AI 产品 PRD
InterviewOS - AI 面试教练
全链路 AI 职业备战 OS：作战中枢 + 四阶段流水线（资产沉淀 → 精准投递 → 面试攻坚 → 复盘转化），15+ 子模块与 Notion 活文档双向同步。按场景选用 Qwen 3.7 Max（简历）、Claude Sonnet 4.6（模拟面试）、DeepSeek V4-Pro（练习刷题）。
产品总览
一、产品概述
业务背景
候选人常陷入背八股与模板答案，真实面试中的追问与压力难以自助练习，聊天记录也难以沉淀为可复盘资产。
产品目标
打造全链路教练：先读懂 JD 与简历，再模拟面试并高压追问，最后给出五维评分与改进建议。
AI 能力边界（AI 产品 PRD 必填）
- 能做：15+ 模块覆盖定位→故事→JD→简历→Prep→Mock→Warmup→Debrief；五维评分与 Notion 活文档同步；作战中枢进度聚合与行动建议。
- 不能做：不保证录用；不替代 HR/业务负责人主观判断；Copilot 仍须用户校验 [推演] 与事实红线。
- 三模型分工（目标架构）：Qwen 3.7 Max 简历/JD 中文润色；Claude Sonnet 4.6 模拟面试与结构化反馈；DeepSeek V4-Pro 日常练习/刷题（不用 Flash）。
- 输出：JSON Schema 约束评分、解码、复盘字段；长报告分章流式降低等待焦虑。
二、功能定义
产品架构：作战中枢 + 四阶段流水线
左侧导航按求职生命周期组织：总览 Dashboard 聚合全站进度；阶段一至四覆盖从「简历与故事资产」到「投递定制」再到「面考前中后」再到「复盘谈薪」。各模块共享 Notion page_id，避免重复建页；作战中枢根据进度 API 自动生成「待完成」红点与行动建议（如故事<5、模拟面试=0、有面试未复盘）。
全局控制 · 作战中枢（/）
| Tab / 路由 | 功能 | 说明 |
|---|---|---|
| 作战中枢（默认） | Dashboard 指挥台 | 聚合故事数/强故事数、题库练习、JD 解码、Prep 次数、模拟面试、知识复习、五维最近一次雷达；按优先级推送「今日行动」并可一键跳转对应模块 |
| 历史记录 ?tab=history | 全模块产出时间线 | 按模块回看最近 7 天沉淀，避免高质量输出散落在 localStorage 或未归档会话 |
| 面试日程 ?tab=schedule | 日程与倒计时 | 统一管理公司/岗位/面试时间；联动 UpcomingInterviewFocus，建议 T-24h 跑 Prep、T-5min 跑热身 |
阶段一：资产沉淀
| 菜单 | 路由 | 核心功能 | 用户价值 |
|---|---|---|---|
| 简历底本管理 | /base-resumes | Notion 多版本简历底本 CRUD；标记 isActive 供定位/简历优化/Prep 引用 | 一次维护、全站复用，避免每个 JD 从零粘贴 |
| 求职定位 | /positioning | 输入现职/目标岗/转型故事 → 输出公司匹配、优势、面试官顾虑、策略与中英文 Elevator Pitch | 面试前先定「人设与叙事主线」，后续模块可对齐同一 positioning |
| 故事库 | /stories | STAR 故事管理；创造者模式（Copilot 事实锚定扩写、量化补全、90 秒口述版）；防御者模式（Staff Engineer / DS Lead / 跨部门主管等多 persona 连环追问 → 结构化 Q&A 闪卡）；一键 sync 至 Notion（Quote / Callout / Toggle 块） | 把碎片化经历变成可复用「弹药库」，且守住事实红线 |
阶段二：精准投递
| 菜单 | 路由 | 核心功能 | 用户价值 |
|---|---|---|---|
| 岗位分析 | /job-analysis | 三 Tab：①岗前调研（公司/业务/竞品摘要）② JD 解码（职责/隐含期望/匹配分/差距）③岗位监控（Kanban：新发现→已投递，可对接 Job Engine 岗位库） | 投递前搞清「招什么人、差在哪」，投递后可视化管理漏斗 |
| 简历优化 | /resume | 绑定目标 JD + 激活底本 → ATS 友好度、关键词匹配、Differentiation 叙事建议；可生成 JD 定制版简历 | 通用简历快速变「定制化敲门砖」 |
| 求职沟通 | /communication | 档案优化 Tab（LinkedIn 等）+ 话术生成 Tab（Networking 破冰/跟进/内推请求等场景脚本） | 站外触达与站内备战同一数据上下文 |
阶段三：面试攻坚
| 菜单 | 路由 | 核心功能 | 用户价值 |
|---|---|---|---|
| 面试题库 | /question-bank | 高频题维护、按公司/标签筛选、练习回写五维 1–5 分；与 Mock Evaluate 同一 rubric | 日常刷题、积累面经，分数可跨模块对比 |
| 知识训练 | /train | SM-2 间隔复习卡片；今日到期队列 + 自评 0–5 调整下次复习；概念库可 AI 生成 | 费曼式扫盲 RAG/架构等硬知识，对抗「看过即忘」 |
| 面试备战 Prep | /prep | 基于真实 JD + 调研摘要 + 故事库 → 万字级战略报告（面试形式/文化判断/面试官画像/顾虑与 counter/预测题/故事映射/反向提问/当天 checklist）；含自我介绍逐字稿 | 面考前 1–2 天的「知己知彼」战报，非临时搜资料 |
| 模拟面试 Mock | /mock | 模式 A 全真四轮：产品思维 → 技术架构 → 执行指标 → 行为领导；模式 B Quick 单轮；模式 C 训练闯关 8 阶段（ladder/pushback/pivot…stress）；Focus 计时；场次归档 Notion + 五维雷达 | 还原压迫感与时间限制，形成肌肉记忆 |
| 考前热身 Warm-up | /warm-up | 读取 Prep 备战记录 → 生成 60 秒高光回放、3×3（必落地要点/高频预测题）、失误恢复手册、Focus Cue | 面试前 5–10 分钟结构化抓手，防临场空白 |
阶段四：复盘转化
| 菜单 | 路由 | 核心功能 | 用户价值 |
|---|---|---|---|
| 面试复盘 Debrief | /debrief | 录入或导入真实面试实录 → AI 结构化复盘（Bad Case 归因、主瓶颈维度、改进清单）；汇总五维平均与逐题得分 | 让每次真面试成为下一次的垫脚石 |
| 薪资谈判 | /negotiation | 输入 offer/竞对/地点 → 市场区间、谈判策略、邮件/电话/会议脚本、非薪酬谈判点 | 收口阶段利益最大化 |
| 成长进度 | /progress | 五维评分趋势折线、知识掌握度、投递/模拟场次统计；与 Dashboard progress API 同源 | 长期追踪能力曲线，而非一次性对话 |
用户主路径（E2E）
读懂 JD ➔ 匹配故事 ➔ 模拟面试 ➔ 高压追问 ➔ 五维评分 ➔ 复盘入库
- 推荐节奏：定位 + 故事库（≥5 条）→ 岗位分析解码 → 简历优化 → Prep → Mock/题库日常 → 日程临近 Warm-up → 真面试 Debrief → Progress 看趋势
- 设计故事库匹配、多轮对话与评分雷达；报告与 JD 记录写入 Notion，支持跨场次对比。
- 用户获得接近真实面试的节奏训练，能定位表达与结构漏洞，并形成可追踪的成长档案而非一次性对话。
边界与容错
| 边界类型 | 规则 / 触发 | 产品处理 |
|---|---|---|
| 事实锚定（Copilot） | 故事优化禁止编造公司/项目/数字；推演须标 [推演] | Prompt 三级权限（🔴硬事实 / 🟡推演 / 🟢表达）；输出前静默自检；用户确认后才去标 |
| AI 能力边界 | 不保证录用；不替代 HR 主观判断 | 产品定位「教练与资产 OS」，评分与建议供自检而非裁决 |
| 数据一致性 | 同一 JD/故事重复同步 | Notion 隐式 page_id 双向绑定；resume-bases 激活态单选；Prep/Warmup 读已存备战记录 |
| 模块隔离 | Mock 全真 vs 单题训练 vs 题库练习 | 三种模式分轨：full-loop 四轮 / practice 八阶段闯关 / question-bank 独立计分，避免混用 UI |
| 进度与提醒 | Sidebar 调用 /api/notion/progress | 故事少于 5 条、JD 未解码、模拟=0、有面试未复盘等链级 hint；Dashboard 行动项可 dismiss |
| 会话中断 | Mock/Chat 中途关闭 | localStorage 草稿（Prep/Negotiation 等）；Mock 报告归档 API；practice round 增量保存 |
| 解析失败 | JD 解码 JSON 破裂 / 长文截断 | extractStructuredJsonBlock + section 兜底解析；decode 页展示 parse debug |
| 模型与密钥 | API 失败 / 超时 | Route 侧统一鉴权；各页可选 ModelType（fast/deepseek-pro/deep/pro）；Toast 显式错误，不静默失败 |
| 外部依赖 | Notion 未授权 / Job 监控无数据 | 模块级错误文案 + 降级空态；岗位监控 Kanban 可演示 Mock，生产读 Notion/Job Engine |
| 日程联动 | 未排期却点 Warm-up | Warm-up 需先选 Prep 归档记录；Schedule Tab 引导 T-24h / T-5min 动作 |
三、效果展示
量化指标与验收
| 指标域 | 具体指标 | 验收 / 数据来源 |
|---|---|---|
| 作战中枢 | 故事总数 / 强故事数、题库已练、JD 已解码、Prep 次数、模拟场次、今日复习知识卡片 | /api/notion/progress → dashboard 字段；Sidebar 与 CommandCenter 同源 |
| 五维评分 | Substance 表达力、Structure 结构性、Relevance 相关性、Credibility 可信度、Differentiation 差异化（1–5） | Mock / 题库练习 / Debrief / Evaluate 共用 evaluate prompt；雷达图 ScoreRadar 组件 |
| 模拟闯关 | 8 阶段训练 gate（如 Structure≥3 连续 3 轮、五维均≥3 进 stress） | lib/practice.ts PRACTICE_STAGES；Mock practice 模式进度 localStorage |
| 自我介绍 | 30 秒 / 1 分钟 / 3 分钟口述稿（Prep + 定位 Pitch） | Prep selfIntroScript；Positioning elevator_pitch_zh/en |
| 知识记忆 | SM-2 interval / easeFactor / nextReviewDate；今日到期卡片数 | train + TodayReviewPlan；掌握度写入 Notion knowledge DB |
| 投递漏斗 | 岗位状态 Kanban：新发现→已查看→已解码→已投递→已放弃 | job-analysis monitor Tab；matchScore / fitScore 来自 JD 解码 |
| 复盘闭环 | Debrief 场次五维平均、primary_bottleneck_dimension、逐题 Q&A | debrief analyze API → Notion；Progress 页趋势折线 |
| 工程 | Vercel 部署、API Route 鉴权、流式 SSE 章节/对话 | Next.js 15 App Router + Vercel AI SDK |
数据要求（AI 产品 PRD 必填）
InterviewOS 以 Notion 为 Headless CMS，localStorage 仅作草稿与 Tab 态；正式资产必须可追溯到 page_id。
| 类型 | 内容 |
|---|---|
| 输入 | 简历底本全文；STAR 故事原文；JD 文本/截图；定位表单；面试日程；真实面试实录；offer/薪资字段；LinkedIn 档案；题库题目与标签 |
| 输出 · 结构化 | JD 解码 JSON（职责/隐含期望/匹配分/差距）；Prep 战略报告多段数组；五维 scores + dimension_notes；Negotiation scripts；Hype 热身包三件套 |
| 输出 · Notion Block | 故事优化 Quote 标准版、Callout 90 秒口述、Toggle 拷问 Q&A；复盘 Markdown；JD 记录与 prep 关联字段 |
| 约束 | Copilot / 简历优化须事实锚定；JSON Schema 约束评分与 debrief；禁止前端暴露 API Key |
| 非训练 | Prompt Engineering + 规则质检（如故事优化静默自检）；无 fine-tune 流水线 |
Bad Case 定义与处理（AI 产品 PRD 必填）
| Bad Case | 触发条件 | 处理策略 |
|---|---|---|
| 经历幻觉 | Copilot 编造项目/指标/职责 | Fact-Grounding 三级权限 + [推演] 标签 + 用户确认；stories prompt 静默自检五项 |
| JSON 格式破裂 | 模型返回非 Schema 评分/解码 | Vercel AI SDK + 固定 JSON 模板；evaluate/debrief/practice route 解析失败则提示重试 |
| JD 与故事错配 | Mock 答非所问或 Relevance 低分 | Prep storyMapping 预绑定；Debrief 低 Relevance 强制解码「题目真正考察点」 |
| 长 JD 截断 | decode/analyze 超上下文 | smart-extract / smart-parse 预处理；Gemini 长文 + DeepSeek 结构化分工 |
| 场次中断 | Mock/Prep 编辑中刷新 | PREP_DRAFT / NEGOTIATION_DRAFT / practice history localStorage；Mock 报告 archive API |
| Notion 写入失败 | 网络或权限错误 | 前端 Toast + 保留本地副本；故事 sync 可重试；Dashboard 进度 API 失败则隐藏 hint 不崩溃 |
| Warm-up 无上下文 | 未跑 Prep 直接热身 | hype-records 空态引导先 Prep；需选择备战记录才生成 3×3 |
| 训练模式混淆 | 用户不知 Mock 三种模式差异 | PageGuide + 模式 B 单题闯关明确 gate；Evaluate 子页专看历史场次雷达 |
| 进度误导 | 仅刷题不沉淀故事 | Dashboard 行动项优先故事少于 5 条、JD 未解码；Sidebar 阶段待完成计数 |
四、技术选择
模型选择
| 场景 | 模型 | 定价（入 / 出） | 选型理由 |
|---|---|---|---|
| 简历完善 | Qwen 3.7 Max | $2.50 / $7.50 | 中国最强旗舰档，中文表达最精准，阿里出品权威感足，适合简历/JD 对齐与 STAR 润色 |
| 模拟面试 | Claude Sonnet 4.6 | $3.00 / $15.00 | 角色扮演最稳定、反馈最结构化，全球公认指令遵循最强，适合高压追问与五维评分 |
| 日常练习 / 刷题 | DeepSeek V4-Pro | $0.435 / $0.87 | 不用 Flash——重要练习用 Pro 更可靠，仍极便宜，适合高频短练与热身场次 |
| 数据 | Notion API | — | 故事库、JD 记录、复盘报告 |
| 部署 | Vercel | — | API Route 鉴权与限流 |
数据处理
Next.js 15 作战中枢 + 四阶段 15+ 子模块：简历底本/定位/故事库 Copilot 与防御者拷问 → 岗位分析三 Tab（调研·解码·监控）/简历优化/求职沟通 → 题库·SM-2 知识·Prep 万字战报·Mock 四轮+八阶段闯关·Warm-up 3×3 → Debrief/谈薪/Progress 趋势。Qwen 3.7 Max 润色简历；Claude Sonnet 4.6 模拟面试；DeepSeek V4-Pro 日常刷题。五维 rubric 贯通 Mock/题库/复盘，Notion page_id 双向同步 Block 树。
系统架构
正在渲染图表...
五、学到的经验
产品层
- 「作战中枢 + 四阶段」不是信息架构装饰：15+ 路由若缺少 Dashboard 聚合，用户会在 Prep/Mock/故事库之间迷失；行动建议 + Sidebar 红点是把 OS 从工具集变成教练的关键。
- JD 感知贯穿阶段二与三（解码 → 简历差异化 → Prep 故事映射 → Mock 绑定 JD），这是区别于通用 ChatGPT 陪聊的产品护城河。
- 事实锚定 Copilot 是信任底线：PM 故事一旦幻觉，整站复盘数据失真；三级权限 + [推演] 标签比事后 disclaimer 更可执行。
- 同一五维 rubric 贯通 Mock、题库、Debrief、Progress，用户才能看见「练了什么、弱在哪、有没有进步」。
工程与 AI 层
- Notion 作 Living Database：Quote/Callout/Toggle 块类型对应不同消费场景（背诵/口述/深挖），比纯 Markdown 导出更贴近真实工作流。
- 多模型按场景分流（简历中文表达 / 模拟面试角色扮演 / 练习成本）比单模型包办更可控；Route 级 ModelType 选择 + localStorage 记忆用户偏好。
- MergedPageTabs（Dashboard/岗位分析/求职沟通）减少路由碎片，但需 persistTab + 子页 PageGuide 降低「Tab 里还有 Tab」的认知成本。
- SM-2 知识训练与面试五维评分分离展示，避免用户误以为「复习分=面试分」——文案与 UI 都要写清数据来源。
个人实战反馈
- 高压追问 + 8 阶段闯关比背题库更接近真实 PM 面：Relevance/Credibility 低分往往比「不会答」更致命。
- Warm-up 3×3 是边际成本最低的体验杠杆：面考前 5 分钟比再跑一轮 Mock 更常决定开场状态。
- Debrief 写回 Notion 后，Progress 趋势才有意义——练习必须沉淀为资产，否则仍是消耗品。
六、将来迭代计划
| 方向 | 内容 | 优先级 / 备注 |
|---|---|---|
| 模型工程落地 | Portfolio PRD 已定义 Qwen 3.7 Max / Claude Sonnet 4.6 / DeepSeek V4-Pro 分工；代码层 llm.ts 仍为多 Gemini+DeepSeek 别名，需 Route 级映射与 fallback | P0 · 与产品叙事对齐 |
| 语音闭环 | 已有 /api/asr、/api/tts 雏形；Mock 全语音对练 + 口述自我介绍计时回放 | P1 · 移动端场景 |
| 岗位监控实盘 | job-analysis monitor Tab 已设计 Kanban；与 Job Engine Notion 岗位库实时同步，替换演示 Mock | P1 · 与 Job Engine 联动 |
| 日程自动化 | Schedule → T-24h 自动提醒跑 Prep、T-30min 推送 Warm-up 链接、Debrief 待办 | P1 · 降低遗忘成本 |
| JD 导入扩展 | BOSS/猎聘/官网 JD 一键解析；图片 JD OCR（vision model 已预留） | P2 |
| 团队 / 教练版 | 多候选人 Progress 对比、教练批注故事库、Mock 旁观模式 | P2 · 商业化探索 |
| 质检自动化 | Debrief / Prep 输出 14 条规则化审计（借鉴 HV-Analysis），未达标章节定向重写 | P3 |
迭代节奏以「真实求职季」反馈为准：优先巩固四阶段数据闭环与模型路由，再扩展语音与外部岗位源；避免在未跑通 Notion 同步前堆叠新模块。