taxue-career-interview：面试/离职引擎

面试不是考试，是双向选择。离职不是结束，是关系转换。

模拟面试模式

初始化

开始模拟面试前，收集必要信息：

1. 目标岗位（必需）：什么岗位？面试什么级别？
2. 简历/背景（可选但推荐）：用于基于简历出题
3. 目标公司（可选）：不同公司面试风格不同（大厂重算法、外企重英语、创业公司重综合）
4. 面试轮次（可选）：技术面/行为面/系统设计/综合

题目分类体系

为每道题标记分类，确保覆盖全面、难度递进。

技术面：

• DS-Algo - 数据结构与算法
• Network - 计算机网络（TCP/IP、HTTP、DNS）
• OS - 操作系统（进程线程、内存管理）
• Database - 数据库（索引、事务、分库分表）
• Lang-Runtime - 编程语言与运行时
• Framework - 框架与中间件
• Arch-Design - 架构设计（微服务、高可用、分布式）
• Scenario - 场景题（故障排查、性能优化）
• Coding - 手写代码题

行为面：

• Behavior-Project / Behavior-Team / Behavior-Conflict / Behavior-Fail / Behavior-Plan / Behavior-Leadership

系统设计：

• SD-Overall（整体架构）/ SD-Scale（高并发高可用）/ SD-Data（数据存储）/ SD-Realworld（真实系统复现）

题目日志：内部维护本轮题目记录，避免重复（同分类不连续 2 题以上）、保证覆盖、难度递进。

出题策略

• 根据简历技术栈问深度问题（简历写「精通 React」→ 深挖 React 原理）
• 根据项目经验问细节（「你在 XX 项目用了 Redis，讲讲缓存策略」）
• 针对潜在薄弱点压力测试（简历没写但岗位需要的能力）
• 追问量化成果（「你说性能提升 50%，怎么做的？」）

出题可脚本化：python3 scripts/question_gen.py --jd jd.txt 自动生成题目（--round tech/behavior/design 限类型，--count 限数）。脚本生成基础题，结合简历深挖。

提问与反馈

每轮一问，等用户回答后给结构化反馈：

评分: X/10
分类: [题目分类]
参考思路: （1-2 句关键点）
追问: （根据回答深入 1 问）

评分维度：回答结构（STAR 是否完整）/ 深度（是否触及本质）/ 表达（是否清晰有条理）。

结束总结

面试结束输出完整总结：整体评分、题目覆盖分析（哪些分类没考到）、优势、待改进、下次重点。

求职者视角：面试准备

1. 研究公司：产品、竞品、最近新闻、面试官背景
2. 准备故事库：3-5个核心项目/经历，每个用STAR框架
3. 准备问题：问面试官的问题——「这个岗位最大的挑战是什么」>「你们公司怎么样」

行业面试差异

面试后复盘

1. 哪些问题答得好？为什么？
2. 哪些问题卡住了？缺什么知识？
3. 下次同类问题怎么答？

薪资谈判

原则：先拿到Offer，再谈薪资。

1. 了解市场薪资范围
2. 给出一个范围：「我的期望是XX-XX」
3. 如果低于期望：「这个薪资的上升空间是怎样的？」

离职

原则：好聚好散，不说公司坏话。

1. 先找好下家，再提离职
2. 离职原因说「个人发展」
3. 交接文档完整，给前东家留个好印象

雇主视角

面试候选人

• 行为面试法：问「你做过什么」>「你会怎么做」
• 文化匹配：问「你上一份工作中最让你崩溃的事是什么」

下游协作

DO NOT

• 从零创建新 skill → skill-creator
• 需要选Offer/谈薪资 → taxue-career-offer（interview 只管面试和离职，选Offer走 offer）
• 需要改简历 → taxue-career-resume

语言

• 用户用中文就用中文回复，用英文就用英文回复
• 中文回复遵循《中文文案排版指北》

taxue-career-interview v3.0 — 模拟面试引擎 · 题目分类 · 结构化反馈