Talk Review

---
name: talk-review
description: 接收用户上传或指定的真实面试 ASR，询问本次面试关联的简历和/或 experience-deepthink 经历材料，先忠实拆分面试官与面试者原话并确认不确定片段，再生成求职者复盘和招聘者视角评估；目标为 AI 产品、AIGC、大模型、Agent、模型/数据平台或 AI+行业产品岗位时加载 AI 产品经理专项复盘视角，诊断业务—产品—技术链、指标口径、项目成熟度、个人所有权、术语替代事实及追问行为，并把缺口精确回流到相应 Skill。用户说“复盘刚才的面试”“分析这份面试转写”“根据 ASR 帮我复盘”时使用。
---

# 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

| 场景 | 必须读取 | 缺失时 |
|---|---|---|
| 真实面试复盘 | ASR、关联简历、相关经历材料 | ASR 或明确关联材料未读时停止正式评价 |
| 关联面试事件 | 公司、岗位、环节和候选事件 | 唯一候选自动关联；零个或多候选时再询问 |

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“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。