duck.ai可基于简历、jd和岗位逻辑生成靶向面试题并优化回答：先输入jd与角色指令生成三类问题，再用star结构重写答案并校验事实模糊点，全程高还原、低成本、免语音。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
你需要在正式面试前获得高强度、高还原度的实战演练，但又受限于时间、成本或临场紧张，无法反复约真人模拟——Duck.ai能基于你的真实简历、目标JD和岗位业务逻辑，生成高匹配度问题并逐条优化回答质量，不依赖语音交互也能完成深度准备。
用Duck.ai生成靶向面试题库
第一步：在Duck.ai输入框中粘贴完整JD文本，开头加一句角色指令：“你是一位专注TMT领域招聘8年的资深HRBP，请基于该JD生成10道高频面试题。”
第二步：在JD后另起一行，补充约束条件：“问题必须覆盖行为类（STAR）、情景类（‘如果客户拒绝上线怎么办’）、技术深挖类（‘解释AB测试中p值失效的3种场景’）三类；禁止出现‘你有什么优点’等泛化提问。”
第三步：点击生成后，检查问题是否全部锚定JD原文动词——例如JD写“主导用户增长策略”，问题就该是“请描述你主导过的一次用户增长策略落地过程”，而非“你做过增长相关工作吗”。【若发现泛化问题，说明模型未识别JD动词，需重新提交并强调‘严格提取JD中所有动词短语作为问题主干’】
用Duck.ai重写回答为STAR结构
方法一：直接粘贴原始回答+指令
把你在模拟中说过的原话复制进去，接上：“请将以下回答严格按STAR结构重写，每部分用【S】【T】【A】【R】标注，其中R必须含可量化结果（如‘留存率提升17%’），若原回答无数据，按行业合理范围补入并标注‘需现场确认实际值’。”
一款AI工具，主要用于生成可直接复制粘贴的 Bash 脚本，用于 Ralph Wiggum/AI 代理循环（Codex、Claude Code、OpenCode、Goose）。适用于“拉尔夫循环”“Ralph Wiggum 循环”或 AI 循环请求，依据 PROMPT.md、AGENTS.md、SPECS、IMPLEMENTATION_PLAN.md 进行计划/构建，包含计划与构建模式、背压、沙箱及完成条件，适合需要提升相关任务效率的用户。
方法二：分段锁定式重构
先让Duck.ai提取你回答中的核心动词（如“推动”“搭建”“优化”），再对每个动词单独发起新对话：“针对‘推动跨部门协作’这一动作，请生成3个不同复杂度的STAR案例，分别适配初级/中级/高级岗位要求。”
用Duck.ai做答案可信度校验
将优化后的STAR回答粘贴进新对话框，输入：“请逐条指出该回答中3处可能被面试官质疑的事实模糊点，例如：未说明具体协作部门名称、未定义‘显著提升’的基准线、未交代AB测试样本量。每条标注对应STAR模块编号。”
这一步操作起来很简单，直接把文字拖进去就行。Duck.ai会自动定位逻辑断层，比如在【A】行动部分写“通过埋点分析发现问题”，却不说明用了神策还是自研系统——这种缺失会让技术岗面试官立刻追问。
确认所有模糊点都被标出后，在原回答对应位置插入具体信息，例如把“埋点分析”改为“基于神策v3.2.1的漏斗分析模块，追踪iOS端注册-支付路径7日数据”。
