一个面向 OpenClaw 用户的 AI 面试官培训工具，通过模拟真实面试场景中的"隐藏问题"，帮助面试官提升追问技巧、洞察能力和控场能力。
让面试官在安全的 AI 环境中练习，把面试失误成本降到 0。
真实面试中的"隐藏问题"：
- 🎭 候选人过度包装项目经历（其实只是参与者）
- 💰 离职真相：被裁员却说"个人发展"
- 💵 薪资期望：要求 50% 涨幅，但市场只有 20%
- 🏃 专业能力：说精通技术，但只会简单操作
面试官的挑战：
- 🤔 怎么发现这些"隐藏问题"？
- 🤔 怎么设计追问策略？
- 🤔 怎么评估候选人真实能力？
- 🤔 怎么在面试中保持专业度？
通过 AI 模拟真实面试场景：
- 🎭 AI 扮演有"隐藏问题"的候选人
- 🔍 面试官通过追问发现问题
- 📊 5维度评估（问题质量、发现率、控场能力、合规性、体验）
- 📈 生成详细评估报告
什么是"隐藏问题"？
隐藏问题是候选人简历中的"危险信号"：
- 过度包装项目经历
- 离职原因与实际不符
- 薪资期望与市场不符
- 技术深度与职位不符
面试官需要通过追问发现：
- "你在团队中的具体角色是什么？"
- "这个项目的实际参与度有多高？"
- "为什么选择离职？真实原因是什么？"
- "你在上一家公司的工作时长是多久？"
5 个评估维度：
- 问题质量（40%） - 相关性、深度（STAR）、覆盖面
- 隐藏问题发现率（25%） - 发现几个隐藏问题？
- 控场能力（15%） - 时间控制、话题引导、冲突处理
- 合规性（10%） - 有无敏感问题（性别、年龄、婚姻等）
- 候选人体验（10%） - 专业度、亲和力、尊重度
从新手到专家的 4 个阶段：
- 新手期 - 学习基础面试技巧（L1 难度）
- 成长期 - 掌握追问技巧（L2 难度）
- 成熟期 - 应对复杂场景（L3 难度）
- 专家期 - 培训团队和招聘（团队管理视角）
传统培训方式的问题：
- 需要预约真人面试官
- 需要协调时间
- 成本高（面试官时薪 500-1000 元/小时）
- 嘉尴尬（在同事面前练习）
我们的优势：
- ✅ 不需要预约，随时练习
- ✅ 不尴尬，AI 不评判
- ✅ 完全免费
- ✅ 碎片时间（10-15 分钟即可完成一次）
- B 端面试官（企业员工，已有 OpenClaw）
- 用户类型：
- 新晋面试官（40%）- 刚晋升的 Team Leader
- 技术转管理（30%）- 技术专家转管理
- HR/招聘（20%）- 负责招聘
- 管理层（10%）- 需要评估面试官
用户 "小王"（新晋产品经理）：
- 年龄：28 岁，刚晋升 Team Leader
- 痛点：第一次面试候选人，担心问错问题
- 需求：快速掌握面试技巧，给团队留好印象
- 时间：碎片时间（午休、下班后）
用户 "李经理"（技术转管理）：
- 年龄：35 岁，技术专家转型管理
- 痛点：不善于"问人"，担心显得咄咄逼人
- 需求：学会追问技巧，发现真实能力
- 时间：周末或下班后
| 行业 | 岗位示例 | 核心场景数 |
|---|---|---|
| 互联网/科技 | 产品经理、工程师、运营 | 5 个 |
| 金融/FinTech | 金融分析师、风控、产品 | 3 个 |
| 新能源/车企 | 算法工程师、电池专家、产品 | 3 个 |
| 医疗健康 | 医疗产品、运营、销售 | 3 个 |
| 智能制造/AI | AI 工安师、数据科学家、产品 | 3 个 |
总计： 17 个核心场景（MVP 已完成 3 个）
# 安装 Skill
clawhub install interview-coach
# 重启 OpenClaw Gateway
openclaw gateway restart# 克隆仓库
git clone https://github.com/dadnotfound/interview-coach.git
# 复制到 OpenClaw workspace
cp -r interview-coach ~/.openclaw/workspace/skills/
# 重启 OpenClaw
openclaw gateway restart用户: "开始面试模拟"
Agent: "好的，请提供岗位 JD 和候选人简历"
用户: [粘贴 JD 和简历]
Agent: "已分析，推荐使用'产品经理初试'场景。
【简历匹配分析】
匹配度：85%
- ✅ 岗位要求：3-5 年产品经理经验 ✅
- ✅ 核心技能：需求分析、数据分析 ✅
- ⚠️ 经验略低：2.5 年（要求 3-5 年）
- ⚠️ 行业不匹配：电商 → 金融
- ⚠️ 缺少 B 端经验：只有 C 端
- 💡 建议：重点考察 B 端经验和行业适应性
【面试提纲】（5 个问题）
1. 请介绍一个你负责的产品项目
2. 你怎么定义产品成功？
3. 你遇到过最大的产品挑战是什么？
4. 你怎么和研发团队协作？
5. 你为什么从上家公司离职？
准备好开始了吗？"
用户: "开始"
[面试开始...]
配置文件：~/.openclaw/config/skills/interview-coach.json
输入：
- 岗位 JD（职位描述）
- 候选人简历
输出：
- 匹配度计算（基于 JD 要求）
- 优势匹配（符合项）
- 风险预警（不符合项）
- 建议：重点关注领域
示例：
【简历匹配分析】
匹配度：85%
- ✅ 岗位要求：3-5 年产品经理经验 ✅
- ✅ 核心技能：需求分析、数据分析 ✅
- ⚠️ 经验略低：2.5 年（要求 3-5 年）
- ⚠️ 行业不匹配：电商 → 金融
- ⚠️ 缺少 B 端经验：只有 C 端
- 💡 建议：重点考察 B 端经验和行业适应性
根据岗位要求和候选人简历，定制面试提纲：
- 5-7 个核心问题
- 每个问题标注目标：
- 触发哪个隐藏问题？
- 验证哪项核心能力？
- 风险等级如何？
- STAR 原则： 每个问题都可以追问（行为、任务、行动、结果）
Agent 扮演有隐藏问题的候选人：
- 过度包装项目经历
- 离职原因与实际不符
- 薪资期望与市场不符
- 技术深度与职位不符
面试官的任务：
- 通过追问发现"隐藏问题"
- 评估候选人真实能力
- 保持专业度和亲和力
5 维度评估：
- 问题质量（40%） - 相关性、深度（STAR）、覆盖面
- 隐藏问题发现率（25%） - 发现几个隐藏问题？
- 控场能力（15%） - 时间控制、话题引导、冲突处理
- 合规性（10%） - 有无敏感问题
- 候选人体验（10%） - 专业度、亲和力、尊重度
示例报告：
【面试评估报告】
总分：32/40（不错）
【维度评分】
- 问题质量：32/40（相关性强，但缺乏深度）
- 隐藏问题发现率：1/2（50%，发现了过度包装）
- 控场能力：12/15（基本控制时间，但被候选人带偏）
- 合规性：10/10（无敏感问题）
- 候选人体验：8/10（专业但略显强势）
【改进建议】
- 追问"你在团队中的具体角色是什么？"
- 关注候选人是否强势
- 注意时间分配
- ✅ 场景 1： 产品经理初试（5 个问题）
- ✅ 场景 2： 产品经理复试（7 个问题）
- ✅ 场景 3： 工程师技术面试（8 个问题）
- ✅ SKILL.md - 核心框架
- ✅ README.md - 项目说明
- ✅ MVP-COMPLETE.md - 完成报告
- ✅ PROJECT-LOG.md - 项目日志
- ✅ QUESTION-LIBRARY-STRUCTURE.md - 问题库结构
- ✅ MULTI-AGENT-WORKFLOW.md - 多 Agent 工作流
- ✅ assets/questions/scenario_001-tech-pm-initial.json
- ✅ assets/questions/scenario_002-tech-pm-advanced.json
- ✅ assets/questions/scenario_003-tech-engineer.json
- 3 个核心场景
- 20 个问题
- 5 个隐藏问题
- 5 维度评估框架
- 剩余 14 个场景
- 总计 100+ 问题
- 覆盖更多行业和岗位
- 面试官 Agent（扮演候选人）
- 评估者 Agent（观察员，评分）
- 合成报告 Agent（生成报告）
- 历史记录追踪
- 进步曲线可视化
- 团队管理功能
- 数据分析仪表板
我们欢迎以下类型的贡献：
什么是场景？
- 特定行业 + 特定岗位 + 特定轮次（初试/复试）
- 例如："金融 FinTech 初试 - 数据分析师"
如何贡献？
- Fork 本仓库
- 在
assets/questions/创建新文件：scenario_004-fintech-data-analyst-initial.json - 添加 5-7 个问题
- 提交 Pull Request
场景文件格式：
{
"id": "scenario_004",
"name": "金融 FinTech 初试 - 数据分析师",
"industry": "金融/FinTech",
"role": "数据分析师",
"stage": "初试",
"difficulty": "L1",
"questions": [
{
"id": "q001",
"question": "请介绍一个你负责的数据分析项目",
"goal": "项目经历",
"hidden_problem": "项目参与度低"
}
]
}什么样的改进是好改进？
- 提高问题的开放性（更容易追问）
- 增加追问提示
- 优化问题的表达方式
如何贡献？
- 找到需要改进的问题
- 在 Issue 中提出改进建议
- 等待审核通过后修改
- 提交 Pull Request
发现 Bug 了？
- 请在 GitHub 上提交 Issue
- 详细描述问题
- 附带复现步骤
- 等待修复
- 📖 完善 README（使用说明、示例）
- 📖 补充 SKILL.md（核心框架）
- 📖 更新项目日志（记录进展）
- 📖 翻译成其他语言（英语、日语等）
- 📝 写博客文章介绍使用心得
- 🎥 发布视频教程
- 💬 在社区分享面试技巧
- 📊 在社交媒体展示进步曲线
- 具体明确 - 不是泛泛而谈
- 可量化 - 可以评估效果
- 真实场景 - 来自真实面试
- 行业相关 - 和岗位 JD 高度相关
- 符合 STAR 原则 - 可以追问具体行为
- 太泛泛 - "你有什么优势？"
- 涉及隐私 - "你结婚了吗？"
- 无法量化 - "你是一个有创意的人吗？"
- 不相关 - "你平时喜欢做什么运动？"
- 过于简单 - "你会用 Excel 吗？"
interview-coach/
├── SKILL.md # 核心框架
├── README.md # 本文件
├── LICENSE # MIT License
├── assets/questions/ # 题库
│ ├── scenario_001-tech-pm-initial.json
│ ├── scenario_002-tech-pm-advanced.json
│ ├── scenario_003-tech-engineer.json
│ └── ...更多场景（待添加）
├── references/ # 参考文档
│ ├── scenarios.md # 17 个场景（完整版）
│ ├── evaluation.md # 评估标准
│ └── prompts.md # Prompt 模板
└── scripts/ # 工具脚本
用户： 小王（新晋产品经理） 需求： 第一次面试候选人，担心问错问题 使用： 开启"产品经理初试"场景，15 分钟完成练习
效果：
- 掌握面试基本流程
- 学习追问技巧
- 提升问题设计能力
用户： 李经理（技术专家转管理） 需求： 面试前 15 分钟快速练习，保持状态 使用： 开启"产品经理复试"场景，快速热身
效果：
- 找回面试状态
- 调整问题策略
- 提升自信心
用户： HRBP 需求： 提升团队面试官整体水平 使用： 定期组织练习 + 评估报告 效果：
- 追踪进步曲线
- 发现团队短板
- 优化面试流程
第 1 个月：
- 用户：100+
- 验证：PMF（产品市场契合度）
第 2-3 个月：
- 用户：1000+
- 验证：PMF（产品市场契合度）
- 考虑：付费版 V1.0
第 4-6 个月：
- 用户：50+ 付费用户
- 收入：年收入 10 万+
- 小王： 从"不敢问"到"会追问"，面试成功率从 30% 提升到 70%
- 李经理： 发现候选人过度包装，避免错误招聘决策
- HRBP： 团队面试宋试平均分从 32 分提升到 38 分
本项目采用 MIT License 开源协议。
核心权利：
- ✅ 商业使用
- ✅ 修改
- ✅ 分发
- ✅ 私下使用
⚠️ 需要保留许可声明
核心义务：
⚠️ 包含 License 声明⚠️ 专利声明⚠️ 免责声明
完整协议： 见 LICENSE 文件
- ✅ 3 个核心场景
- ✅ 20 个问题
- ✅ 5 个隐藏问题
- ✅ 5 维度评估
- ⏳ 17 个场景
- ⏳ 100+ 问题
- ⏳ 完整的隐藏问题机制
- ⏳ 质量验证和优化
- ⏳ 多 Agent 工作流
- ⏳ 历史记录追踪
- ⏳ 进步曲线可视化
- ⏳ 团队管理功能
- 安全第一 - 在 AI 环境中练习，避免真实面试失误
- 实用主义 - 每个功能都解决真实痛点
- 数据驱动 - 量化评估，数据说话
- 社区优先 - 共建开放，欢迎贡献
- 前端： OpenClaw Gateway（AI Agent 交互）
- 后端： Markdown + JSON（轻量级，易维护）
- 存储： 文件系统 + GitHub（版本控制）
- CI/CD： GitHub Actions（自动化测试）
让每一次面试都更专业。 🎯
欢迎加入我们的开源社区，一起完善这个项目！
地址： https://github.com/dadnotfound/interview-coach
版本： 1.0.0-mvp
最后更新： 2026-03-12
作者： dadnotfound
License： MIT
让每一次面试都更专业，让招聘更准确，让团队更强大！ 🚀