个人项目面试作战室

你在面试前真正卡住的那些事

简历项目栏写着“基于 React + Node 做的博客”，代码能跑，但技术深度和业务价值提炼不出来；个人网站项目详情页像把 README 照搬一遍。拿到心仪岗位的 JD 后，不知道面试官会拿你的项目追问什么，也缺一套提前演练的模拟面试。更现实的是，真实项目往往不够“高大上”，你需要的是把亮点讲专业，而不是编造。抖音上大量 UP 主分享真实面试口播，但没人帮你系统拆过：到底问了什么、怎么答才惊艳。

这个技能怎么工作

它把面试备战串成一条链：读懂自己代码 → 偷师真实面试 → 推演/包装项目 → JD 模拟面试对练 → 沉淀一问一答题库。

核心机制是三层混合：

• 脚本确定性扫描：scripts/scan_project.js、scripts/deep_analyze.py 用硬编码字典与 AST 做目录遍历、技术栈识别、架构风格与 DDD 模式识别，秒级输出结构化 JSON，不消耗 token。
• LLM 深度语义理解：基于扫描结果与实际阅读关键源文件，做架构解读、调用链梳理、数据流分析、业务规则提取，并指出“披着 DDD 外衣的贫血模型”。
• 推演共创与模板输出：把 Demo 推演为商用级产品方案，明确标注“规划中”，用代码证据支撑每个亮点；基于 assets/ 模板生成展示文档、面试备考手册、面试对话稿和 JD 模拟面试。
• 长期记忆累积：每次分析的一问一答自动追加进 memory/绿皮书.md，同步更新 memory/基因文档.md 与 index.json，跨会话、跨来源持续累积。

四个模式对应不同需求：A 深度代码分析、B 抖音面试分析（音频转写+逐帧视觉）、C 面试绿皮书生成、D 展示文档+面试题+JD 模拟面试。JD 模拟面试会按“必问 → 针对性 → 追问”三层出题，并生成追问链，优先使用你项目里真实存在的代码与数据。

适用边界与注意点

• 依赖高推理模型。低推理模型会导致代码理解肤浅、商用推演模板化、面试题预测质量差。
• 模式 B 的逐帧视觉分析仅多模态模型可用；否则自动降级为纯音频流程，不会假装做了视觉分析。
• 不编造。所有展示亮点必须有代码或架构依据，推演内容需与已实现事实区分。
• memory/ 下文件只追加不覆盖，旧面试对话永久保留且带 source 标签。
• 适合有真实项目与目标 JD 的工程师；不适合无代码依据的虚构包装。