核心用法
Interview 技能是一套完整的面试准备系统，通过多个独立模块覆盖求职面试的全流程。用户可通过自然语言指令触发特定功能：使用 Research Company 快速生成目标公司的深度调研简报和谈话要点；通过 Build Story 将个人经历转化为 STAR 格式的结构化故事库；借助 Mock Interview 进行角色分级（初级/高级）的模拟面试并获得即时反馈；利用 Prepare Salary 基于地区和岗位获取市场数据并制定谈判策略；最后通过 Draft Follow-up 生成针对性强的感谢信或后续跟进邮件。所有功能均通过本地 Python 脚本实现，无需联网即可使用。
显著优点
隐私安全设计突出：所有面试数据（公司调研、故事库、练习记录、薪资策略）均存储于本地 memory/interview/ 目录，零外部平台接入，用户完全掌控数据生命周期，符合 GDPR/CCPA 合规要求。模块化架构清晰：五大核心功能独立运作又可协同使用，从前期准备到后期跟进形成闭环。反馈机制务实：明确声明"绝不保证获得 offer"，避免过度承诺，专注于提升用户真实准备度。零依赖轻量化：纯 Python 标准库实现，无第三方包引入，彻底消除供应链攻击风险。
潜在缺点与局限性
数据孤岛效应：纯本地存储虽保护隐私，但也意味着无法跨设备同步，更换工作环境时需手动迁移数据。市场数据时效性：薪资调研等数据若依赖本地静态数据，可能无法反映实时市场变化，建议用户结合外部调研交叉验证。AI 模拟的局限性：Mock Interview 的反馈质量取决于预设脚本，难以完全复制真实面试官的随机性和深度追问，建议作为辅助而非唯一准备手段。无 ATS 集成：明确不接入申请追踪系统，需要跟踪大量投递进度的用户需额外工具支持。
适合的目标群体
应届毕业生及职场新人：需要系统学习面试流程、掌握 STAR 故事讲述法的求职者。跨行业/跨职能转型者：需重新梳理过往经历、匹配新岗位要求的职场人士。高频面试的活跃求职者：正在并行准备多家公司面试、需要高效管理准备资料的用户。隐私敏感型用户：不愿将求职意向、薪资期望等敏感信息上传云端平台的保守型人群。技术/产品/管理岗位候选人：技能预设的脚本参数和参考文档明显偏向这类知识工作者的面试场景。
使用风险与注意事项
性能风险：大量故事库或历史记录积累后，本地 JSON 文件读写可能成为瓶颈，建议定期归档旧数据。数据备份责任：本地存储意味着数据丢失风险由用户承担，重要面试记录建议额外备份。输入验证依赖：虽然当前版本安全，但用户输入（公司名称、情境描述等）直接参与脚本执行，存在理论上的注入风险，应避免输入异常长字符串或特殊控制字符。心理预期管理：技能明确拒绝提供虚假信息和过度承诺，用户需理解其定位为"准备增强工具"而非"offer 保证器"。版本兼容性：后续若引入第三方依赖或联网功能，安全评级可能变化，建议关注更新日志。