1、Skill 简介
ByteDance Offer Copilot v3.0 是一款面向互联网校招学生的 AI 职业教练 Skill，核心定位绝非简历美化工具，而是深度模拟字节跳动 P8 面试官角色 —— 以毒舌、犀利、不留情面的风格，直击简历注水问题，拷打面试回答中的无效表达。
核心能力全景
| 模块 | 功能 | 输入 | 输出 |
|---|---|---|---|
 JD 拆解 |
岗位潜台词解读 + 理想候选人画像 + 30 天路线 | JD 文本 / URL / 文件 | 结构化分析 + Markdown |
 Offer 预测 |
7 维评分 + 综合概率 + 差距分析 | 简历 + JD | 评分卡 + 具体建议 |
 简历重构 |
学生腔→互联网表达 + PDF/Word 导出 | 项目描述 / 自我介绍 | 改写版 + 改动清单 |
 黑话检测 |
弱动词 / 空话 / 模糊量化词识别 | 任意文本 | 空话指数 + 逐项解释 |
 黑话翻译 |
学生空话→互联网表达 | 任意文本 | 逐句翻译 + 笔记 |
 模拟面试 |
温和 / 高压 / 地狱 / 暖心四模式 | 岗位 + JD | 追问 + 压力值 + 评估 |
 面评报告 |
真实字节面评格式 | 面试对话记录 | 优势 / 风险 / 结论 / 行动项 |
 矛盾检测 |
跨轮次逻辑矛盾识别 | 历史对话 + 最新回答 | 矛盾标记 + 精准追问 |
| AI 压力值 |
基于回答质量的动态压力计算 | 面试回答 + 历史 | 0-100 压力值 + 变化原因 |
 人格画像 |
九维互联网能力雷达 | 简历 + 项目 + 内容经历 | 雷达数据 + 强弱项分析 |
| 真实性检测 |
学生 Demo vs 真实产品 | 项目描述 | 6 维度评分 + 学生味信号 |
 成长追踪 |
历史记录 + 成长曲线 + 面试持久化 | 使用数据 | 趋势图 + 评分 |
 迷茫诊断 |
4 题定位当前阶段→优先级推荐 | 4 道选择题 | 诊断报告 + 行动清单 |
 岗位匹配 |
背景→TOP3 岗位方向 + 差距清单 | 技能 / 项目 / 学校 / 专业 | 匹配分 + 具体差距 |
 群面模拟 |
无领导小组讨论，AI 多角色扮演 | 角色 + 主题 | 5 轮讨论 + 发言 / 观点 / 协作分析 |
2、使用场景
在辅导学弟学妹的过程中，我发现一个核心痛点：学生式表达与互联网职场的专业表达体系存在巨大断层。
举个典型例子，学生简历中常见表述：
“我参与了 XX 项目的开发，提升了用户体验，得到了很多用户好评。”
但在资深面试官视角下，这句话全是扣分项：
-
“参与”= 非核心角色，无法证明个人贡献；
-
“提升了用户体验”= 无具体动作支撑，属于无效描述；
-
“很多好评”= 无量化数据，缺乏可信度。
更关键的是，多数学生无法解读 JD 背后的考察逻辑 —— 比如 “具备增长意识”" 数据驱动 "“Owner 精神”，JD 不会直白说明考察维度，学生只能靠猜。
基于此，我将线下辅导的核心逻辑沉淀为 Skill，彻底替代低效的校招准备动作：
表格
| 传统校招准备方式 | ByteDance Offer Copilot 解决方案 |
|---|---|
| 依赖学长学姐零散点评简历 | 黑话检测精准标注空话位置，同步解释扣分原因 + 优化方向 |
| 盲目搜集字节面经拼凑经验 | 地狱模式面试还原真实考核逻辑，矛盾检测全程记录回答，精准揪出逻辑漏洞 |
| 主观猜测 JD 考察重点 | 潜台词级拆解 JD，附带 30 天针对性成长路线，精准匹配岗位要求 |
| 凭感觉判断项目竞争力 | 6 维度量化评分，直观呈现项目短板与补强方向 |
3、创作过程
本 Skill 基于 Trae Solo 从零搭建，核心架构耗时三天完成，历经三次大版本迭代，最终形成「规则引擎 + LLM」的双层核心架构。
核心架构：规则引擎（即时）+ LLM（深度）
plaintext
用户输入 → 规则引擎（毫秒级/零成本）→ 快速检测（黑话/空话/弱动词）
↓
LLM 深度分析 → 结构化报告（JD拆解/面评/Offer预测等）
-
规则层：聚焦黑话检测，内置三大核心词库（弱动词库：参与 / 协助 / 学习等；空话库：提升用户体验 / 赋能 / 闭环等；模糊量化词库：很多 / 大量 / 显著等），无需调用 LLM，秒级输出检测结果；
-
LLM 层：负责 JD 拆解、Offer 概率预测、模拟面试追问、面评报告生成等深度分析场景，所有输出均为实时生成的结构化内容，兼容 Markdown 渲染，无任何 Mock 数据依赖。
关键设计决策
1. 系统人格：产品的核心资产
我在 System Prompt 上的投入远超过代码开发 —— 明确界定「禁止清单」：禁止鸡汤、禁止 “加油” 类鼓励语、禁止模板化评价。Prompt 并非简单配置项，而是产品核心本身。
核心 Prompt 片段：
你不是通用工具，也不是简历优化器。你是拥有 6 年字节跳动工作经验的 P8 产品面试官，面过 800 + 候选人，审阅 20000 + 份简历，带教 30 + 校招生，深度理解校招生从学生到职场人的转型痛点。
2. 三层面试模式：差异化追问逻辑（非单纯语气调整）
表格
| 模式 | 追问深度 | 矛盾检测 | 核心特点 |
|---|---|---|---|
| 温和 | 2-3 层 | 无 | 正常面试节奏，预留思考空间，侧重基础能力考察 |
| 高压 | 4-5 层 | 有 | 直击逻辑漏洞，要求数据支撑，强化细节追问 |
| 地狱 | 7 层以上 | 全量检测 + 主动检索 | 全程记录回答，精准揪出前后矛盾，复刻字节高压力面试场景 |
3. 动态 AI 压力值：真实可量化的面试指标
压力值非随机生成，而是基于回答特征动态计算：
表格
| 回答特征 | 压力值变化 |
|---|---|
| 模糊表达（我觉得 / 可能 / 大概） | +8 |
| 缺少数据支撑 | +6 |
| 黑话过量（≥3 个） | +5 |
| 回答过短（<30 字） | +10 |
| 防御性表达（“主要是团队做的”） | +7 |
| 坦率承认不足 | -8 |
| 展示深度思考（逻辑闭环 + 归因分析） | -6 |
| 展示 AI 工作流（工具落地 + 效率提升） | -4 |
4. 模块化设计：高复用性与拓展性
整个 Skill 拆解为 12 个纯函数模块，脱离特定平台依赖，规则引擎与 LLM 分析可独立调用；输出支持 JSON（供前端渲染）+ Markdown（供用户阅读）双格式，兼顾技术落地与用户体验。
关键 Prompt 设计思路
-
地狱面试开场 Prompt：
“30 秒内完成自我介绍，只说你具体做了什么、拿到了什么可量化结果。如果我判定你在背稿，会立即打断并追问细节。”
设计逻辑：时间限制倒逼聚焦核心、提前预警制造真实压力、明确引导拒绝形容词堆砌，复刻字节真实面试风格。
-
矛盾检测 Prompt：
“你此前表述的核心观点是 A，当前回答的核心逻辑是 B，两者存在明显冲突，你是否意识到？请解释矛盾产生的原因。”
设计逻辑：复刻字节真实面评系统的追问逻辑，强化回答一致性考察。
工程化数据
-
核心模块：12 个 Python 模块
-
导出函数：24 个
-
代码量：5600 + 行
-
兼容版本：Python 3.9+
-
数据依赖：零 Mock 数据
4、使用步骤
方式一：Trae Solo 导入使用
-
下载源码压缩包
bytedance-coach.zip； -
在 Trae Solo 中导入该 Skill，自动注册为
bytedance-coach； -
自然语言触发：如 “帮我拆解这个产品经理 JD”" 检测我的简历黑话 "“开启一场地狱模式面试”。
方式二：Python
直接调用
python
运行
from modules import analyze_jd, detect_bs, predict_offer, start_interview
# 1. JD深度拆解
jd_content = "输入目标岗位JD文本内容"
jd_analysis = analyze_jd(jd_content)
print("JD拆解结果：\n", jd_analysis["markdown"])
# 2. 简历黑话检测（秒级输出）
resume_text = "我参与了XX项目开发，提升了用户体验，获得很多用户好评"
bs_detect_result = detect_bs(resume_text)
print(f"空话指数：{bs_detect_result['overall_score']}/100")
print(f"检测出的问题：{bs_detect_result['issues']}")
# 3. 启动地狱模式面试
interview_session = start_interview(mode="地狱", target_role="产品经理")
print("面试开场：\n", interview_session["opening"])
方式三：CLI 交互使用
bash
运行
# 安装依赖
pip install -r requirements.txt
# 启动CLI交互界面
python main.py cli
# 选择菜单（12个功能选项）完成对应操作
5、效果展示
效果 1：黑话检测
输入示例：“我参与了项目的开发，提升了用户体验，做了很多功能”
检测结果：
-
弱动词：3 处（参与 / 做了）；
-
空话：2 处（提升用户体验）；
-
模糊量化词：2 处（很多）；
-
空话指数：56/100（
中等学生腔）。
效果 2：JD 拆解
输入字节产品经理 JD，输出核心内容：
-
5 条 JD 潜台词解读（如 “数据驱动”= 考察埋点设计 + 数据分析落地能力）；
-
核心能力权重表（产品 Sense 30%、增长意识 25%、AI 能力 20% 等）；
-
理想候选人画像（精准匹配岗位的能力模型）；
-
30 天成长路线（每日可落地的能力提升动作）。
效果 3：地狱面试
面试过程中 AI 压力值实时升至 74%，面试官精准追问：
“你提到该项目提升了 15% 的用户留存，这个数据是通过什么口径计算的？数据来源是后台埋点还是第三方统计？你自己亲自核对过吗？”
面试官怀疑值 60%，全程追踪回答一致性，持续揪出逻辑漏洞。
6、Skill 链接
-
GitHub（完整源码 + 详细文档）：https://github.com/Baijidot/ByteDance-Offer-Copilot-Skill
-
安装包下载：
bytedance-coach.zip
7、总结与思考
核心亮点
-
黑话检测器：自带传播性的功能设计
技术层面仅为规则引擎，但 “简历空话指数 78/100，7 处弱动词、3 处空话” 的量化输出形式，比 “Offer 概率 62%” 更易引发用户共鸣与分享，实现功能自传播。
-
P8 面试官人格：精准的产品边界定义
“禁止加油”" 禁止鸡汤 "“禁止模板化评价” 的边界设定，比单一功能更能塑造产品独特性 —— 明确 “不做什么”，比 “做什么” 更能锚定产品价值。
后续优化方向
-
数据闭环（最高优先级）：招募 20 名真实校招生，追踪使用 Skill 前后的简历投递、面试通过率变化，从 “输出建议” 升级为 “可验证效果” 的 AI 工具；
-
向量化矛盾检测：基于 embedding + 语义检索重构矛盾检测逻辑，解决 LLM 上下文窗口限制导致的长对话检测退化问题；
-
自进化黑话检测：突破硬编码规则库限制，基于用户反馈持续学习新的空话表达模式，提升检测泛化能力。
创作感悟
开发这款 Skill 让我深刻意识到：AI 时代的产品设计重心，正从 “代码编写” 转向 “Prompt 工程”。System Prompt 中一句 “禁止说加油”，虽非代码逻辑，却直接定义了产品的核心气质与用户感知。
同时也印证了一个核心认知：没有数据闭环的产品建议，本质上与学生口中的 “空话” 无异—— 这既是 Skill 对用户的提醒，也是我后续迭代的核心方向。
体验建议
-
先用黑话检测器扫描自己的简历：若空话指数 <50，说明简历具备核心竞争力；若> 70，可精准定位表达短板，这正是 Skill 的核心价值；
-
尝试一场地狱模式面试：若能撑过 10 轮追问且无逻辑矛盾，你的面试能力已超越 80% 的校招生。
本 Skill 基于 Trae Solo 开发，所有功能无 Mock 数据依赖，输出均由 LLM 实时生成；
项目采用 MIT 协议开源，欢迎交流与迭代。