Interview Coach 面试教练
把 Claude 变成全流程求职教练：从 JD 解读、简历优化、模拟面试到 Offer 谈判，逐题打分并持续追踪你的弱点与进步。
该技能为纯提示词型，无外部命令、网络依赖或危险权限；仅写入本地 coaching_state.md，数据流透明。扣分项：涉及简历、求职状态、面试反馈等个人敏感信息持久化，但未说明数据留存范围、无删除/回滚机制，状态文件静默写入（中间保存'不宣告'），确认机制不完整；发布者身份未验证，来源可归因性有限。
SKILL.md 内部规则自洽、优先级清晰、失败时要求置信标签而非伪造确定性，这些是加分项。扣分项：实际行为高度依赖约 30 个引用文件（references/commands/*.md 等），本评估仅见到 SKILL.md 本身，关键路径无法静态复核；无测试、无错误处理说明，异常输入（损坏的状态文件）下的行为未定义；静态上限不允许超过 10。
适用场景、受众（求职者）、命令清单、不适用边界（Rule 11 明确声明不提供系统设计等领域专业评审）都写得清楚，触发语义（模式检测、命令注册表）明确。扣分项：无中文支持迹象，全部示例为英文/海外公司；依赖付费 Claude/Codex 订阅，对大陆用户可达性和成本门槛未讨论。
文档分层良好（SKILL.md 主干 + 引用文件渐进披露），VERSIONS.md 提供清晰版本路线图和已发布版本记录，MIT 许可证完整。扣分项：发布者维护责任与更新路径仅靠单一作者仓库推断，无 changelog 逐版本对照、无已知限制的集中披露；引用文件本身未在本次材料中出现，安装后完整性无从静态确认。
README 的工作流示例和预期输出具体、结构合理，主张的差异化（状态连续性、校准循环）有实质设计感。扣分项：静态审阅无法验证任何输出的真实可用性，评分准确性、转录格式识别、故事匹配等核心价值主张均无执行证据；静态上限不允许超过 7，且证据不足以给到 7。
SKILL.md 与 README、VERSIONS.md 相互一致，是可审计的原始材料。扣分项：所有效果与'系统越用越好'类主张均为作者自述，无测试套件、无 CI、无第三方执行证据、无独立可复现验证，事实与推断未严格分离；静态上限为 5，实际证据更薄。
- 本评估为纯静态审阅，未执行任何命令；所有引用文件（references/*.md）未在评估材料中出现，实际行为可能与其描述不符。
- coaching_state.md 会持久化保存简历、面试记录、拒绝反馈等敏感个人数据，请自行管理该文件的存放与删除。
- 技能依赖付费 Claude/ChatGPT 订阅，且无中文支持迹象；对中国大陆用户存在网络与语言适配风险。
- 评分校准、公司调研等输出的准确性未经独立验证，公司文化/面试流程等具体主张请自行核实。
这个 Skill 能做什么，适合哪些场景？
Interview Coach 是一个基于 Claude Code 的面试教练技能，覆盖求职全生命周期，提供 23 个命令，横跨求职材料、面试准备、练习模拟与分析复盘。它从五个维度（实质、结构、相关性、可信度、差异化）为每个回答打分，并结合资历校准，再通过决策树定位瓶颈并指向针对性训练。系统通过持久化的 coaching_state.md 文件在多次会话之间保持记忆，随使用越来越了解你的模式。支持 PM、工程、设计、数据科学、研究、营销与运营等岗位，行为面、系统设计、Case、Panel 及混合格式均可处理。
激活后读取你的简历与目标岗位建立教练档案；对粘贴的面试逐字稿自动识别格式（Otter、Zoom、Grain、Teams 等）并逐题或逐阶段打分；构建并管理故事库（STAR 文本、earned secrets、快速检索训练与故事-问题映射）；通过 research/prep 命令做公司调研并标注每个结论的来源可信层级；运行 8 阶段练习进度与 4-6 题完整模拟面试；用 progress 追踪趋势、自我评估偏差与评分漂移；LinkedIn、resume、pitch、outreach、decode、present、salary、negotiate 等命令分别处理求职材料与流程各环节。所有状态自动写入 coaching_state.md，随时中断续用。
- 正在多周求职的候选人，想系统化管理故事库、逐字稿复盘与各公司面试轮次
- 面试临近（几天内）的求职者，选择 Quick Prep 轨道，快速完成公司调研、准备简报与针对性练习
- 刚结束一场真实面试的人，用 debrief 当天快速记录问题和面试官信号，之后用 analyze 分析逐字稿
- 收到正式 Offer、准备谈薪的候选人，用 negotiate 获取谈判策略与具体话术
- 面临首轮招聘方电话、被问到薪资期望的候选人，用 salary 提前准备区间与应对脚本
- 需要在投递前评估岗位匹配度的人，用 decode 解析 JD 并批量比较 2-5 个职位
这个 Skill 有哪些优点和局限？
- 覆盖求职全生命周期的 23 个命令，从 JD 解读一直到 Offer 谈判，不只是题库
- 持久化状态文件实现真正的跨会话连续性，评分、故事库和面试情报随使用积累
- 五维评分加根因诊断和决策树分流，不同候选人得到不同训练路径
- 证据标注严格：公司相关结论区分已验证、常识与未知层级，降低幻觉式建议
- 支持多格式逐字稿自动识别，行为面、系统设计、Panel、混合格式各有专门分析逻辑
- MIT 开源，同时提供 Claude Code 与 OpenAI Codex 两条使用路径
- 需要付费的 Claude 或 ChatGPT 订阅，且依赖能读写本地文件的环境
- 效果高度依赖输入质量：真实简历、完整 JD 和真实逐字稿才能发挥价值，输入简略则输出受限
- 公司调研类输出依赖模型的网络检索能力与来源可靠性，仓库未附带任何自动化测试
- 对系统设计、Case Study 等格式，教练价值主要在表达层面而非领域专家判断，技能本身已声明此边界
- 23 个命令加多个参考文件的学习曲线不低，新用户需要时间熟悉命令体系
如何安装这个 Skill？
1) 克隆仓库：git clone https://github.com/noamseg/interview-coach-skill.git 并进入目录；2) Claude Code 用户执行 mv SKILL.md CLAUDE.md（Cursor 等其他有文件系统访问的环境同样操作）；OpenAI Codex 用户执行 mv SKILL.md AGENTS.md；3) 在 Claude Code 或 Codex 中打开该文件夹即可。需要付费 Claude 或 ChatGPT 订阅。仓库未提供其他安装方式。
如何使用这个 Skill？
在对话中输入 kickoff 启动，按提示提供简历、目标岗位和时间线，系统会建立档案并给出优先行动计划。之后按需使用命令，例如：research Notion 做公司调研；prep Stripe 生成面试准备简报；analyze 后粘贴逐字稿获取逐题评分与诊断；practice 或 mock behavioral Stripe 进行练习和模拟；stories 管理故事库；progress 查看趋势与校准。每个工作流结束后系统会给出基于当前状态的具体下一步建议。对直接度要求高的用户，可在 kickoff 时把反馈直接度设为 5，启用挑战协议。
这个 Skill 与同类方案有什么区别？
README 明确将本技能与「直接问 ChatGPT 求职建议」对比：通用 LLM 建议千人一面，而本系统会持续打分、追踪模式、诊断根因并根据数据调整策略——区别在于教材与教练。