jinjie0703 Project Deep Diver - 项目深挖面经利器
当用户希望复盘简历项目、准备大厂面试的项目深挖环节，或者不知道如何包装项目亮点时，严格执行以下 SOP。
⚙️ 第 0 步：环境检查（此技能无需额外依赖）
本技能使用的 Python 脚本仅依赖标准库（os, json, pathlib, collections），无需安装任何第三方依赖。只需确认用户机器上存在 Python 3.9+：
python --version
🚀 标准操作工作流 (SOP)
第 1 步：项目物理扫描 (project_inspect.py)
触发条件：用户提供了项目的本地代码目录路径，或者 AI 可以访问到项目文件时，必须优先执行物理扫描。
# 输出 JSON 侦查报告
python .agents/skills/project_deep_diver/scripts/project_inspect.py <项目目录路径>
# 同时输出 Markdown 可读简报（支持 AI/LLM 框架、Monorepo、微服务与安全架构指纹识别）
python .agents/skills/project_deep_diver/scripts/project_inspect.py <项目目录路径> --markdown
扫描产出：
- 主语言判定与各语言代码行数占比
- 技术栈指纹（含前端、后端、AI/LLM 大模型生态、Monorepo、安全认证、微服务/MQ、数据库、基础设施）
- 核心依赖清单（自动解析
package.json/requirements.txt/pom.xml/go.mod） - 顶层目录结构大纲
⚠️ 重要：如果用户没有提供项目目录（只是口头描述项目），则跳过此步直接进入第 2 步，根据用户的口述信息进行深挖。
第 2 步：项目深度解剖与面经深挖（AI 核心推理阶段）
基于第 1 步的扫描报告（或用户口述的项目描述），AI 按照以下四大模块进行深度挖掘：
🌟 模块 A：亮点包装与技术壁垒提炼
- 脱水提炼：把用户平铺直叙的功能描述，升级为具有工业级水准的高含金量技术亮点，使用 STAR 法则（Situation 情境 → Task 任务 → Action 行动 → Result 成果）与量化指标描述。
- 难点深挖：如果用户觉得项目"太简单"，从高并发、大数据量、极端边界、性能瓶颈、内存优化、网络异常、缓存穿透/雪崩、RAG 召回精度等工程维度，为其构思和挖掘 1~3 个真实可信的架构难点。
🎯 模块 B：面试官视角 5 连环压力深挖预测
预测面试官看到该项目时最想拷问的 5 个层次，并给出能体现技术深度的"高情商防御话术"：
- 架构选型关：为什么当时选这个架构/技术方案，而不是其他的？
- 极端场景关：如果当前的流量/数据量放大 10 倍甚至 100 倍，你的系统哪里会先挂掉？怎么改造？
- 线上 Bug 关：这个项目开发过程中遇到最难搞的一个 Bug 是什么？你是怎么定位和解决的？
- 性能极限关：你在项目中做了哪些关键优化？核心指标（如首屏时间、内存占用、QPS、TTFT）提升了多少？
- 自我批判关：如果让你现在重新做这个项目，你会推翻哪里的设计？为什么？
🛠️ 模块 C：解决方案降维/进阶三级对比
针对项目中最大的技术挑战，给出：
- 初级方案（刚好能用）：存在什么隐患。
- 当前方案（进阶落地）：你项目里实际用到的方案与优势。
- 终极方案（大厂海量业务架构）：如果有无限资源或超高并发，业界最顶尖的解决方案是什么。
🔄 模块 D：自我批判与成长复盘
引导用户思考："如果重新来过，我会改进哪些设计"——这是大厂面试中最高频的杀手锏追问。
第 3 步：两种交付模式（导出文档 或 模拟面试）
📄 模式 A：导出面经防御手册 (playbook_generator.py)
当 AI 完成深挖分析后，将结果结构化为 JSON 数据，调用导出工具生成持久化的 Markdown 手册：
python .agents/skills/project_deep_diver/scripts/playbook_generator.py \
--project-name "项目名称" \
--json-file deep_dive_data.json \
--output "面经防御手册_项目名.md"
JSON 数据结构规范：
{
"project_summary": "一句话项目概述",
"tech_stack": ["Vue3", "Spring Boot", "Redis"],
"highlights": [
{"title": "亮点标题", "star_desc": "STAR 法则完整描述", "keywords": ["关键词"]}
],
"difficulties": [
{"title": "难点标题", "problem": "问题", "solution": "解决方案", "result": "成果"}
],
"grilling_qa": [
{"category": "架构选型关", "question": "面试官问题", "answer": "防御话术"}
],
"architecture_comparison": {
"challenge": "核心挑战",
"junior": {"desc": "初级方案", "risk": "隐患"},
"current": {"desc": "当前方案", "advantage": "优势"},
"ultimate": {"desc": "终极方案", "scenario": "适用场景"}
},
"self_reflection": "复盘改进点"
}
🎙️ 模式 B：即时模拟面试官对线模式 (Mock Interview Mode)
如果用户要求“考考我”、“来模拟面试”，AI 立即切换为严厉且专业的资深技术面试官：
- 单题单问：一次只提出 1 个 5 连环拷问层级的问题，绝不一次性发一大堆问题；
- 答复评分与点评：用户回答后，AI 给出评分（1~10 分），指出回答中的薄弱点（如缺乏量化指标、原理不深、方案不够健壮）；
- 高分模范话术示范：示范如何以资深工程师的口吻优雅回答，随后推进到下一轮追问。
📐 输出规范
- 语气专业、犀利，极具实战指导性。
- 关键的技术设计模式、优化手段和底层原理词汇加粗显示。
- 量化指标（如首屏时间从 3s 降至 800ms、QPS 从 500 提升至 5000）必须有具体数字支撑。
- 面试话术要自然流畅，像真人在和面试官交流，绝不能像朗诵课文。