一、产品介绍
PMFit 是一款专为产品经理求职者打造的 AI 智能面试模拟器。它不是简单的题库工具，而是一个能像真实面试官一样与你对话、追问、评估的 AI 面试教练。
一句话说清 PMFit
上传你的简历，选择目标面试方向，AI 面试官会基于 1300+ 道结构化题目对你进行全流程模拟面试，包含通用问题、简历深度拷打、多层级追问链，面试结束后自动生成 7 维度评估报告和个性化改进建议。
产品亮点
17 个 PM 方向全覆盖： C 端、B 端、G 端、AI、数据、商业、增长、策略、技术、平台、硬件/IoT、国际化、金融、电商、游戏、教育、医疗健康，每个方向都有专属题库
1329 道结构化题目： 每道题都含有能力维度、难度级别、追问提示、评分标准和关键得分点
简历深度拷打： AI 面试官会基于你的简历内容进行深度追问，模拟真实面试中最有压力的环节
4 级追问链： 表层追问→深度追问→压力追问→拓展追问，根据你的回答质量智能调整追问深度
针对性评估报告： 产品思维、逻辑表达、数据分析、项目经验、领域知识、沟通协作、应变能力，加权评分 + 改进建议
成长追踪： 记录每次面试数据，可视化查看能力提升轨迹，精准定位藄弱环节
17 个 PM 方向 
1329 道面试题 
4 级追问链 
针对性评估报告
二、面向的用户、场景与需求
2.1 目标用户
PMFit 的核心用户是正在准备产品经理岗位面试的大学生和应届毕业生。
应届生求职者： 0-1 年经验，即将参加校招/社招的 PM 岗位面试，缺乏面试经验和反馈渠道
转行求职者： 从开发/运营/设计等岗位转行做 PM，需要快速补齐 PM 面试的行业认知差距
进阶求职者： 2-5 年经验，寻求更高职级或更好机会的 PM，希望精准定位能力短板
2.2 真实场景与痛点
从校园走向职场，产品经理求职者面临的最大不确定性来自信息不对称与经验缺乏。具体来说：
痛点一：不知道面什么
产品经理有十几个细分方向——C 端、B 端、AI、数据、增长、策略……每个方向的面试重点完全不同。但大多数学生根本不了解这些差异，准备时无从下手，导致“准备了半天，面的都不是这个方向的题”。
痛点二：没有练习机会
真实面试机会稀缺，面一次就没了，无法反复练习。找同学互相模拟又缺乏专业评估，反馈质量很低。而报面试辅导班费用高昂（几千到上万），不是所有学生都能负担。
痛点三：简历被拷打时手足无措
真实面试中，面试官会针对你简历上的每段经历进行深度追问——“你说的 DAU 提升 30% 是怎么算的？”“你在这个项目里具体负责了什么？”“这个数据成果的归因是什么？”——学生往往答不上来，因为从来没有人这样追问过他们。
痛点四：面试后没有反馈
面试失败后不知道自己哪里不行，下次还是犯同样的错误。缺乏专业维度的评估和改进建议，导致“练了很多但不知道自己在哪里变好”。
2.3 现有解决方案的不足
看“面经”帖子：碎片化、不成体系，无法模拟真实面试的追问压力
找同学模拟：缺乏专业评估，反馈质量低
报面试辅导班：费用高昂，不是所有学生都能负担
刷题平台：只有题目没有模拟面试场景，无法训练应对追问的能力
PMFit 的核心价值就是解决这四个痛点：让每个 PM 求职者都能用极低的成本，获得接近真实面试的练习机会和专业反馈。
三、功能介绍
PMFit 的面试流程完全复制真实面试场景，从简历上传到评估报告，每个环节都经过精心设计。以下是完整的功能拆解：
功能一：简历上传与智能解析
用户上传项目经历后，AI 会自动解析并提取关键信息，包括：
项目经历：项目名称、角色、描述、成果数据
技能标签：工具技能、方法论、领域知识
这些信息将直接用于后续的“简历拷打”环节。
功能二：PM 方向选择
PMFit 覆盖了市场上主流的 17 个产品经理方向，按两大类别分类：
用户群体类
C 端产品经理：社交、内容、工具、短视频、社区
B 端产品经理：SaaS、ERP、CRM、协同办公、HR 系统
G 端/政务产品经理：智慧城市、数字政务、公共服务
职能领域类
AI 产品经理：AI Native、AI 平台、AI+业务
数据产品经理：BI、数据中台、推荐系统
商业产品经理：广告、变现、会员体系
增长产品经理：用户增长、留存、转化优化
策略产品经理：搜索、推荐、风控、定价
技术产品经理：API 平台、中间件、基础架构
平台/中台产品经理：开放平台、业务中台
硬件/IoT 产品经理：智能硬件、车联网、智能家居
国际化产品经理：出海、本地化、跨境电商
金融产品经理：支付、信贷、理财、保险
电商产品经理：交易平台、商家后台、营销引擎
游戏产品经理：系统策划、数值平衡、付费模型
教育产品经理：在线教育、自适应学习、知识付费
ᾧ 医疗健康产品经理：互联网医疗、健康管理、医疗AI
用户可以选择 1-3 个目标方向，系统会根据选择加载对应的专属题库和评估标准。
功能三：AI 面试官——通用问题
面试的第一阶段，AI 面试官会从通用题库中随机抽取题目，覆盖 8 个核心能力维度：
产品思维：需求分析、用户洞察、方案设计、创新性
逻辑分析：结构化思维、估算题、框架题
行为面试：STAR 原则题、团队协作、冲突处理
数据分析：数据敏感度、分析方法、指标理解
战略思考：行业视野、深度思考、趋势洞察
沟通协作：倾听理解、回应质量、互动能力
项目管理：优先级判断、风险管理、资源协调
创新能力：创意思维、用户价值、可行性评估
每道题目都有明确的难度分级（初级/中级/高级），系统会根据候选人的回答情况智能调整后续题目难度。
功能四：简历深度拷打
这是 PMFit 最具差异化的功能。AI 面试官会基于候选人的简历内容进行深度追问，完全复制真实面试中最有压力的环节。具体拷打策略包括：
项目深度挖掘：针对某个项目追问背景、你的角色、技术方案、数据成果、困难与解决
数据真实性验证：对简历中的量化数据（如“DAU 提升 30%”）追问计算方式、基准值、归因分析
能力交叉验证：通过不同角度的问题验证简历中声称的能力是否真实
孱弱环节探测：针对简历中模糊或缺失的部分进行追问
STAR 原则引导：引导候选人按“情境-任务-行动-结果”的结构完整回答
功能五：多层级追问链
AI 面试官会根据候选人的回答质量实时生成递进式追问，这是提升面试真实感的关键机制。追问分为四个层级，例如针对”乡村教育平台“项目，可以产生如下追问：
L1 表层追问 
： 候选人回答不完整时，追问补充缺失的细节。
你在乡村社区环境教育平台项目中提到’提升空间利用率30%+'，这个数据的基线是什么？你是如何定义和测量空间利用率的？具体采用了哪些定量分析方法来验证这一提升效果？
L2 深度追问 
： 挖掘思考的底层逻辑。
感谢你详细介绍了数据采集和分析方法。我注意到你提到了空间利用率提升30%，但我想进一步了解：在这个乡村社区环境教育平台项目中，你是如何具体定义’空间利用率’的？它的基线数据是如何确定的？
L3 压力追问 
： 挑战假设，测试应变能力。
你在乡村社区环境教育平台项目中提到’主导从0到1设计’，但未详细说明如何进行市场定位和竞争分析。在资源有限的情况下，你是如何确定产品优先级和迭代路线的？面对不同利益相关者（村民、政府、教育机构）的差异化需求，你的决策框架是什么？
L4 拓展追问 
： 拓展思维边界，考察能力天花板。
你提到了AI技术快速发展的背景，能否分享一下你对AI技术在建筑能耗分析领域的应用前景的看法？你认为这些传统工具如何与AI技术结合，或者未来可能被AI技术取代吗？
同一个话题最多追问 3 轮，全局追问不超过总题数的 40%。如果候选人明确表示不清楚，AI 会自动换题而非继续施压。
功能六：方向专业题
根据候选人选择的 PM 方向，AI 面试官会提问该方向的专业领域问题。例如：
AI PM 方向：Prompt Engineering、模型选型、数据飞轮、RAG 设计、AI Agent
数据 PM 方向：指标体系、埋点方案、AB 实验平台、用户画像
增长 PM 方向：AARRR 模型、北极星指标、留存策略、病毒系数
金融 PM 方向：支付系统、信贷产品、风控模型、合规要求
每个方向都有 20+ 道专属题目，确保考察的是候选人目标方向的真实能力。
功能七：多维度评估报告
面试结束后，系统自动生成一份专业的评估报告，帮助候选人全面了解自己的面试表现。报告包含：
综合评分：百分制加权总分 + 等级标签（优秀/良好/一般/待提升/较差）
优势识别：2-3 个核心优势
待提升方面：2-3 个需要提升的环节，精准定位
改进建议：基于评估结果生成的个性化提升计划
四、用 SOLO 实现的过程
整个 PMFit 从 0 到 1 完全由 TRAE SOLO 辅助完成，覆盖了产品定义、数据生产、AI 工程、功能开发四个阶段。以下是完整的实践过程：
4.1 任务拆解思路
我将整个项目拆解为 4 个阶段，每个阶段由 SOLO 独立完成，前一个阶段的产出直接作为下一个阶段的输入：
阶段一：产品定义（ PRD ） 明确产品边界、功能架构、用户画像
阶段二：数据生产（题库） 为 17 个 PM 方向生成结构化题目
阶段三： AI 工程（提示词） 设计对接智谱思考模型的完整提示词体系
阶段四：功能开发（界面） 完成 5 个核心页面的开发
这种“PRD → 题库 → 提示词 → 功能开发”的流水线式拆解，确保每个阶段的输入质量有保障，也让 SOLO 能够在明确的约束下输出更精准的结果。
4.2 SOLO 双轨并行
文档生成： 使用MTC模式生成 11 章完整 PRD 文档，含产品架构、功能设计、版本规划等
数据生成： 使用MTC模式并行生成 17 套 JSON 题库文件，共 1329 道结构化面试题
AI 提示词设计： 生成适配智谱思考模型的 10 个提示词模块 + 完整调用示例代码
功能开发： 使用 skill frontend_design 生成 React + Tailwind CSS 页面代码，含首页、简历上传、方向选择、面试对话、评估报告
质量校验： 自动检查题库数量、维度覆盖、格式规范性
4.3 关键 Prompt
阶段一：产品定义
关键 Prompt ：
“ 帮我生成 PMFit 产品经理面试模拟器的完整 PRD ，覆盖市场上大多数产品经理方向，包含简历上传、 AI 面试官提问（通用问题 + 简历拷打 + 追问链）、多维度评估报告等功能。 ”
产出：11 章 PRD 文档，其中最有价值的是 17 个 PM 方向的完整分类体系。
阶段二：题库生成
关键 Prompt ：
“ 根据 PRD 中的 17 个 PM 方向，为每个方向生成一套题库 JSON 。每套包含 50+ 通用题和 20+ 专用题，每道题需包含：题目、能力维度、难度级别、追问提示、评分标准、关键得分点。 ”
产出：17 个 JSON 文件，共 1329 道面试题。SOLO 并行启动了 3 个子任务同时生成，大幅提升了生成效率。
阶段三： AI 提示词设计
关键 Prompt ：
“ 根据 PRD 中的面试全流程设计，生成对接百炼平台 qwen3-vl-32b-thinking 思考模型的完整提示词体系。包含系统角色提示词、各阶段提示词、追问链逻辑、评估评分提示词。 ”
产出：10 个提示词模块 + 完整的 Node.js 调用示例代码，可直接在 index.js 中调用。
阶段四：前端开发
关键 Prompt ：
“ 参考附件图片的设计风格，重新设计 PMFit 的首页：浅蓝白渐变背景、毛璃璃导航栏、左右两栏布局、渐变胶囊按钮。 ”
产出：5 个核心页面的完整代码，包含首页、简历上传、方向选择、面试对话、评估报告。
4.4 中间踩过的坑
坑一：题库生成的质量控制
17 套题库共 1329 道题，数据量很大，一开始生成的题目存在部分重复、难度分布不均衡的问题。
解决方案：
在 Prompt 中明确规定了难度分布要求（初级 40%、中级 40%、高级 20%）和维度覆盖要求（每个维度至少 5 道题），并在生成后运行了自动化校验脚本，确保每套题库的数量、格式、维度覆盖都符合规范。
坑二：追问链 “ 失控 ” 问题
追问链是 PMFit 最核心的功能，但一开始 AI 的追问经常偏离主题或追问过深，导致候选人体验很差。
解决方案：
设计了三重控制机制：① 同一话题最多追问 3 轮；② 全局追问不超过总题数的 40%；③ 追问决策使用独立的 messages 调用，不污染主对话历史。同时在提示词中明确了 4 级追问的触发条件和上限，让 AI 的追问行为可控。
坑三：评估评分不一致
同一个回答多次评分时，得分波动很大，影响报告的可信度。
解决方案：
在评估提示词中设计了“6 步结构化思考引导”，让 AI 按固定步骤进行评分（逐题回顾→维度汇总→交叉验证→优势识别→建议生成→总体评价），确保每次评分都有明确的依据和标准。
4.5 提效对比
PRD 撰写： 传统方式 2-3 天 → SOLO 30 分钟
题库编写： 一个人根本写不完 → SOLO 20 分钟生成 1329 道题
提示词设计： 反复调试 1-2 天 → SOLO 1 小时完成完整体系
功能开发： 传统方式 1-2 周 → SOLO 3-4 天（碎片时间开发）
整个项目从想法到可用产品，传统方式可能需要 3-4 周，用 SOLO 后可以压缩到 3-4 天。
最后的最后，PMFit 不仅是一个面试工具，更是一个让求职者“看到自己在变好”的成长伙伴~
五、测试视频
视频链接：通过网盘分享的文件：4月21日.mp4
链接: 百度网盘 请输入提取码 提取码: hqwq
–来自百度网盘超级会员v7的分享