Talk Review

Talk Review

把真实面试转写转成两份共享同一证据来源的复盘：一份服务求职者改进，一份模拟招聘者如何 评价候选人。保留 ASR 不确定性，不把修正猜测、面试官意图推断或用户事后补充当成原始事实。

运行相对路径前先从当前 SKILL.md 定位 Skill 根目录。

运行模式

本 Skill 的第一项动作是读取 ../.offerloop-runtime/references/installation-mode.md 并运行模式 检查。OfferLoop 只支持飞书完整模式，读取用户明确选择的飞书材料并自动保存；只读取本轮指定的 ASR、简历和经历材料，不执行用户画像门禁。

开工前材料路由

开始实质复盘前简短列出实际读取材料。私有空间中唯一匹配的材料自动读取，不要求用户重复提供。

前置读取

1. 完整读取 references/review-rubric.md。
2. 完整读取 references/recruiter-analysis.md。
3. 完整读取 references/role-evidence-review.md，并只启用目标岗位对应的评价镜头。
4. 完整读取 ../.offerloop-runtime/references/voice-contract.md。ASR 是本轮高价值真实口语样本；先 保留原话并完成复盘，只用于本次参考回答的表达调整，不创建或更新长期语言画像。
5. 目标岗位是 AI 产品、AIGC、大模型、Agent、模型/数据平台、AI+行业产品，或本场问题主要 验证 AI 产品设计与落地时，完整读取 references/ai-product-interview-review.md。岗位实际 偏其他职能时不因标题含“AI”强制加载。
6. 本场进一步围绕 Coding Agent、应用搭建、技术原型、Spec、API/数据库、测试、部署或生产 交付时，同时读取 references/ai-coding-interview-review.md；只偶然提到工具不触发。
7. 需要从飞书读取或保存材料时，完整读取同级隐藏目录 ../.offerloop-runtime/references/artifact-contract.md，脚本使用 ../.offerloop-runtime/scripts/artifact_contract.py，并读取 lark-wiki、lark-doc Skill。
8. 需要关联或回填面试事件时，定位兄弟 recruiting-reminder，完整读取其 references/event-contract.md，并读取 lark-base Skill。
9. 创建或更新飞书节点时遵循共享产物契约的自动保存规则；用户明确说“不保存”时跳过，明确要求 另建文档时才创建独立版本。

工作区配置 schema v7、依赖或权限未就绪时路由到安装器 --setup，不要自行扩大权限。

启动顺序

严格按以下顺序推进，不要在前一步未完成时提前评价：

1. 请用户上传本次面试的 ASR 文档。用户改为指定 06｜真实面试复盘/ASR 待复盘 中的文档时，列出候选并让用户选择。收到后只确认可读性和 是否为目标面试，不开始复盘。
2. 询问本次面试关联的当前简历和/或 experience-deepthink 经历材料。允许同时提供多份 相关经历；由用户明确指定，不扫描无关材料。飞书简历按标题精确匹配。
3. 解析并确认 ASR；确认完成后才生成正式复盘。

用户直接粘贴 ASR 时可以继续，但最终文档必须标记：

来源为对话粘贴、无持久化原始转写文档。

岗位 JD、面试事件和本轮面试准备文档均为可选输入，不得阻塞 ASR 解析。原始上传文档原位 保留，不移动、不改写、不删除。

不得把 ASR、简历或私人材料上传外部研究服务。

ASR 解析与确认

1. 按原始顺序拆分为“面试官”“面试者”“说话人待确认”，保留时间位置（若来源提供）。
2. 忠实保留面试者的口语化表达，包括口头禅、重复、停顿、自我修正、未完成句、冗余、 模糊用词和不自然句式。不得在解析阶段改写成书面表达。
3. 明显 ASR 错误可以提出修正，但同时保留原片段、修正理由和可信度。
4. 无法确定说话人、专有名词、句意、问答边界或追问关系时，向用户展示原片段、可能解释和 具体问题。用户补充单独标记，不伪装成面试现场原话。
5. 先让用户确认解析结果；确认前不生成能力评价、参考答案或招聘判断。

解析稿是两份正式文档的共同证据来源，不再创建第三份“事实底稿”或“底稿简历”。

正式复盘

确认解析稿后生成两份文档：

1. 求职者面试复盘：完整采用 references/review-rubric.md 的方法和内容范围，先覆盖 全部问题的简要诊断，再选择最影响结果的 3–5 组问题进行深度复盘；分析真实口语、回答 内容、证据、岗位匹配和追问表现，并给出自然口语参考回答与分级训练计划。参考回答先修复 内容，再按已确认个人语言画像改写；ASR 中的错误和无意义口头禅不得机械复制。
2. 招聘者视角评估：完整采用 references/recruiter-analysis.md 的方法和内容范围， 包括动态岗位评价视角、事实重建、风险扫描、关键案例深度解码、候选人能力画像、招聘倾向 和面试官元分析。

命中 AI 产品经理专项时，两份文档同时采用 references/ai-product-interview-review.md： 从业务与用户、产品判断、AI 技术链路、评测治理、所有权和成熟度中选择与本场最相关的二至 四项；重建实际追问链，区分术语替代事实、指标无口径、成熟度冲突和只讲成功路径等具体问题。 打断、重复、要求举例或追问公式只能解释为可能的证据请求，不得写成面试官确定意图。

本场命中 AI Coding 产品交付时，再用 references/ai-coding-interview-review.md 检查工具替代 决策、生成等于完成、部署等于生产、跟做升级主导、托管等于安全和技术所有权越界。每个标签 必须引用现场原话；用户事后补充只能进入改进建议。

两份文档都按“现场可见证据重建与失分定位法”工作：先重建问题—回答—追问链，再区分现场 事实、招聘者推断和事后补充；最后把主要问题定位为事实缺口、简历承诺缺口、知识缺口、判断 缺口或表达/承压缺口。不得只写“回答不够深入”，必须指出缺失的证据层和最合适的修复 Skill。

两份文档必须引用同一份已确认解析稿，但证据可见性不同：

• 招聘者评估只把简历、JD 和面试现场实际表达的内容视为招聘者可见证据。
• experience-deepthink 中未在简历或现场出现的事实，只能用于求职者复盘中的“遗漏表达” 提示，不得偷偷加入招聘者的正向判断。
• “没有在本场面试得到证据”不等于“候选人不具备该能力”。

用户给出事件链接或 record ID 时优先使用；否则需要关联事件时调用 event_lookup.py resolve --json 获取候选。唯一候选自动关联并在保存后回填；多候选让用户选择， 零候选时询问是否作为独立复盘，不取第一条或按公司猜测。

对比准备文档时识别命中、遗漏和临场新增题目。改进表达只能使用确认事实；面试官关注点必须 标记为推断。新发现经历事实经用户确认后只列为复盘建议，不自动修改简历或既有经历深挖文档； 需要回流时建议用户继续运行 experience-deepthink。

保存与回填

1. 两份正式文档分别生成独立 run_id 和 Markdown，共享来源说明并互相标明关联关系。求职者 文档标题固定为 面试复盘｜<公司>｜<岗位>｜<环节>｜<日期>；招聘者文档使用 recruiter-assessment 产物类型，标题固定为 招聘者评估｜<公司>｜<岗位>｜<环节>｜<日期>。完成、暂停或明确提前结束都自动保存到 06｜真实面试复盘/已完成复盘，用状态区分 completed / incomplete。ASR 原稿标题使用 面试ASR｜<公司>｜<岗位>｜<环节>｜<日期>，保留在 ASR 待复盘。两份正式文档均使用 validate-markdown --content-only 校验，用户可见正文不设置“产物信息”目录；完成状态、 run_id 和其他内部运行元数据只保留在运行上下文或文档属性中。
2. 原始上传文档不移动、不改写、不删除。
3. 已确认事件先读取当前“面试复盘文档”“完成状态”和“事件状态”，把含 "kind":"review"、本次 artifact_status、精确事件 ID 与当前值的 JSON 通过 stdin 交给 event_lookup.py backfill --input - --json。通过 lark-base 把返回操作中的 fields 作为同一条 Base 记录的一次原子 patch：将求职者面试复盘回填到“面试复盘文档”；当且仅当正式产物状态为 completed 时，同时把仍为 待完成 的面试事件更新为 完成状态=已完成。招聘者视角评估作为关联文档， 不重复占用同一事件字段；笔试不回填。
4. 完成状态变化会触发既有即时 workflow。progress_reconcile_expected=true 时，回读关联求职进展： 最近完成节点 必须是对应的“AI面/群面/一面/二面/三面/面试/HR面完成”；没有下一轮待办时 进展状态=待反馈，已有下一轮安排或人工终态时不得回退。事件缺少 求职记录ID 时只完成事件 回填并明确报告未联动；不得按公司猜测求职记录。
5. 部分失败保留已写记录并报告精确 record ID 与同一 run_id；不得后台补偿。只有用户明确要求 重试时才补失败 patch，已成功记录不得重复写。
6. 独立复盘只保存两份知识库文档，不创建 Base 事件。
7. 将真实问题、追问和后续训练任务保留在求职者复盘中。
8. 将可追溯的问题和后续训练建议直接写入求职者复盘；表达组织、追问承压和临场回答练习统一建议路由到 mock-lab。不生成跨任务能力观察、训练待办或岗位能力地图。
9. 任一文档保存失败时交付该文档的完整 Markdown 和原 run_id，不得因此丢弃另一份已成功 保存的文档。

AI 产品专项来源边界

AI 产品经理复盘视角由用户提供的 AI 面试复盘与题库、AI PM 课程、Agent/RAG/Prompt/Workflow/ 模型训练材料和 AI Agent 项目案例交叉提炼。只吸收可观察的追问行为、专业证据维度和回流方法； 不吸收参考答案、示例数字、固定公司流程、模型榜单或对面试官人格和意图的过度判断。

AI Coding 产品交付复盘视角由用户提供的 AI Coding 课程、Codex 入门与生产项目实操提炼。 只吸收现场可观察的参与层级、系统理解、验收、成熟度和所有权问题；不吸收账号凭据、固定工具 答案、课程项目成果或对面试官技术结论的臆测。