面试复盘系统
一套将面试对话转化为结构化知识资产的完整工作流，核心是用AI（Claude）做三轮独立分析，在40分钟内完成从录音到题库归档的全流程，避免”面完就忘”的低效循环。
简介
面试复盘系统是指在每次面试结束后，通过录音录屏、转文字、AI多轮分析、结构化归档和定期聚合，将单次对话转化为可积累、可检索、可复用的知识资产的完整流程。这套系统解决的核心问题是：密集面试（如半个月38场）会让人变成”驴”——48小时后只剩”那个面试官挺凶的”这种模糊感受，无法沉淀真正有价值的信息。
传统面试复盘通常是”把面试再听一遍”，但这只是重温尴尬，没有信息增量。更高效的做法是让AI站在第三方视角，告诉你哪里答崩了、面试官真正想听什么、基于你的简历正确答案应该怎么组织。关键是”不读转录原文”——1小时面试转写1.5万字，人读完要20分钟，但直接让Claude跑三轮分析，能在更短时间内提取出高价值信息。
2026-05-21-aipm-interview-workflow 详细记录了这套系统的完整实操细节，作者通过38场AI PM面试积累了154道真题库、每道题的答崩诊断和标准答案，最终获得13个offer。文章的核心洞察是：面试不是一次性问答，而是免费的、强制1小时的、对方还得说真话的行业咨询。复盘系统的价值在于把这些”咨询”沉淀成持续增长的个人知识库。
关键信息
| 维度 | 内容 |
|---|---|
| 类型 | 个人知识管理系统 |
| 核心对象 | 求职者、AI产品经理、需要密集面试的职业人 |
| 解决问题 | 面试密度高导致记忆衰减、无法识别高频题、答崩点无法定位、准备材料碎片化 |
| 关键工具 | 录音录屏（QuickTime/OBS）、转写（通义听悟）、分析（Claude）、归档（Obsidian）、可视化（本地H5） |
| 时间成本 | 单场复盘40分钟内（录音5分钟设置 + 转写自动 + Claude分析20分钟 + 归档10分钟） |
| 核心产出 | 结构化题库、答崩诊断、标准答案、高频题识别、本地H5速查工具 |
核心特性
1. 40分钟标准复盘流程
面试复盘系统的时间控制非常严格：单场面试的复盘必须在40分钟内完成，否则会因为时间成本过高而无法坚持。流程分五步：
步骤1：录屏录音设置（5分钟，首次配置）
- 线上视频面试用QuickTime或Mac自带屏幕录制
- 电话面试用手机录音 + 电脑通义听悟实时记录
- 关键坑点：Mac原生屏幕录制默认不录系统声音，只能录到自己的声音。必须装BlackHole或用OBS才能录到面试官提问
- 最佳实践：每场录音开头对着麦克风说”今天是X月X日，面试X公司X轮”，后期整理素材时这一句话能省10分钟找文件时间
步骤2：转文字（通义听悟自动，不计入人工时间）
- 录屏文件拖进通义听悟网页版，自动转写、自动区分发言人、自动出摘要
- 1小时面试转写约1.5万字
- 反直觉要点：转写出来的文本不读。读一遍要20分钟且没有信息增量，直接进下一步
步骤3：Claude三轮独立分析（约20分钟）
- 把同一份转录文本让Claude跑三轮，每轮只做一件事
- 关键：分开跑，不分开跑Claude会偷懒，三件事混在一起做，每件都做得不深
- Prompt A：提取所有问题，按类别和频率打标签，建立题库
- Prompt B：诊断答崩点，精确引用原话指出问题，基于简历给出正确答案
- Prompt C：生成可背诵的标准答案（200字内，含数据和项目细节，结尾留钩子）
步骤4：Obsidian归档（约10分钟）
- Prompt A的输出复制进题库文件，按类别分目录归档
- Prompt B的诊断和Prompt C的标准答案挂在对应题目下，标注”标准答案v2”
- 记录该题在哪场面试出现过、被问了几次
步骤5：每周聚合（识别高频题、合并同质题）
- 每周把所有Prompt A的产出汇总，让Claude再跑一次
- 找出被不同公司重复问到的题（频率≥2），标为”高频”
- 找出问法不同但本质相同的题，合并归一
- 识别弱项类别，剔除低频偏好题
2. Claude三轮Prompt设计的关键细节
Prompt A：让Claude建题库
你是一名资深AI产品经理。下面是我面试[公司名/匿名代号]的完整转录。请你完成两件事：
1. 提取面试官问的所有问题，原样列出，不要改写
2. 给每道题打两个标签
– 类别：从【AI产品认知 / 项目深挖 / 技术理解 / 数据指标 / 商业判断 / 行为面 / 价值观 / 反问】中选
– 频率推测：基于这道题的开放性和通用性，判断它在其他公司被问到的可能性高/中/低
请用表格输出。[粘贴转录文本]
这个Prompt的输出是结构化题库的原始素材。关键是让Claude”原样列出”问题，不要改写——改写会丢失面试官的表达习惯和考点线索。
Prompt B：让Claude骂我（诊断答崩点）
你是一名严格的AI产品面试官，刚刚面完我。
下面是我的简历/项目[粘贴简历/项目]，和刚才的面试完整转录[粘贴转录]。
请你针对其中我答得最差的5道题，做以下分析：
1. 我的回答里，哪一句话/哪一段是答崩的关键？精确引用原话
2. 面试官真正想听的是什么？请站在他的角度还原他的考点
3. 基于我的简历项目，正确的回答应该怎么组织？请用STAR结构
注意：不要安慰我，不要说"整体回答不错"。直接指出问题。
这个Prompt有两个关键设计：
第一个关键，必须喂简历。 不喂简历的话，Claude给的答案是网络通用模板——“你应该用STAR结构，先讲背景再讲行动”。这种废话有手就能写。喂了简历，Claude会精确指出：“你刚才那段答得不行。其实你的XX项目里有现成的例子——从48%提到61%的留存数据——但你没拿出来。你应该把这个数据当成回答的锚点，前面铺背景，后面收价值。” 这种诊断才有用。
第二个关键，不要让Claude安慰你。 “注意：不要安慰我，不要说整体回答不错。“——这一句一定要加。不加的话Claude默认温柔模式，会说”你这个回答其实挺有亮点的，但如果能再补充一些XX就更好了”。这种废话比没有还糟糕，因为它让你以为自己答得不错。要让它直接指错。“你这句答崩了。“——就要这种高效的反馈。
Prompt C：让Claude给标准答案
基于Prompt B的诊断，请把这3道题的"我应该这么答"版本，写成可背诵的回答稿。
要求：
– 每道题不超过200字
– 用第一人称
– 必须带至少1个数据
– 必须带至少1个我简历里的项目细节
– 结尾要有一个反问句或开放点，给面试官追问的钩子
最后这条”结尾留钩子”特别重要。很多人答完最后一句是”嗯，我大概就是这么做的”——句号一打，对话结束。面试官只能再憋一个问题。但如果你结尾留个钩子——“这里其实有个我自己也没想清楚的点，您怎么看？“——面试官会顺着你的钩子追问，而你已经准备好了下一段。整场面试的节奏感就出来了。
3. 本地H5可视化工具的设计逻辑
154道题在Obsidian里躺着对个人有用，但有几个痛点Obsidian解决不了：
痛点1：面试前快速翻题不够顺手
- 面试前的咖啡店里、地铁上，需要在90秒内扫过20道高频题
- Obsidian打开慢、找文件慢、跳转慢
- 需要的是一个能在15分钟内覆盖15-20道高频题、每道题花30秒过一遍标准答案的工具
痛点2：无法按”今天面的这家公司”去过滤题库
- 下午面一家做教育AI的，想看”AI产品认知 + 项目深挖 + 数据归因”这3类的高频题
- Obsidian里只能一个一个文件夹翻
解决方案：直接让Claude生成HTML文件，存在本地，浏览器打开
H5页面包含三个核心功能：
视图一：按问题类型浏览
- 154道题按14个分类折叠展开，每道题标好频率
- 想看哪类点哪类
视图二：按项目维度浏览
- 每个项目一个独立模块，里面装着完整的时序图、技术架构、关键数据解读、项目深挖问答
- 面试前根据JD快速定位应该准备哪个项目的哪些细节
顶部搜索框
- 随口想到一个关键词——“RAG”——秒定位到对应问答
H5真正改变的不是面试现场，是面试之前的那15分钟。 之前面试前15分钟是在地铁上翻Obsidian、翻简历PDF、翻聊天记录里的JD要点，手忙脚乱。有H5之后，面试前15分钟只做一件事——打开H5，按”今天这家公司可能问的类别”筛一遍高频题，每道题花30秒过一遍标准答案。15分钟覆盖15-20道高频题，进面试间的时候脑子是热的。
更重要的是：做H5的过程比H5本身更值钱。 从Claude生成HTML，到迭代视图、加交互、做搜索——整个过程逼你把所有项目、所有真题、所有答崩点结构化梳理了一遍。做H5的过程本身就是一次系统化整理。
4. 简历作为Claude的上下文语料
绝大多数人写完简历，扔进招聘软件，就忘了它的存在。但你的简历应该有第二个生命：它是你后续所有AI辅助复盘的上下文。
Claude没有你的简历，给的建议永远是网络通用模板。喂了简历，Claude才能告诉你”你这个项目里其实有现成的答案，你刚才没用上”。
这件事换一个角度看——你的简历其实是你自己的”个人知识库”的第一份语料。很多AI PM都在帮公司做RAG知识库。但极少有AI PM意识到，自己应该给自己也建一个RAG知识库。
- 你的简历是第一份语料
- 你的项目复盘文档是第二份语料
- 你的面试转录是第三份语料
- 你的Obsidian笔记是第四份语料
当这些语料喂给Claude，它就不再是一个通用助手，它变成你的个人面试教练。这个教练知道你做过什么项目、踩过什么坑、答崩过哪道题、被反复追问过哪个数据。它给的建议，比任何线下mentor都要精准，而搭这个教练的成本是0元。
5. 面试作为行业调研的心态转变
密集面试的最大价值不是拿offer，而是免费的、强制1小时的、对方还得说真话的行业咨询。
当面试密度够高（如半个月38场），“面试”这个词的含义会变。心态上，面试不再是”我被人挑”的过程，而是”我薅了38场免费行业咨询”。每天接触的这些面试官，都是离市场前沿需求最近的人。他问出口的每一个问题，背后都在告诉你当下最需要具备的能力。
例如，面到第8场时，“为什么选RAG不选微调”这道题已经被问了5次。这意味着什么？意味着这道题是行业共识，不是某家公司的偏好。所有候选人都会被问。立刻停下来打磨这道题的答案。后面30场，这道题再也没翻过车。
如果闷头准备2个月再开始面，可能要面到第40场才意识到这题这么重要。但密集面试 + 复盘系统，能在第8场就发现信号，第9-38场都是在验证和优化。
前提是得有点办法把对话沉下来。 不然两周后只记得”那个面试官好像戴眼镜”。面试复盘系统就是这个”办法”。
不同素材中的观点
- 2026-05-21-aipm-interview-workflow：这篇素材完整记录了面试复盘系统的全流程实操细节。作者半个月面38家AI产品公司（日均2-3场，最离谱一天6场），用这套系统积累了154道真题库、每道题的答崩诊断和标准答案，最终拿到13个offer。文章的三个核心贡献：① 40分钟标准复盘流程（录音5分钟 + 转写自动 + Claude分析20分钟 + 归档10分钟）；② Claude三轮Prompt设计的两个关键细节（Prompt B必须喂简历、必须加”不要安慰我”）；③ 本地H5可视化工具的真实价值是面试前15分钟地铁上快速过20道高频题让大脑”热启动”。文章金句：“简历是个人知识库的第一份语料”、“做H5的过程比H5本身更值钱”、“不要刷题，要刷被问的密度”、“面试不是终点，是Claude的输入”。
实用信息
工具清单
| 工具 | 用途 | 替代方案 |
|---|---|---|
| QuickTime / OBS | Mac录屏录音（OBS可录系统声音） | Windows自带录屏、手机录音 |
| BlackHole | Mac录系统声音（解决原生录制只能录麦克风的问题） | Loopback、Soundflower |
| 通义听悟 | 自动转写、区分发言人、出摘要 | 讯飞听见、剪映、Whisper |
| Claude | 三轮独立分析（建题库、诊断答崩点、生成标准答案） | GPT-4、文心一言（效果可能打折扣） |
| Obsidian | 题库归档、双向链接、快速检索 | Notion、Logseq、纯文件夹 |
| 本地H5 | 面试前快速过题、双视图切换、关键词搜索 | 直接用Obsidian、不做可视化 |
成本估算
- 时间成本：单场40分钟，38场约25小时（分摊到半个月，每天1.5-2小时）
- 工具成本：通义听悟免费额度够用、Claude按量付费（单场约0.5-1美元）、其他工具免费
- 总成本：38场约20-40美元 + 25小时人工时间
适用场景
- 密集面试期（如半个月10场以上）：ROI最高，能快速识别高频题和行业共识
- 转行求职（如传统PM转AI PM）：通过复盘快速补齐领域知识盲区
- 长期职业积累：把面试复盘系统变成个人知识库的一部分，每次面试都是语料增量
- 不适用场景：单次面试、面试频率很低（如一年1-2次）——复盘成本大于收益
常见问题
Q1：转写出来的文本要不要读一遍？ A：不要读。1.5万字读完要20分钟，且只是重温尴尬，没有信息增量。直接让Claude跑三轮分析，它会告诉你哪里答崩了。
Q2：为什么Claude要跑三轮，不能一次搞定？ A：分开跑，每轮只做一件事，Claude才会做得深。如果一次让它”提取问题、诊断答崩点、生成标准答案”，它会偷懒，三件事混在一起做，每件都做得不深。
Q3：Prompt B为什么必须喂简历？ A：不喂简历，Claude给的答案是网络通用模板（“你应该用STAR结构”）。喂了简历，Claude才能精确指出”你的XX项目里有现成的例子——从48%提到61%的留存数据——但你没拿出来”。
Q4：H5可视化是必须的吗？ A：不是必须，但强烈推荐。H5的核心价值是面试前15分钟快速过20道高频题让大脑”热启动”。更重要的是，做H5的过程本身就是一次系统化整理，比H5本身更值钱。
Q5：这套系统能用于其他场景吗？ A：可以。核心逻辑是”把高密度对话转化为结构化知识”，适用于任何需要持续学习和复盘的场景：销售拜访、客户访谈、技术面试、学术答辩、会议记录等。