360 Secure SkillHub
360 安全技能中心

Interview Prep

核心功能：确定目标岗位/方向后，生成结构化学习计划，按子主题推送1个详细知识点+10道大厂面试题，周期性回顾内容，每3次推送更新计划，支持设置每日定时推送。典型场景：互联网各岗位求职面试准备，如刷题、知识点梳理、面经学习。输入为目标岗位/方向，输出含知识点、面试题、回顾内容及学习进度。

chenyuan99
chenyuan99
热度 12.40
最近更新 2026-07-12 22:54:27
分类：知识依赖：联网浏览搜索 / 读写文件 / 第三方 API / 内部调用大模型应用场景：教学辅导 / 研究 / 任务管理 / 测验 ...

安装技能

复制下面的话术发给你的 Agent，它会通过 secure-skills 检索并安装该技能。

执行命令安装此 skill： npx secure-skills-cli add interview-prep
Metadata
name
interview-prep
description
通过在线搜索整理指定方向或岗位的面经，生成求职学习计划并持续推送知识点和面试题。当用户提到面经、面试题、面试准备、求职学习、刷题、知识点整理、岗位面经、面试攻略等需求时使用此技能。

面经助手

通过在线搜索整理互联网指定方向或岗位的面经，帮助用户系统化准备面试。核心能力：生成学习计划 → 按子主题逐次推送知识点+面试题 → 周期性回顾 → 动态调整计划。

核心设计原则

一个主题≠一次推送。每个主题根据知识量拆分为多个子主题（sub_topic），每次推送聚焦一个子主题的1个知识点+10道面试题。只有当一个主题的所有子主题学完后，才推进到下一个主题。这样做是因为：10道题无法覆盖一个大主题，拆细后每次学习内容更聚焦、面试题更深入、回顾更有效。

工作流程

Step 0：确定方向

用户首次使用时，确认目标方向或岗位（如"大模型算法工程师"、"Go后端开发"、"信创项目经理"）。如果用户已经明确说了方向，直接使用，不要再问。

Step 1：生成求职学习计划

  1. 使用 search_web 搜索该方向的面试题、面经、知识体系、招聘要求，关键词必须拼接大厂名+面试轮次，示例：
    • "{方向} 字节跳动 技术面 面经 2025/2026"
    • "{方向} 阿里 一面 面经 知识点"
    • "{方向} 腾讯 二面 面试题"
    • "{方向} 美团 技术面 岗位要求"
  2. 基于搜索结果，生成结构化的学习计划，包含若干主题（建议 8-12 个），按从基础到进阶排列
  3. 每个主题包含：主题名称、子主题列表（2-5个，根据知识量决定）、重要程度（⭐~⭐⭐⭐⭐⭐）
    • 子主题是该主题下的细分学习单元，如"提示词工程"可拆为：基础Prompt模式、思维链(CoT)、Prompt模板管理与版本控制
    • 知识量大的主题多拆几个子主题，知识量小的可以只拆1-2个
  4. 将学习计划保存到 ./面经助手/{方向}/learning_plan.md
  5. 创建状态文件 ./面经助手/{方向}/state.json，初始内容： 
    {
  "direction": "{方向}",
  "total_calls": 0,
  "current_topic_index": 0,
  "current_sub_index": 0,
  "asked_questions": [],
  "plan_updates": 0,
  "created_at": "YYYY-MM-DD"
}
  6. 向用户展示学习计划概览

Step 2：首次推送（total_calls == 0）

  1. 读取学习计划，取第一个主题的第一个子主题（topic_index=0, sub_index=0）
  2. 使用 search_web 搜索该子主题的详细知识和面试题，关键词必须拼接大厂名+面试轮次，示例：
    • "{子主题} 字节跳动 一面 面经 答案"
    • "{子主题} 阿里 技术面 面试题"
    • "{子主题} 腾讯 二面 知识点详解"
    • "{子主题} 美团 一面 常见考点"
  3. 输出内容：
    • 1个详细知识点：聚焦当前子主题，结构化讲解（概念、原理、应用场景、易错点），不少于 300 字
    • 10个面试题+答案：尽量从搜索结果中获取真实面试题；若搜索结果中无答案，由 AI 自行解答但必须标注"[AI生成答案]"。题目聚焦该子主题，覆盖不同难度和角度
    • 后续使用方法：告知用户可以通过“继续查找XX方向面经”/"下一篇面经"的方式继续推送。
  4. 更新 state.json：total_calls +1，将 10 道题的摘要加入 asked_questions
  5. 判断子主题推进：current_sub_index +1；若已超过当前主题的子主题数，则 current_topic_index +1 且 current_sub_index = 0
  6. 不需要回顾章节（首次无历史题目）

Step 3：后续推送（total_calls > 0）

  1. 读取 state.json，根据 current_topic_index 和 current_sub_index 定位当前子主题
  2. 若所有主题的所有子主题已学完，提示用户可选择重新开始或深入某主题
  3. 搜索当前子主题的知识点和面试题（同 Step 2 的搜索方式）
  4. 输出内容：
    • 1个详细知识点（同 Step 2，聚焦当前子主题）
    • 10个面试题+答案（同 Step 2）
    • 回顾章节：从 asked_questions 中随机抽取 5 道，以简略形式呈现（只列题目+答案要点，不展开），标题为"📋 回顾打卡"
  5. 更新 state.json：total_calls +1，新题目加入 asked_questions
  6. 判断子主题推进：current_sub_index +1；若超出当前主题子主题数，则 current_topic_index +1 且 current_sub_index = 0

Step 4：每 3 次更新学习计划

当 total_calls 为 3 的倍数时（3、6、9...），在推送知识点之前先执行计划更新：

  1. 重新搜索该方向的最新面经和面试趋势，关键词拼接大厂名+面试轮次：
    • "{方向} 字节跳动 技术面 最新面经 2026"
    • "{方向} 阿里 一面 新考点"
    • "{方向} 腾讯 二面 技术趋势"
  2. 对比现有学习计划，判断是否需要：
    • 加强某主题的权重（近期高频出现）
    • 补充新主题（新技术/新考点出现）
    • 合并过细的主题或拆分过粗的主题
    • 增减子主题：某主题搜索后发现知识量比预期大→增加子主题；比预期小→合并子主题
  3. 更新 learning_plan.md，在文件顶部记录更新日志（日期+变更摘要）
  4. 更新 state.json 的 plan_updates +1
  5. 继续执行 Step 3 的子主题推送

输出格式

每次推送按以下格式输出：

## 📖 今日知识点：{主题名称} · {子主题名称}

{详细知识点内容，结构化呈现}

---

## 🎯 面试题（10道）

**Q1.** {题目}
> **A:** {答案}  [AI生成答案]  ← 仅AI生成的答案加此标注

**Q2.** {题目}
> **A:** {答案}

...（共10道）

---

## 📋 回顾打卡  ← 仅 total_calls > 0 时出现

1. **{题目摘要}** → {答案要点}
2. **{题目摘要}** → {答案要点}
3. **{题目摘要}** → {答案要点}
4. **{题目摘要}** → {答案要点}
5. **{题目摘要}** → {答案要点}

---

📊 进度：主题 {current_topic_index+1}/{总主题数} · 子主题 {current_sub_index+1}/{当前主题子主题数} | 累计学习：{total_calls}次 | 计划更新：{plan_updates}次

状态文件说明

所有状态保存在 ./面经助手/{方向}/ 目录下：

  • learning_plan.md：学习计划（含主题、子主题列表和更新日志）
  • state.json：进度状态（调用次数、当前主题索引、当前子主题索引、已出题目、计划更新次数）

读取 state.json 时，如果文件不存在，视为首次使用，从 Step 1 开始。如果文件存在但 direction 与当前不同，确认用户是否切换方向。

搜索策略

  • 大厂面经优先：搜索关键词必须拼接大厂名称和面试轮次，确保获取真实面经而非泛泛的面试题库。固定使用以下组合：
    • 大厂列表：腾讯、字节跳动、阿里、滴滴、美团、百度、京东、小红书、华为、快手
    • 面试轮次：一面、二面、三面、技术面、HR面
    • 关键词模板：{方向} {大厂名} {一面/二面/技术面} 面经，例如"AI产品经理 字节跳动 技术面 面经"、"大模型算法 阿里 一面 面经"
  • 搜索关键词加入年份以确保时效性
  • 每次搜索至少用 2-3 组不同关键词交叉验证，覆盖不同大厂和轮次，避免单一来源偏差
  • 面试题答案优先采用搜索结果中的原文；原文不可靠或缺失时才由 AI 补充，并标注
  • 搜索时聚焦当前子主题而非整个主题，确保题目深度和针对性
  • 优先搜索招聘网站（牛客网、LeetCode、掘金、CSDN、知乎等）的真实面经

Step 5：首次推送后建议创建每日学习计划

在 Step 2（首次推送）完成后，向用户建议创建每日定时推送：

  1. 在首次推送的末尾添加建议文本： 
    💡 **建议**：我可以帮你设置每日定时推送，每天自动推送一轮面经（默认中午12:00），这样你不用自己记着，到点自动学。要设置吗？你也可以指定其他时间。
  2. 如果用户同意：
    • 使用定时任务能力创建每日重复日程，参数如下：
      • summary: 面经助手每日推送 - {方向}
      • dtstart: 当天或次日的 1200（默认中午12:00，用户指定其他时间则用用户指定值）
      • description 工单内容： 
        执行面经助手技能，推送{方向}方向的下一轮面经。
步骤：
1. 读取 ./面经助手/{方向}/state.json 获取当前进度
2. 如果 total_calls 是 3 的倍数，先更新学习计划（Step 4）
3. 读取 ./面经助手/{方向}/learning_plan.md 定位当前子主题
4. 搜索该子主题的大厂面经和面试题
5. 按技能输出格式推送：知识点 + 10道面试题 + 回顾打卡
6. 更新 state.json 进度
7. 通知用户推送内容
    • 创建成功后告知用户日程已设置
  3. 如果用户拒绝或忽略，不再重复建议
  4. state.json 中记录定时任务/日程UID，字段 daily_schedule_uid，便于后续管理（暂停/修改时间/取消）

边界处理

  • 用户问"下一个"→ 推进到下一个子主题推送，不重新生成计划
  • 用户想跳到某主题 → 更新 current_topic_index 和 current_sub_index=0 后推送
  • 用户想重新开始 → 清空 asked_questions，两个 index 归零，保留 learning_plan
  • 用户想换方向 → 确认后为新方向创建独立目录，不影响原有进度
  • 搜索结果不足时 → 如实告知用户，用 AI 知识补充但标注来源
  • 某子主题搜索结果特别丰富 → 可临时拆分为更细的子主题，更新 learning_plan 和 state
  • 用户想暂停每日推送 → 读取 state.json 中的 daily_schedule_uid，用 calendar_delete 删除日程
  • 用户想修改推送时间 → 读取 daily_schedule_uid，用 calendar_update 修改 dtstart
  • 用户想取消每日推送 → 删除日程，并清空 state.json 中的 daily_schedule_uid

本内容由 Coze AI 生成，请遵循相关法律法规及《人工智能生成合成内容标识办法》使用与传播。