7.4
深览指数
产品人人都是产品经理·Ten··AI 生成
从需求到成品：一个 AI 产品经理的面试训练工具诞生记
一位 AI 产品经理在求职中因市面面试辅导工具不够精准，使用 DeepSeek API + React 纯前端技术，3 天自建了一款 AI 面试训练工具。文章详细记录了从痛点挖掘、产品定义（非题库而是对话引擎、严苛型反馈、建立边界感）、五个核心功能模块（四种面试模式、个人档案系统、每题即时反馈、语音通话、进度追踪）到技术实现与踩坑的全过程。核心设计决策在于将一次性的长对话复盘重构为每题即时反馈，并利用浏览器本地存储实现零服务器成本和隐私保护。适合正在求职或研究 AI 产品设计与开发逻辑的读者，可从中获取具体的功能取舍与技术实现思路。
核心观点
- ▍市面上的面试辅导工具不够懂自己，核心问题在于它们是题库而非对话引擎，无法理解用户说了什么并给予针对性反馈。
- ▍做出一个有效的面试训练工具，关键在于三个设计原则：不是题库而是对话引擎、提供严苛型而非鼓励型反馈、帮助用户识别面试中不应回答的越界问题以建立边界感。
- 01通过访谈十几位同行加上自身面试经历，提炼出四个 AI PM 求职者共性痛点：JD与面试内容不一致、候选人不知如何展示跨界能力、面试官追问方向难预测、现有辅导工具反馈太敷衍。
- 02产品定义阶段明确功能边界：模拟面试对话、每题即时反馈、语音输入、个人档案记忆、进度追踪是核心；而多用户系统、云端存储、固定题库、视频面试则明确不做。
- 03产品提供四种面试模式（HR/业务/技术/交叉面），每种配有独立的 AI 人设和追问策略，并支持粘贴目标岗位 JD 自动生成面试题。
- 04个人档案系统是核心设计：用户可结构化填入基本信息、项目详情等字段，这些内容自动注入每场面试的 system prompt，使 AI 从一开始就熟悉用户背景。
- 05第一版一次复盘长对话失败（DeepSeek 注意力衰减、反馈延迟导致错误固化），第二版重构为每题即时反馈，单次处理文本缩短，准确率显著提升，并提供绿（肯定）/红（问题）/蓝（建议）三色格式化反馈。
- 06技术架构极简：纯前端静态页面 + API 调用，约 2,000 行代码，28 个文件，所有数据存储在浏览器本地 localStorage，零服务器成本，部署于 GitHub Pages。
- 07单场 5 轮面试的 DeepSeek Chat API 成本约 ¥0.03-0.05，隐私方面零数据采集，所有个人信息仅存用户本地。
反方 / 局限
- — 文章承认面试训练工具的核心价值在于 AI 的「听懂」能力，但并未讨论当用户回答含混、偏题或逻辑混乱时，AI 的判别准确率如何；也未提及面对非 AI PM 岗位或更复杂面试场景时，该工具的泛化能力如何。
- — 文章明确「不是题库」，但用户仍需依赖文本对话进行训练；对于口语表达中语速、语调、情绪等非语言维度的表现，该工具无法评估，这可能限制了其对表达能力的深层训练效果。
DeepSeek APIReactWeb Speech APIlocalStorageGitHub Pages人人都是产品经理AI 产品经理
8 分钟 · 4 卡片 · 9 资料
读原文 →