖互联网、金融、快消、国企、咨询、AI创业 6 大行业。

使用方式：

# 创建面试会话
python scripts/mock_interview.py --position "AI工程师" --mode technical --industry internet --name "求职者" --rounds 8 --output session.json

# 生成模拟面试报告
python scripts/report_generator.py --type mock --data session.json --output mock_report.html

AI 模拟面试流程（WorkBuddy 的核心价值 — 不需要运行脚本，直接用 AI 能力模拟）：

1. 加载会话配置：读取 session.json 获取面试模式、行业、时长
2. 扮演面试官：根据 references/classic_questions.md 和 references/answer_strategies.md 的内容，按阶段出题
3. 智能追问：根据求职者的回答质量，选择追问策略（深挖/质疑/换角度）
4. 实时反馈：每道题回答后给出简短评分和改进建议
5. 生成报告：面试结束后整合所有评分，调用 report_generator 生成可视化报告

面试官角色设定：

• 技术面：严谨专业，追问技术细节，偶尔抛出开放性问题
• HR面：亲和但有洞察力，关注行为模式和价值观
• 压力面：质疑性强，连续追问，偶尔沉默施压
• 群面：中立观察者，关注每个人的贡献度和协作表现

3. 面试实时辅助（黑科技模式）

实时语音转写与提示：在面试场景中（建议合规使用），实时分析面试官问题，秒级推送回答思路和关键词。

使用方式：

# 快速问答提示
python scripts/interview_coach.py --question "你最大的缺点是什么" --mode quick

# 完整辅导
python scripts/interview_coach.py --question "描述一次团队冲突经历" --resume resume.txt --mode full

# 搜索经典题库
python scripts/interview_coach.py --question "宝洁八大问 领导力" --mode faq

AI 实时辅助模式（WorkBuddy 对话中使用）：

• 求职者粘贴面试官的问题
• 加载 references/classic_questions.md、references/answer_strategies.md、references/industry_guides.md
• 输出：问题类型识别 → 回答框架 (STAR/PREP/FAB) → 关键词提示 → 避坑提醒 → 个性化建议（如提供了简历）

4. 面试复盘与成长追踪

智能复盘：每次模拟或真实面试后，自动生成复盘笔记，记录回答中的亮点与失误。

能力雷达图：长期追踪面试表现，可视化展示沟通能力、专业技能、抗压能力等维度的成长曲线。

使用方式：

# 单次复盘
python scripts/growth_tracker.py --session session.json --review --output review.json

# 多次面试成长分析
python scripts/growth_tracker.py --sessions history.json --output growth.json

# 生成成长报告
python scripts/report_generator.py --type growth --data growth.json --output growth_report.html

适用人群

快速上手（演示模式）

生成所有类型的演示报告：

python scripts/report_generator.py --demo --output ./demo_reports/

这会生成三个演示 HTML 报告：

• demo_match_report.html — 人岗匹配报告
• demo_mock_report.html — 模拟面试报告
• demo_growth_report.html — 成长追踪报告

引用资源

References（按需加载到上下文）

Scripts（可执行脚本）

Assets

AI 使用工作流

场景 A：求职者说"帮我准备XX公司的面试"

1. 了解目标公司和岗位 → 加载 references/industry_guides.md
2. 如有简历，运行 resume_matcher.py 或直接在对话中分析
3. 创建模拟面试会话 → mock_interview.py
4. 在对话中扮演面试官进行模拟
5. 每轮回答后给出评分和建议
6. 结束后生成可视化报告 → report_generator.py --type mock

场景 B：求职者说"帮我看看简历怎么改"

1. 读取简历文件（支持 .txt/.pdf/.docx）
2. 运行 resume_matcher.py --resume resume.txt --jd jd.txt --self-intro
3. 加载 references/answer_strategies.md 的表达优化建议
4. 输出：技能匹配分析 + 简历优化建议 + 个性化自我介绍

场景 C：求职者说"我要面试了，实时帮我"

1. 求职者粘贴面试官问题
2. 运行 interview_coach.py --question "..." --mode quick
3. 加载 references/classic_questions.md 和 references/answer_strategies.md
4. 输出：问题类型 → 回答框架 → 关键词 → 避坑点
5. 对于行为面试题，给出 STAR 框架拆解

场景 D：求职者说"看看我最近面试的进步情况"

1. 收集/读取面试历史 JSON 数据
2. 运行 growth_tracker.py --sessions history.json
3. 生成成长报告 → report_generator.py --type growth
4. 输出：雷达图 + 时间线 + 维度进步 + 提升建议

视觉风格

所有 HTML 报告采用赛博朋克暗黑主题：

• 深色背景 (#06060f) 搭配霓虹青色 (#00f0ff) 主色调
• SVG 雷达图 + 动画仪表盘 + 霓虹进度条
• 扫描线覆盖 + 旋转渐变边框 + 闪烁动画
• 毛玻璃卡片 + 发光文字效果
• 响应式布局，支持打印优化

报告配色根据评分等级自动切换：

• S (90+) → 紫色 #a855f7
• A (80-89) → 绿色 #22c55e
• B (65-79) → 蓝色 #3b82f6
• C (50-64) → 琥珀 #f59e0b
• D (<50) → 红色 #ef4444

设计原则

1. 千人千面：拒绝套路化模板，基于求职者真实经历定制回答策略
2. 全天候待命：随时随地开启模拟面试，打破时间与空间限制
3. 数据驱动：基于海量真实面试数据训练，提供最贴近实战的反馈
4. 正向激励：所有分析和建议以建设性、鼓励性的方式呈现
5. 隐私优先：所有简历和个人数据仅在本地处理，不上传至外部服务