通义千问写求职STAR法则面经的提示词

你面前坐着一位求职者，技术背景不错，但当他开始描述自己解决过的最复杂bug时，描述变得模糊、拖沓，甚至开始讲团队怎么开会、领导怎么支持、大家如何其心协力——面试官开始皱眉，因为满嘴都是"我们"和"主动"，就是没有你。典型的STAR回答，做不到位就成了套路模板。

通义千问等大模型其实非常适合生成精准的STAR面经，关键是指示词怎么写。要是你写得模糊，它回你一段无关痛痒大而化之的东西；要是你写对了，它能帮你拆出面试官想听的细节。

先定角色这个事，一定要在对话一开始就做。直接在对话框里写清楚：“你是一位有5年HR面试官经验的职场教练，正在帮应聘者打磨

的STAR面经。”别让模型猜，也没必要客套，第一句就定住身份。很多人的提示词没前置这个角色判定，模型默认是助手的口吻，写出来的东西像辅导书模板，面试官一眼就看出是背过的。

强制锁定STAR框架的四个点位

角色说清楚之后直接给出结构要求，一句都不能少：“请严格按以下结构组织每条回答：

用1句话交代背景，含时间、团队规模、业务目标；用1句话说明你被赋予的具体职责；分3个带动词的短句，只写你本人做的动作，不写团队成果；用可量化的数据收尾，像‘提效40%’、‘缩短2天’、‘通过率从65%升至92%’这类。”数据是硬通货，没有数据的STAR只能算流水账。

同时要加一个关键前提，否则模型会自由发挥：每条回答都必须基于真实岗位JD中的某项能力要求。比如说“处理高并发客诉”、“从0到1搭建流程”、“跨部门协作”——能力标签越具体，模型生成出来的东西越像面试官想听的。

注入动词、工具、反例，三管齐下

模型天生爱用“我积极沟通”“我认真负责”这种形容词大合集，你得在指令里掐死这种写法。有两个方法可以混着用。方法一：直接加一句约束，“禁用‘我积极沟通’‘我认真负责’等形容词；所有行动句必须含具体工具/方法/文档名”。举个例子，把“我拆解了项目”换成“用Jira拆解17个子任务”；把“我写了一份需求文档”换成“输出PRD V2.3并组织3轮评审”；把“我研究了竞品”换成“用Python爬取12家竞品价格表”。

方法二：给一个反例再纠正，模型的上下文学习能力比单纯规则约束更强。“错误示范：我协助完成了项目→ 正确写法：独立撰写接口对接文档，协调支付中台与订单服务组完成4次联调，修复8处字段映射异常。”看到对比之后，模型输出会倾向于后者的写法。

一次性卡包式批量生成

准备好3到5个高频问题，比如“你遇到最复杂的bug怎么解决的？”“你如何推动一个没人配合的需求落地？”“做过最有价值的数据分析是什么？”然后把角色设定、STAR格式约束、关键词约束、反例纠正、问题列表全部合并成一段完整提示词，直接发过去。这样既省时间，又能保证每一条回答的框架统一，现场对比时也好挑毛病。

收到回复之后，检查【行动】部分里有没有出现“我们”、“团队决定”、“领导支持”这种虚词主语。只要有，整条删掉，重新生成。市场数据显示，面试官明确反感的就是STAR故事里全是集体功劳、没有个人动作——与其给你打高分，不如问你下一个问题。