通用备考会把好几个小时砸在你根本不会被问到的题上。好的预判 Prompt 能从「所有行为题」窄到「这家公司、这个 panel、这个级别最可能问的那 8 题」，让你的时间花在真正出分的地方。
一句话总结
- 预判 Prompt 只有在你喂进具体信息时才有用：JD 原文、你的真实背景、公司的公开招聘信号、你面的级别。
- 做公司/面试官的实时调研时，要选带联网能力的模型。截至 2026 年 6 月，Gemini 3.1 Pro 的原生 Google 搜索接地最紧、ChatGPT（GPT-5.5） 让它联网就能搜得不错、Claude Opus 4.7 长文档推理最强但要开了联网工具才会搜。
- 把下面 12 个模板当成一条流水线用：先预测题集，再按 panel 拆分，补完覆盖缺口，最后再写答案。
- 预测出的题目清单一定要用真实来源核对（Glassdoor 的面试 tab、Levels.fyi）。模型看不到的公司细节，它会编。
适合哪些人
准备时间紧的候选人、进入陌生面试文化的转行者，以及被通用 100 题刷烦、而那些题 panel 根本问不到的人。
这套 Prompt 是用来窄化高概率题集的，不替代你对仍需覆盖的内容做深度准备——预判是聚焦工具，不是绕过基本功的捷径。
这些模板该跑在哪个模型上（2026 年 6 月）
预测质量几乎完全取决于模型能不能看到当下、具体到这家公司的信号。按岗位选模型：
| 模型（套餐） | 原生联网调研 | 最适合 | 备注 |
|---|---|---|---|
| Gemini 3.1 Pro（Google AI Pro，$19.99/月） | 原生 Google 搜索接地 | 公司/面试官实时调研；近期新闻、发布、Glassdoor 页面 | 1M token 上下文；带引用 |
| ChatGPT GPT-5.5（Plus，$20/月） | 让它搜才搜 | 写答案与角色扮演；快速改写 | Plus 应用内上下文约 320 页；完整 1M 仅限 $200 Pro |
| Claude Opus 4.7（Max）/ Sonnet 4.6（Pro，$20/月） | 开了联网才搜 | 一次性读完长 JD + 你的整份简历做推理 | 标准 1M token 上下文；Pro 捆绑 Claude Code + Cowork |
实用打法：把调研类模板（3、4、10）放在 Gemini 上跑，拿到新鲜接地的结果；再把这些发现贴进 Claude 或 ChatGPT 跑写作类模板，保持同一套语气。绝不要让任何模型断言它没从你给的链接里取到的面试官细节——编造的人名和头衔就是从这儿钻进来的。
Prompt 结构：六个要素
每个预判 Prompt 都要带这六样。少一样，输出就开始飘向泛泛：
- 角色——指明 AI 扮演谁：候选人、HM、recruiter、bar raiser。
- 上下文——目标岗位、公司、级别、你的背景。
- 目标——一个交付物：题目清单、话术、答案、覆盖计划。
- 限制——数量、禁用短语、必含事实。
- 语气——自信 / 好奇 / 克制；2-3 个锚定。
- 示例——贴 1-2 段你过往的答案，让它学你的语气。
这套能预测得准的方向
- 按特定 JD 校准的行为题集
- 按领域划分的技术 / case 题型形状
- 从公开信号读出的面试官倾向
- 终轮 panel 拆分
- recruiter 通话的话题清单
12 个可直接复制的 Prompt 模板
跑之前把你的真实信息填进每个 [占位符]。模板写成与模型无关；调研类的先开联网。
1. JD 驱动题集
JD: [粘贴完整职位描述]. My background: [粘贴 5-8 条要点或简历摘要]. Predict the 10 most likely behavioural questions for this role. For each: why this question (which JD line triggered it), what story I'd tell, and the gap I should prepare for.填入： JD 原文、你的背景
2. 按级别校准
Role level: [IC4 / IC5 / Staff / EM / Director]. Predict 8 questions that probe THIS level: scope, ambiguity, cross-team influence, mentorship, prioritisation under constraint. Skip IC-coding questions for an EM role.填入： 级别
3. 公司文化预判（开联网跑）
Company: [name]. Search their careers/hiring page, engineering or interview blog, and recent Glassdoor interview reviews. Identify their distinctive interview style (e.g., Amazon Leadership Principles, Stripe writing exercise, Netflix culture-deck values). Output 6 likely culture-driven questions and cite the source for each.填入： 公司名
4. 面试官公开信号读取（开联网跑）
Interviewer: [name]. Their LinkedIn summary: [paste]. Their public talks / posts: [paste links or text]. Using only this public-facing signal, predict their go-to questions and which of my stories would resonate. Do not infer private details; flag anything you're guessing.填入： 姓名、LinkedIn 摘要、公开材料
5. 终轮 panel 拆分
Final round: 4 panels — Bar Raiser, Hiring Manager, Skip-level, Cross-functional. For each panel: 2 questions they're likely to ask and the one story I should lead with. Don't prep a single story for all four; segment by panel.6. recruiter 通话题集
For a 30-minute recruiter screen, predict 8 likely topics: brief background, motivation, comp expectations, notice period, location, remote / on-site, deal-breakers, next steps. Draft a 30-second answer for each.7. 「为什么离开」预判
I'm leaving [current company]. Predict 3 variants of this question they'll ask and 3 ways to answer without trash-talking. One answer should be the "boring true" version.填入： 当前公司
8. 行为题分类排序
Standard behavioural buckets: leadership, conflict, failure, growth, influence, decision under uncertainty, ambiguity, prioritisation. For my background [paste], rank these by likely interview frequency for this role. Prep the 4 most likely first.填入： 你的背景
9. 从拒信反推
I was rejected from a similar role last quarter. Feedback: [paste]. Predict which question types likely surfaced the gap, and prep specifically for those next time.填入： 反馈内容
10. 临场前一周刷新（开联网跑）
Interview tomorrow at [company]. Give me a 30-minute refresh: (1) the 5 most likely questions, (2) one phrase to anchor each opening, (3) the one thing NOT to do, (4) what to read about the company in the morning — check for any news or product launches in the past week.填入： 公司名
11. 跨职能埋伏题
Cross-functional panel (e.g., a PM interviewing an engineer, or vice versa). Predict 5 ambush questions: how do you collaborate with X, how would you handle Y trade-off, what do you wish Z roles understood?12. 故事覆盖审计
I've prepped [number] stories: [list them]. Map each to interview question types. Identify gaps: which likely question would have no story to tell? Prep that gap before anything else.填入： 故事数量与清单
容易踩的坑
- 没具体上下文。 不给公司、岗位、级别，输出就泛泛且没用。
- 让模型「诚实」却不给真实经历。 它会替一个素未谋面的候选人编故事。
- 所有公司复用一个答案。 招聘委员会会互通信息，回收的故事一眼就露。
- 没语气锚。 答案读着平、可互换。
- 不核对事实。 AI 会编日期、人数、头衔。任何公司细节都要回源核对。
- 初稿当终稿。 初稿一股 AI 味，要用自己的话重写。
- 没 peer 或 mentor 看一遍。 预测出的题集只是假设，在岗的人能帮你确认。
怎么把结果做得更深
- 贴真实的过往答案，把模型锚到你的语气，而不是一个通用候选人。
- 先让模型扮面试官来盘你；高压下弱答案会自己暴露。
- 写三版，发第三版。
- 每个答案念出来——任何你磕巴的地方都得重写。
- 留一个个人话术库，存过往真正打动人的表达。
- 让一个当前在岗的 peer 帮你压测预测清单。
- 练习掐时间。疲劳只会让你的临场更差，不会更好。
FAQ
- recruiter 看得出答案是 AI 写的吗？ 当它泛泛、过度打磨时看得出。具体的数字、人名、一个真实故事就是解药——而这些恰恰是模型替你编不出来的。
- 一场面试研究多深算够？ 重要轮次大约 60-90 分钟。再多回报递减很快，剩下的时间拿去练交付。
- 公司实时调研该用哪个模型？ 截至 2026 年 6 月，Gemini 3.1 Pro（Google AI Pro，$19.99/月）的原生 Google 搜索接地对新鲜的公司页面和评价最干净。ChatGPT 和 Claude 也能联网，但通常得你叫它去搜。
- 什么时候开始查薪资？ 投简历之前。Offer 来了才开始议价就太弱了。技术岗用 Levels.fyi 查薪酬，并交叉 2-3 个源。
- Levels.fyi / Glassdoor 的数字可靠吗？ 当 baseline 用，但要留心样本小会偏。报区间前先交叉 2-3 个源。
- 准备笔记怎么组织？ 每家公司一个 doc：research、要反问的问题、你哪个故事对应哪道预测题。
- 终轮前研究要刷多勤？ 当天再快扫一遍——公司上周的新闻或产品发布都可能变成现场题。