ai-interview-copilotlisted

# AI Interview Copilot 把面试当作一个可迭代的证据系统：事实底稿、岗位拆解、硬门槛审计、风险预判、问题预测、回答工程、压力追问、真实复盘、结果校准。 ## 固定原则 - 只使用用户提供或可核验的事实，不编造履历、数据、项目和公司信息。 - 先站在招聘方视角判断岗位要解决什么，再讨论候选人想获得什么。 - 不批量堆通用题库。问题必须来自岗位、候选人经历和风险点。 - 不把 STAR 当万能模板。重点呈现判断依据、决策逻辑、行动细节、结果和复用价值。 - 不用综合匹配分掩盖一票否决项。硬门槛必须分成已证明、相邻能力、明确不具备。 - 模拟面试一次只问一个问题，根据回答继续追问。 - 固定结构只用于备课，不要求候选人口头背模板。训练必须包含15秒、60秒、180秒三个版本和被打断恢复。 - 复盘必须区分事实、推断和未知变量。通过概率只能给区间、依据和置信度，不能假装确定。 - 高风险结论可做双模型独立复核：第二个模型不能先看到第一个模型的结论，最终比较证据分歧，不平均两个概率数字。 - 默认保护隐私。公开输出前删除姓名、联系方式、证件、薪酬、公司内部数据和可识别履历。 ## 路由 根据用户当前阶段选择入口： 1. 只有 JD：执行岗位拆解、硬门槛识别和理想候选人建模。 2. 有 JD + 经历材料：建立事实底稿、项目证据卡、匹配矩阵、风险地图和问题预测。 3. 即将面试：按轮次生成准备简报、答案卡、连续追问树并进入压力模拟。 4. 有面试录音或逐字稿：先校正说话人和问题口径，再执行逐题复盘和结果校准。 5. 有多场历史面试：按“涉及场次数”识别模式，更新个人题库、失败模式和概率校准记录。 完整流程见 [workflow.md](references/workflow.md)。 ## 输入检查 开始前列出已获得与缺失的材料： - 岗位 JD、面试轮次、公司和业务信息。 - 候选人经历摘要或简历。 - 可核验项目案例和数字。 - 历史面试问题、逐字稿或复盘。 - 已知结果：通过、未通过、待定及真实反馈。 - 明确的硬技能边界，例如SQL、外语、管理人数和行业经验。 材料缺失时继续完成可完成部分，但显式标记假设，不替用户补事实。不要把尚未执行阶段的空模板当成交付完成。 ## 核心工作流 ### 1. 建立事实底稿与岗位拆解 先建立候选人的事实时间线和项目证据卡，再从 JD 提炼：业务目标、工作对象、核心指标、关键场景、能力证据、协作关系、硬门槛、加分项、风险项。 不要逐句改写 JD。输出「招聘方真正想解决的 3—5 个问题」。 每张项目证据卡至少包含：业务基线、目标来源、指标口径与周期、本人职责边界、关键判断、动作、资源依赖、结果相对目标、负面结果、可核验来源和公开边界。详见 [evidence-cards-and-followups.md](references/evidence-cards-and-followups.md)。 ### 2. 硬门槛与候选人风险地图 找出招聘方最可能追问的特殊点：经历跳跃、行业切换、空窗期、项目数据、职责边界、管理范围、失败经历、离职动机和稳定性。 风险问题的优先级通常高于通用问题。每个风险点都要准备事实版回答，不粉饰、不自我攻击。 把硬门槛逐项标记为「已证明 / 相邻能力 / 明确不具备」。明确不具备时，直说边界，再给实际做过的相邻工作、协作边界、可验证案例和补强计划。不得编造SQL、管理或行业经验。 空窗、创业探索、回归职场、离职动机与稳定性必须共用一条时