为什么很多 AI 面试产品“看起来智能，用起来生硬”？本文从交互设计与任务分解角度出发，分析构建 AI 面试官的关键挑战，并提出一套更贴近真实场景的解决方案。

互联网行业里，产品经理岗位的招聘向来是 “卷王战场”—— 既要懂用户、能搞需求，又得会协调、能扛项目、懂管理、有抗压能力等等。HR 和业务部门筛简历、面试常常累到脱发，而且匹配度并不是很高。

希望这篇文章能够给想要运用LLM大模型构建业务的产品经理有一些启发，赶快行动起来，不要在傻傻的去钻研LLM的底层逻辑了。

本人尝试使用扣子用大模型给 “产品经理招聘” 带来了新解法：用大模型构建 AI 面试官，从简历初筛到动态面试，全流程自动化，完成面试者初选！本文主要是将打造逻辑、核心 Prompt（提示词）拆解， Prompt可以按照自己的理解自定义，然后自己不断调优即可，不要局限于我给出的Prompt。

面试闭环

先通过一张流程图，快速理解面试的核心流程，这些流程是可以用大模型来替代的。

1. 简历初筛：先看 “匹配度”

在邀请用户AI面试前，HR可以上传候选人简历，大模型会快速判断这份简历和 “产品经理岗位 JD（岗位描述）” 是否匹配？

核心是提炼候选人的产品核心能力（如需求分析、产品设计、项目推动、用户研究、大模型能力等），与岗位要求做精准比对。

prompt：

你是一位资深的互联网行业HR招聘专家，专注于产品经理岗位招聘。请仔细审查用户简历，提炼候选人的核心能力（包括产品规划、需求分析、项目管理、用户研究、竞品分析等产品经理关键技能，以及相关项目经验、学历背景、行业经验等），判断是否符合给定的产品经理岗位JD（[此处插入岗位JD具体内容]）的岗位职责和用人标准。 如果符合，请分点总结候选人符合哪些标准，并给出综合评分（1-10分，10分为最符合）；如果不符合，请详细说明未满足的关键要求。请严格审查，确保评估准确性。请严格按照产品经理的岗位能力图谱的要求进行判断，不要带有个人感情色彩。

这一步会生成两个结果：

结果1：符合标准，输出符合标准的评分和总结。并且结合岗位JD和简历生成对应的面试题库，保存到数据库中。发送AI面试链接给到面试者。

结果2：不符合标准，输出不符合标准的评分和总结。

2. 生成面试题：定制化才精准

若简历通过初筛，大模型会结合 “岗位 JD + 候选人简历”，生成针对性面试题。比如候选人有电商产品经验，就可能问 “你做的电商产品，是如何运用大模型的，解决了什么问题？”

Prompt：

你是一位专业的AI产品经理面试官，针对互联网产品经理岗位进行面试。已知岗位JD为[此处插入JD内容]，候选人简历内容为[此处插入简历内容]。请基于JD要求和简历中的经历、技能，生成3-5个针对性的面试问题，覆盖产品经理核心工作场景（如需求挖掘、产品设计、跨部门协作、数据分析等），且能考察候选人与该岗位的匹配度。

3. 音视频面试：像真人面试官一样交流(核心流程)

上面是面试的处理流程：

1.用户收到面试链接后，打开链接，点击开始面试，进入“音频/视频面试“(只能音频/视频面试)。

2.实时监测用户回答状态，如果用户存在10S之内的没有回答，则提示用户“面试题是否还有补充，如果没有补充，请回答完毕”；如果超过3次唤醒用户，用户还没有回答，则结束这场面试，并提示用户联系面”很高兴您来参加本次面试，由于种种的原因，我无法获取您的面试回答，您可以跟HR再次联系，修改时间重新面试，谢谢。”。

3.用户有回答，判断用户是否回答完毕，如果没有回答完毕，继续输出问题，让用户回答，直至用户说回答完毕(下一题/结束面试等)

4.根据用户答案判断用户答案意图，总共分几种：追问(针对问题具体参数进行追问等)、回答完毕、结束面试

5.根据用户的意图和回答，总结客户回答答案，并合理输出下一个问题。

根据此循环不断输出面试习题，所有的面试习题均需要入库。

工作流(只讲思想，具体prompt自己写)

会用到3个模型，分别作用为：问题回答是否结束、意图判断、输出问题。

模型1：

此模型主要的作用是判断用户回答是否完整。

prompt思路：

您是一名优秀的产品面试官，判断用户的回答是否结束？情况如下：

场景1：如果用户信息包含“回答完毕”、“回答结束”等完整回答词语，type为回答完毕；

场景2：如果用户信息中没有包含“回答完毕”、“回答结束”等完整回答词语，type为继续回答；

场景3：如果用户回答没有任何消息，则需要用户继续回答，type为继续回答；

场景4：如果同一个问题，用户连续3次没有回答消息，type为结束面试；

模型2：

此模型主要是用户在“回答完毕”、“回答结束”等完整回答词语后，判断用户回答意图；

用户意图：问题追问、结束面试、继续出题。

prompt思路：

# 任务：从用户原话和对话历史中提取意图信息，并以json格式返回

intention_type：用户的意图，包括【继续出题】、【问题追问】、【结束面试】三种种

# 规则

– 当用户对面试问题本身产生疑问时，比如想要澄清某个数据、明确任务目标、对面试题本身产生质疑，intention_type为用户追问

– 当用户对面试题进行了任何回答，包括回答【不知道】、【不会】、【不回答】、【不清楚】、【不明白】之类的回答，intention_type为继续出题；

– 当用户因为不想继续面试、想放弃面试时，intention_type为结束面试

模型3：根据用户意图，继续给用户出题。

## 角色

你是一个专业的面试评价官，会针对产品经理岗位输出专业的面试题

## 技能

– 用户可能对题目中的某个数据、目标、方法等内容产生疑问，你需要根据当前面试题和面试者的追问帮助澄清面试者的疑问

-根据面试者之前的几轮问题/回答出面试题。出题时直接给出题目，可参考之前为面试者定制的面试题库。

## 注意

– 你在与面试者直接对话，要使用第二人称指代面试者，用“你”代替“您”

– 同时，要注意你的说话方式，要简洁不啰嗦，精准把握反馈重点。不要说废话

– 牢记你专业的人设，说话要理性、冷静，不要太热情，不要太客气

– 回答时要控制字数，要精简不要太过冗长

– 使用”你“来称呼面试者，不能使用”您“，用“你”替代“您”

– 不能回答与求职、面试无关的问题

以上是大模型AI面试官的基本构建思路，最后结束面试后，后台需要增加一个面试评价的模型输出给HR和对应的面试官，如果想要获取完整工作流，可后台直接私信我。

应用大模型or工作流，不是要您了解大模型深层次的实现机制，本质还是业务的了解和拆解，以及大模型的边界。