任务场景
4 天后有一场行为面试。上一轮的咖啡聊得不错；recruiter 说之后会是”标准行为面 + 一些角色场景”。你打开笔记本准备，发现大部分故事讲出来都像 JD 句子：“我 lead 了那次发布，跨职能协作。“这种说法信号是零——每个候选人都这么讲。STAR 框架（Situation / Task / Action / Result）是标准答法，但很多人机械填槽，输出 4 分钟独白，第三句话面试官就走神了。你要 3 段 STAR——团队协作、难题、失败——每段约 180 字，节奏像真对话，加上你真的会被追问的那几个问题。
什么时候适合让 AI 来做
AI 擅长把零散经历套进 Situation / Task / Action / Result，把 5 分钟漫游记忆压成 180 字聚焦表达，并基于每段答案生成面试官真会追问的问题。它也擅长抓”我们 vs 我”失败模式，把你推向能展示具体动作的动词，而不是泛化的所有权。
AI 做不到：编造结果。可量化的结果（快了 30%、省 4 小时、挽回 80K）才是故事落地和飘走的分界线；只有你能提供。AI 也分不清你的某个故事是”晋升信号”还是”合格 IC 信号”——这要看你面的那个角色和级别的 rubric。
常见失败模式：AI 倾向于输出”对称的 STAR”——四段等长、每个细节等权重。真实对话的 STAR 重心严重偏 Action（占 60% 时长）；Situation 和 Task 只是铺垫，Result 是收。要明说。
需要先给 AI 的信息
- 你想要的 3 类（团队 / 沟通、难题、失败是标准三件套；有的 loop 加领导力、冲突、模糊性）
- 1-3 个真实项目：1-3 句背景、你具体职责、你做过的 3-5 件具体事、真实结果（有数字最好）
- 你面的角色和 Level——同一故事面 IC 和面 manager 的动词不同
- 公司公开的价值观或面试 rubric（如有）
- 一句话”你最希望面试官记得你的”
- 你过去面试已经讲得不错的 1-2 个故事（让模型知道你的声音）
- 你反复踩的坑——“太谦虚”、“太我中心”、“Result 收不住”——让模型补偿
- 现场 / 远程 / panel——节奏稍有不同
Step 1：把素材准备好
不要只丢一句”我以前做过 XX 项目”。请准备：
- 项目背景，1-3 句。
- 你的具体职责。
- 你做过的 3-5 件具体事情。
- 项目结果（用户、收入、上线时间、节省时间……）。
可直接复制的 Prompt
你是一名资深面试官，也擅长帮人讲故事。
把我下面的经历整理成 3 段 STAR 回答，分别覆盖：
1）团队协作 / 沟通
2）解决技术或业务难题
3）失败或挫折的教训
每段 ~180 字，按 Situation / Task / Action / Result 四段，权重如下：
- Situation + Task：合计约占 25%。只够撑住 Action 落地的最小上下文。
- Action：约占 60%。动词开头。第一人称（"我"），不要"我们"。具体、可视、按顺序。
- Result：约占 15%。有数字就量化。挂到面试官在乎的事上。
语气：对话式，不像背诵。避免公司套话（"协同"、"对齐 stakeholder"）。每句不超过一个形容词。
我面的角色和 Level：{role + level}
公司价值观或 rubric（如知道）：{paste 或"不知道"}
最希望面试官记得我的那一句：{paste}
我反复踩的坑：{paste}
我的经历：
{paste 1-3 个真实项目，含背景、职责、动作、结果}
3 段答案之后，给每段预测 3 个面试官最可能的追问，并给每个追问一句话的回答方向。短版本——单段回答重写
下面是一段拖太长、面试官走神的 STAR 答案。重写到 ~150 字，权重 25/60/15 分到 Situation+Task / Action / Result，动词开头，第一人称，不要公司套话。
当前答案：{paste}输出示例
一段好用的 Action 段（失败故事）：“我那周就开了一次 30 分钟 postmortem，但议程做得很具体——不是’哪里出错了’，那种问题答案太泛——而是’告警之后你前 4 小时做了什么，一步一步讲’。这一下气氛变了。团队画完告警 routing 才发现 on-call doc 已经 8 个月没更新。我接手重写了文档，跟新的 on-call 工程师 pair 了两周，下个月跑了一次 tabletop 演练。”
一句好用的 Result：“下一次 incident，响应时间从 90 分钟降到 22 分钟。更重要的是，on-call 不再被当成惩罚——我们扩 rotation 的时候有 3 个工程师主动报名，这之前从没发生过。”
一段好用的追问准备：“如果他问’你会做什么不一样’——诚实回答：我会在头 48 小时就开 postmortem，不是隔一周。延迟让故事固化下来，整场谈话感觉像追责而不是学习。“
怎么改输出
- 动词开头，删铺垫 —— “重写每段 Action，让每句以我做的那个动词开头。‘我接手重写了文档’优于’在和团队开完会之后，我接下来去主动接手了重写’。”
- Action 权重到 60% —— “复查字数。Situation + Task 合计约占答案的 25%；Action 60%；Result 15%。如果 Situation 占了 50%，那是在解释面试官不需要的背景。”
- 动作句把”我们”换”我” —— “每个动作句必须第一人称。‘我们’稀释 credit、削弱故事；只在真正共同的决策上用’我们’，动作绝不用。”
- 量化或者删 —— “每段 Result 必须有数字、对比，或者一个具体的行为变化。一项都没有，这个故事就是没完成的，不该被选进 3 段答案——去挑另一个项目。”
- 删套话 —— “删掉所有’对齐 stakeholder’、‘driving cross-functional’、‘协同’。这些是’公司腔模仿’的尾巴，不是真实经历。换成实际的动作。“
容易踩的坑
- 让 AI 编结果——量化必须真实；面试官追问一个你解释不出来的数字，loop 当场死
- “我们”代替”我”——稀释 credit、削弱故事，让面试官疑惑你到底做了什么 vs. 团队做了什么
- 四段等长——真实 STAR 偏 Action（60%）；25% 铺垫够用、15% Result 收尾
- 跳过追问准备——面试就是追问连环；主答好之后栽在追问，是 loop 失败的第二大原因
- 一字一句背——答案是对话节奏，不是背诵；练拍子，不练句子
- 同一故事用在多个问题上——面试官会对照笔记；同一故事被压两次第二次就垮
- 讲”已经完美收尾”的失败——“我就是这样变得擅长 X 的”太干净；挑一个学习还在新鲜、你心里还能微微觉得”下次或许会换做法”的失败
- 口播超过 3 分钟——超过 3 分钟没被打断，多数面试官走神；每段瞄 90-120 秒，预留追问把你拉长
FAQ
- STAR 口播应该多长？ —— 主答 90-120 秒。追问交流会把它扩到约 3 分钟总长。超过 3 分钟没被打断就是独白，面试官走神。
- 要不要一字一句背？ —— 不要。背拍子（1 句 Situation、2 句 Task、3-4 个 Action、1 句带数字的 Result）。然后练 3 种不同讲法。一字背听起来像复述，会触发面试官的”这不是他自然的声音”警报。
- 预测不到的行为面题怎么办？ —— 多数行为面题映射到 5 个底层类别：团队、冲突、模糊、失败、领导力 / 主动性。准备 5-7 个跨类故事，临场什么问题都能套。
- 模型一直写”我们”怎么办？ —— Prompt 里加：“每个动作句必须用第一人称’我’。‘我们’只留给真正共同的决策。每一稿之后扫一遍’我们’，把用到的动作句重写。“再跑一次。
- STAR 准备要用面试语言吗？ —— 是——英语面试用英语准备，中文面试用中文准备。临场翻译是 200ms 的税，会复合成卡壳。追问准备同理。
注意点
- 不要让 AI 凭空补”假成绩”。事实层面只能由你提供。
- 量化优先：100% / 提升 30% / 节省 5 小时——比”显著提升”更可信。
- 故事中”我”占主语，不要用”我们”模糊责任。
总结
AI 帮你做的不是”代写”，而是”结构化”。面试时讲故事最难的不是有故事，是把故事讲得短、清楚、有画面感，并且为真正决定 loop 走向的追问练过——这一步 AI 真的能加速你。