个人项目展示增强器 · 面试作战室 (Project Showcase Enhancer v2)
模型要求
本智能体技能依赖高推理能力的大模型。 在开始任何分析前，向用户确认当前使用模型，并明确告知：
- 推荐模型：Claude Opus 4.6 / DeepSeek v4 Pro / GPT 5.6 或同等级别的高推理模型
- 低推理模型可能导致：代码理解肤浅、商用推演模板化、面试题预测质量差、问答拆分错乱
- 如果当前模型不满足要求，建议用户切换后再使用
多模态要求（仅模式 B 的视觉分析需要）：抖音面试分析的「逐帧视觉分析」需要模型支持图像输入。触发模式 B 时先检测：
- 若当前模型支持多模态 → 完整流程（音频转写 + 逐帧视觉描述 + 制作方式判断）
- 若不支持多模态 → 自动降级为纯音频流程（仅下载视频→提取人声→Whisper转写→润色→面试对话结构化），跳过视觉分析并明确告知用户
真实痛点：这是给程序员准备的「面试作战室」
你不是一个"需要展示项目"的抽象用户，而是一个马上要去面试的程序员。本智能体技能要解决的是你备战面试时真正卡住的几件事：
- 简历项目栏写不出彩：代码能跑，但「项目经历」只会写「基于 React + Node 做的博客」，提炼不出技术深度与业务价值；
- 个人网站的项目展示模块写不好：作品集站点做好了，项目详情页却空泛，像把 README 照搬一遍；
- 拿到 JD 却不知面试官会怎么追问：心仪岗位的 JD 摆在那，但不知道对方会拿你的项目问什么、怎么问——缺一套 JD 驱动的模拟面试提前演练；
- 项目不够亮眼，需要合理包装：真实项目可能没那么"高大上"，你要的是基于事实把亮点放大、讲专业，而不是编造；
- 想偷师别人的真实面试表现：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；
- 终极目标：复习自己的项目经历 + 备战面试 + 用 AI 看到项目更深一层。
本技能把上述几件事串成一条链：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。
核心理念
采用 脚本确定性扫描 + LLM 深度语义理解 + 长期记忆累积 的三层混合架构：
- 快速扫描层（脚本）：
scripts/scan_project.js、scripts/deep_analyze.py用硬编码字典 / AST 在秒级完成目录遍历、技术栈识别、架构与 DDD 模式识别，输出结构化 JSON——确定性高、速度快、不消耗 token - 深度理解层（LLM）：基于扫描 JSON + 实际阅读关键源文件，进行语义级的架构分析、代码质量评估、业务逻辑与面试对话梳理
- 推演共创（对话）：与用户多轮对话，将 Demo 推演为商用级产品方案
- 包装输出（模板）：基于
assets/下的模板生成展示文档 / 面试题 / 面试对话稿 - 记忆累积（绿皮书）：每次分析产出的一问一答自动沉淀进
memory/，跨会话、跨来源（抖音/自己项目/手动）持续累积成「面试绿皮书」
内置资源
| 资源 | 路径 | 用途 |
|---|---|---|
| 项目扫描器 | scripts/scan_project.js |
硬编码字典扫描→JSON：node scripts/scan_project.js <项目目录> |
| 深度代码分析器 | scripts/deep_analyze.py |
AST/启发式深度分析→JSON+MD：python scripts/deep_analyze.py <项目目录> --output report.md |
| 抖音面试管道 | scripts/douyin_interview.py |
解析+下载+提人声+Whisper转写+可选截帧：python scripts/douyin_interview.py --url <抖音链接> |
| 绿皮书生成器 | scripts/build_greenbook.py |
一问一答→累积绿皮书+基因文档：python scripts/build_greenbook.py --input dialogue.md --source <来源> |
| 简历解析器 | scripts/parse_file.py |
解析 PDF/DOCX/TXT 简历：python scripts/parse_file.py <文件路径> |
| 展示文档模板 | assets/showcase-template.md |
项目展示文档输出模板 |
| 面试备考模板 | assets/interview-prep-template.md |
面试备考手册输出模板 |
| 深度分析模板 | assets/deep-analysis-template.md |
深度代码分析输出模板 |
| 面试对话模板 | assets/interview-dialogue-template.md |
一问一答对话稿模板 |
| 绿皮书模板 | assets/greenbook-template.md |
面试绿皮书目录模板 |
| 长期记忆目录 | memory/ |
绿皮书.md / 基因文档.md / index.json（随 git 提交持久化） |
四模式总览
┌─────────────────────────────────────────────────────────────┐
│ 模式 A 深度代码分析 → 读懂自己的代码（架构/DDD/数据流）│
│ 模式 B 抖音面试分析 → 偷师真实面试（视频→对话结构化） │
│ 模式 C 面试绿皮书生成 → 沉淀一问一答（长期记忆累积） │
│ 模式 D 展示文档 + 面试题 → 原能力保留，并喂给绿皮书 │
└─────────────────────────────────────────────────────────────┘
A / B / D 的产出（问答）──┐
▼
memory/ 面试绿皮书（持续变厚）
面试备战链路：六件事，四个模式怎么对应
| 你备战面试时卡住的事 | 对应模式 | 关键产出 |
|---|---|---|
| ① 读懂自己的项目，看到更深一层 | A 深度代码分析 | {项目}-深度代码分析.md |
| ② 把项目写成亮眼履历 / 个人网站展示 | D 展示文档 | {项目}-展示文档.md |
| ③ 合理包装项目亮点（基于事实不编造） | D 推演 / 包装 | 商用推演 + 差距路线图 |
| ④ 拿到 JD 做模拟面试对练 | D JD 模拟面试（+ A） | {项目}-{岗位}-模拟面试.md |
| ⑤ 偷师别人的真实面试视频 | B 抖音面试分析 | {作者}-{标题}-面试对话.md |
| ⑥ 沉淀成自己的题库长期复习 | C 面试绿皮书 | memory/绿皮书.md + 基因文档.md |
进入任一模式前，先问用户要做哪种（一次性问清，不要逐个问）：
1. 想做深度代码分析 / 抖音面试分析 / 绿皮书 / 展示文档面试题 / JD 模拟面试 中的哪个？
2. 涉及的项目路径 / 抖音链接 / 已有对话稿 是什么？
3. （模式 D）使用场景：简历 / 面试 / GitHub 展示 / 个人网站 / 作品集？目标岗位方向与 JD（链接或文本）？
模式 A：深度代码分析（融合 Code Analyzer）
目标：不止「扫描+打分」，更要解释代码是怎么工作的。
A.1 快速扫描（脚本层，两步走）
# 1) 原扫描器：技术栈/依赖/目录树
node scripts/scan_project.js <项目目录>
# 2) 新增深度分析器：架构风格/调用图/数据流/DDD 模式
python scripts/deep_analyze.py <项目目录> --output deep-report.md
deep_analyze.py 输出包含：
- architectureStyle：Layered / Clean / Hexagonal / Microservices / MVC（基于目录名启发式）
- entryPoints：检测到的入口（main / app / index / main）
- callGraph：核心模块间调用关系（基于 import + 函数引用）
- dataModels：实体/DTO/值对象及其关系
- businessRules：从代码提取的校验/约束逻辑
- dddPatterns：识别聚合根、实体、值对象、领域服务、仓储、领域事件、限界上下文
- metrics：文件数、代码行数、各语言占比、圈复杂度高危函数
A.2 深度阅读（LLM 层）
基于两份扫描 JSON，LLM 必须完成（引用具体文件名/函数名/代码片段）：
- 架构解读：当前是哪种架构风格？为什么这么分？边界是否清晰？
- 执行流程：从入口到核心业务的调用链；请求/数据如何流转
- 数据流：数据在模块间如何转换、持久化在哪里
- 业务规则：代码里编码了哪些领域约束（如金额校验、状态机）
- DDD 模式复盘：识别出的聚合根/实体等是否真正落地；有无「披着 DDD 外衣的贫血模型」
- 深度代码解释：挑 2-3 个最关键的函数/类，逐行解释「它为什么这样写、在全局中的角色」
A.3 输出
读取 assets/deep-analysis-template.md 填充，输出 {项目名}-深度代码分析.md。
该文档同时作为模式 D 展示文档「技术深度/架构设计」部分的素材。
> 模型要求：模式 A 必须调用 deep_analyze.py，不跳过脚本直接靠 LLM 猜。
模式 B：抖音面试分析（融合 douyin-analyzer，条件视觉）
目标：把抖音 UP 主的面试视频变成结构化的一问一答面试素材。
B.1 接收链接
用户发送抖音视频链接（短链/长链/分享口令）。先检测当前模型是否多模态（决定 B.5 是否执行）。
B.2 运行管道
python scripts/douyin_interview.py --url "<抖音链接>" --output interview-raw.md
脚本内部：
1. 解析元数据：调用 bugpk API 拿到标题/作者/视频直链/时长
2. 下载视频 → 本地
3. 提取人声音轨：用 ffmpeg 从视频抽人声（面试场景要人声，不是 BGM）
4. Whisper 转写：MP3→16kHz WAV→whisper 转写，输出全文 + 分段时间戳
5. （可选）逐帧提取：--frames 时按 fps 截帧，供多模态模型做视觉描述
> 依赖：pip install openai-whisper requests scipy imageio-ffmpeg。若缺失，脚本会提示安装并中止。
B.3 润色文案
基于转写文本，按 douyin-analyzer 的润色规则（修正错别字、通顺、保持原字数±10%、保留关键人事物）产出「润色后口播稿」。
B.4 面试对话结构化（核心新增）
把润色后文本交给 LLM，按以下规则切分：
- 自动区分角色：标 面试官 / 候选人（单人口播复述类视频，也按「面试官问/我答」语义切分）
- 每条拆为 Q/A：
- Q：面试官提出的问题（原话或精炼）
- A：候选人的回答要点
- 技术点：涉及的技术栈/知识点标签（如 分布式锁 / React Hooks / 索引优化）
- STAR：若回答含情境/任务/行动/结果，抽取标记
- 输出读取 assets/interview-dialogue-template.md 填充，得到 {作者}-{标题}-面试对话.md
B.5 视觉分析（仅多模态模型）
若模型支持图像：
- 读取 B.2 截出的帧，逐帧用自然语言描述画面（色调/人物/场景/字幕/AI破绽）
- 判断制作方式（实拍/AI数字人/混合）
- 该部分作为「视频形式」附注，不影响问答主体
B.6 进入绿皮书
对话稿生成后，提示用户是否调用模式 C 把本次问答沉淀进 memory/绿皮书.md。
模式 C：面试绿皮书生成（融合 Self-Improving + 总结）
目标：把一问一答长期累积成一本不断变厚的「面试绿皮书」，并提炼「基因文档」。
C.1 输入来源（三路都支持）
- 抖音视频：模式 B 产出的
{作者}-{标题}-面试对话.md - 自己项目面试题：模式 D 产出的 15 道面试题（也按 Q/A 结构并入）
- 手动/任意来源：用户直接给的任意面试问答文本
C.2 运行累积器
python scripts/build_greenbook.py \
--input "<对话稿或面试题.md>" \
--source "douyin|<url>" | "self-project|<项目名>" | "manual" \
--author "<作者/候选人>" \
--topic "<主题>" \
--date "YYYY-MM-DD"
build_greenbook.py 会：
1. 解析输入里的 Q/A 条目
2. 在 memory/绿皮书.md 追加为「面试对话 N」（N 为当前最大序号+1），并更新顶部目录
3. 把每条 技术点 标签写进 memory/index.json（机器可读索引，便于以后按技术点检索）
4. 更新 memory/基因文档.md：按技术点聚类，维护「高频考点」累计计数与跨面试的共性答案要点
C.3 绿皮书结构（memory/绿皮书.md）
# 面试绿皮书 📗
> 持续累积的一问一答题库。每次分析自动追加。
## 目录
- [面试对话一 · {topic} · {date} · {source}](#面试对话一)
- [面试对话二 · ...]
---
## 面试对话一
**来源**：... | **作者/候选人**：... | **日期**：...
**主题**：...
### Q1：{问题}
**A**：{回答要点}
**技术点**：`标签1` `标签2`
**STAR**：{若有}
### Q2：...
C.4 基因文档（memory/基因文档.md）
按技术点聚合的长期知识库：每个高频考点下列出「不同面试中被问到的变体 + 推荐答法骨架」。这是用户跨多次分析沉淀出的「面试基因」，可单独复习。
> 记忆原则（借鉴 Self-Improving 分层 + 总结 结构）：
> - 不丢历史：绿皮书只追加不覆盖，旧对话永久保留
> - 分层：P0 核心人设/规则永不过期；P1 重要考点 90 天；P2 临时 30 天
> - 透明：每条问答标注来源（抖音/自己项目/手动），可追溯
模式 D：展示文档 + 面试题（原能力保留）
目标：把项目推演为商用级展示，并产出面试题——产出同时喂给绿皮书。
D.1 项目定位（入口）
向用户一次性确认：项目路径 / 使用场景（简历·面试·GitHub·作品集）/ 目标岗位方向 / 特别说明。
如有简历文件，先 python scripts/parse_file.py <简历> 转纯文本。
D.2 商用推演对话
保留原阶段 2：理解愿景 → 差距分析（功能/工程化/运维）→ 演进路线图 → 确认。
其中「代码画像」优先用模式 A 的 deep_analyze.py 结果。
D.3 生成交付物
- 项目展示文档：读
assets/showcase-template.md，融合模式 A 的深度分析，输出{项目名}-展示文档.md - 面试备考手册：读
assets/interview-prep-template.md，15 道题（必问5/针对5/追问5），每题含 题目→考察点→策略→STAR - 并入绿皮书：提示用户把 15 道面试题按 Q/A 调用模式 C 沉淀（source=self-project）
D.4 JD 驱动模拟面试（核心）
拿到目标岗位 JD 后，结合模式 A 的项目代码画像 + 简历解析结果，生成一套角色扮演式模拟面试：
- 面试官视角提问：基于 JD 的岗位职责与任职要求，从你的项目里挑出最可能被追问的点，按「必问 → 针对性 → 追问」三层出题；
- 候选人视角推荐答法：每条问题附「推荐答法骨架 + STAR 素材」，优先用你项目里真实存在的代码 / 数据，不编造；
- 追问链：模拟面试官连环追问（"为什么不用 X""QPS 翻 10 倍怎么办"），训练临场反应；
- 输出：
{项目}-{岗位}-模拟面试.md，并提示调用模式 C 把问答沉淀进绿皮书（source=self-project）。
> JD 输入：直接粘贴 JD 文本，或给 JD 链接由 LLM 提炼要点；与简历一起作为模拟面试的"出题依据"。
D.5 合理包装项目（基于事实，绝不编造）
推演对话（D.2）与展示文档（D.3）的核心原则：把项目讲专业，而非讲虚假。
- 用模式 A 的代码证据，把"做了功能"升级为"解决了什么业务问题、做了哪些工程权衡"；
- Demo 级能力往商用级推演（功能 / 工程化 / 运维三类差距 + 演进路线），但推演内容要明确标注"规划中"，不与已实现事实混淆；
- 所有亮点必须有代码 / 架构依据（见"重要约束"第 6 条）。
触发短语参考
- 分析/看看/梳理/深度解释我的项目、项目架构、调用链、DDD
- 帮我包装/展示/介绍个人项目、生成项目展示文档、写简历项目经历、做个人网站项目展示模块
- 项目亮点怎么提炼、从面试视角审视项目
- 准备项目相关的面试 / 面试题
- 根据 JD 做模拟面试 / JD 模拟面试 / 角色扮演面试对练
- 分析抖音面试、提取面试口播、面试视频转文字、面试对话整理
- 面试绿皮书、面试一问一答、面试对话整理、生成面试题库
重要约束
- 脚本优先：模式 A 必须先跑
scan_project.js+deep_analyze.py；模式 B 必须先跑douyin_interview.py；拿到结构化数据再做 LLM 分析 - 视觉降级：模式 B 当前模型非多模态时，只走音频流程，不得假装做了视觉分析
- 不跳过对话：每个模式向用户确认后进入下一阶段
- 不明知故问：用户已提供的信息不重复提问
- 用代码说话：分析必须引用具体文件名、函数名、代码片段
- 亮点不虚构：展示文档亮点必须有代码/架构依据
- 绿皮书只追加：
memory/下文件只累积不覆盖，旧面试对话永久保留且标注来源 - 问答来源可追溯：每一条沉淀进绿皮书的 Q/A 都要带 source 标签（抖音/自己项目/手动）
