interview-analysis

该技能是一套基于顶尖专家方法论的深度面试分析系统，通过动态专家路由机制，将硅谷产品、工程、设计等领域的权威思想家（如 Marty Cagan、Linus Torvalds）与招聘验证专家（Geoff Smart、Lou Adler）的方法论相结合，帮助用户穿透候选人的"表演"，识别真实的"战斗伤疤"。

核心用法遵循四步工作流：首先进行事实重建与红旗扫描，连接多轮面试中的经历时间线，检查逻辑一致性与夸张表述；其次对核心案例进行 STAR 深度解码，区分方法论背诵与第一性原理思考；第三步开展面试官元分析，复盘提问深度与评估偏见；最后通过 Zettelkasten 卡片系统输出结构化报告，包括候选人画像、深度洞察、面试官评估及决策中枢。

显著优点在于其强大的防骗能力：通过"战斗伤疤优于方法论背诵"的核心逻辑，结合领域专家的批判性视角，有效识别夸大经历与归因谬误。同时支持多岗位类型（产品、工程、运营、销售等），并具备面试官自我纠错功能，可持续提升团队招聘能力。

潜在局限性包括：高度依赖输入的面试记录质量，若原始记录不详尽则难以深度解码；作为纯文档型工具，无法实时交互追问；AI 分析仍存在幻觉风险，关键决策仍需人工复核。此外，T3 来源意味着需关注模板更新与方法论迭代。

适合目标群体为技术团队负责人、HRBP、专业猎头及招聘经理，尤其适用于高阶岗位（如产品总监、架构师）的深度评估。

使用风险主要集中在数据隐私层面：面试记录通常包含敏感个人信息，用户需确保本地存储合规，并获得候选人授权。建议企业建立内部数据管理制度，避免敏感信息外泄。性能方面，处理超长文本时可能受限于上下文长度，建议分段分析。

核心用法

该 Skill 通过动态专家路由机制，根据目标职位类型自动匹配该领域顶级思想者（如产品岗用 Marty Cagan、工程师岗用 Linus Torvalds），结合招聘专家框架（Geoff Smart/Lou Adler），对面试记录进行深度解码。

执行流程四步走：
1. 事实重建与红旗扫描：串联多轮面试信息，核查时间线逻辑漏洞、版本矛盾、模糊头衔
2. STAR 案例显微分析：选取 1-2 个核心项目，检验方法论是背诵（MECE/SWOT）还是第一性原理应用，是否先做价值验证而非直接堆功能
3. 面试官元分析：评估面试官是否追问关键节点、是否过早下结论、是否维持 A Player 标准
4. 卡片式输出：生成 Profile（综合画像）、Insight（领域深度）、Meta-Analysis（面试官复盘）、Structure Note（决策枢纽）四类 Markdown 卡片

显著优点

• 反表演设计：核心逻辑是区分「战损（Battle Scars）」与「方法论背诵（Methodology Recitation）」，直击面试造假痛点
• 专家网络效应：引入各领域真实权威而非泛化 HR 框架，大幅提升评估信度
• 组织能力升级：元分析模块倒逼面试官自我迭代，将单次评估转化为组织能力资产
• 零代码纯文档：纯 Markdown 实现，无可执行风险，透明可审计

局限性与风险

• 依赖输入质量：若原始面试记录本身追问不深、关键信息缺失，专家路由也无法无中生有
• 专家选择主观性：虽然鼓励创新选择，但非主流专家的合理性判断仍依赖使用者经验
• 无实时交互：无法在面试过程中动态提示面试官追问方向，仅能事后分析
• 文化适配盲区：引入的西方专家框架（Cagan、Torvalds 等）在本土特定行业语境中可能需要调整权重

适合人群

• 需要评估专业岗位（PM、工程师、设计师、数据科学家等）的 A Player 猎手型面试官
• 希望建立 结构化招聘知识库 的 HR 或招聘负责人
• 需要 复盘面试质量 以迭代团队招聘能力的管理者

常规风险

• 决策过度依赖卡片输出：Structure Note 是辅助而非替代，最终录用决策仍需真人判断
• 专家权威误用：需警惕将专家名字当作正确保证，实际评估应聚焦候选人与框架的匹配证据
• 隐私合规：面试记录含个人信息，卡片存储路径 people/{candidate_name}/analysis/ 需确保访问控制