任务场景
你的 STAR 故事已经打磨过了。但面试一到”那个 trade-off 再细讲讲”就崩。面试不是讲故事比赛，是追问的连击——你该准备的是第三、第四个问题，不是第一个。AI 在这里靠谱，是因为它读过足够多的面试记录，知道资深面试官在显而易见的答案之后会去哪。
哪些情况适合让 AI 来做，哪些情况不要
AI 善于生成排序追问、深度探针、并指出你故事里”挥手而过”的位置（没数字、没 trade-off、没解释决策）。但它不擅长公司 / 文化特定的追问（Amazon Bar Raiser 的问法和 Stripe 的不一样）。把你能拿到的 2-3 份该公司面试报告一起喂给它，让通用追问 + 公司风格混搭。
需要给 AI 的输入信息
- 你的 STAR 故事 4-6 行（S / T / A / R）
- 岗位和职级
- 公司 + 已知面试风格（Bar Raiser、行为面试小组、有评分卡）
- 你故事里最弱的点——最不确定的位置
- 每个追问的回答时长（30 / 60 / 90 秒）
- 是否多轮，后面几轮通常追问更量化
可直接复制的 Prompt
为我的 STAR 故事出排序追问。
岗位 / 职级：<line>
公司 + 面试风格：<line>
STAR 故事（4-6 行）：
"""
<paste>
"""
我最弱的位置：<line>
每个追问回答时长：<30 / 60 / 90 秒>
请输出：
1. 5 个追问，按深度排序（1 = 表层、5 = trade-off / 反事实）
2. 每条给一段 30 秒回答骨架（S-T-A-R 压缩）
3. "挥手而过"探测——故事里缺数字 / 缺 trade-off / 缺决策理由的位置
4. 2 个针对上面公司风格的追问
5. 最可能戳穿我的那条追问——并告诉我该准备什么证据技术面试：“再加 3 个’你会怎么做不一样’的反事实——面试官超爱问这种。“
建议让 AI 输出成什么样
5 个排序追问 + 回答骨架，“挥手而过” callout，2 个公司专属追问。“最可能戳穿我”那一条是练习首选。
怎么判断 AI 给的结果能不能直接用
- 每个追问真的比原故事更深，不是换个说法
- “挥手而过”指向真实 gap
- 公司专属追问对得上评分卡
- 回答骨架念出来卡时间窗
- “最可能戳穿我”读着不舒服——这才是练的对象
容易踩的坑
- 只练原故事——追问区才是面试死亡区
- 回答太长——30 秒够用，面试官会打断
- 把回答背逐字稿——听起来生硬
- 跳过 trade-off 探针——它比”赢”更能展示资历
- 没准备”反事实”——面试官会问每个人
实操加深
做「用 AI 预测 STAR 追问：把面试第三、第四问也准备好」这类任务时，AI 输出质量主要取决于输入包是否完整。至少给它受众、原始材料、目标格式、你要做的决策，以及一好一坏两个参考。第一轮先要求保留事实，第二轮再优化结构、语气或表达，不要让模型一边猜事实一边润色。
拿到结果后单独做一次复核：有没有遗漏限制、编造细节、行动项不清、语气和真实场景不符。最终稿最好能马上使用，包含明确对象、下一步和判断标准，而不是还需要别人重新解释一遍。
FAQ
- 每个故事准备几个追问？ 5 个最优。再多就是背书。
- 先准备追问还是先准备故事？ 先追问。知道会被追什么会改变你讲原故事的方式。
- 假设性问题怎么办？ 另一套。STAR 是过去行为；假设性单开练习。
相关
- STAR 面试回答 ——准备原故事
- 模拟面试 AI ——完整模拟含追问
- 行为面试问题 Prompt ——预测第一问
- 行为面试故事挖掘 Prompt ——挖出你忘了的故事
- 自我介绍 ——开场 60 秒
- AI 简历写作 ——简历减轻追问压力