准备什么资料、怎么导入、如何提升召回质量,以及面试前后怎么维护你的知识库
知识库管理
这页解决什么问题
如果你希望 AI 的回答更像你本人,而不是泛泛而谈,这一页最值得先看。
默认推荐做法
默认最推荐先创建一份面试计划,再完成云端简历整理并关联目标岗位说明(JD),最后在客户端选择对应计划,让结构化简历和岗位说明一起按计划导入。这样项目边界、职责、结果、时间线和岗位要求会更清楚,问答 grounding 通常也更稳。
当前最稳的导入思路
如果你只想走一条最稳的路,优先按这个顺序准备:面试计划 > 云端结构化简历 > 聚焦版岗位说明(JD) > 项目复盘/系统设计 Markdown > QA 文档 .txt / .md。其中最值得优先做好的,是和当前岗位绑定的计划、简历与 JD。
知识库额度提醒
云端简历和岗位说明都属于知识库权益范围。若你的账号当前只剩 1
份知识库额度,建议先在“结构化简历”和“岗位说明”里二选一导入最关键的一份;计划、简历和 JD 本身仍然可以先保存,后续额度足够时再关联载入。
建议优先导入
默认建议优先导入:云端简历、项目摘要、技术复习笔记、系统设计提纲、行为面素材。如果当前面试已经有明确岗位目标,再补一份聚焦版岗位说明(JD),通常会比继续堆零散资料更有效。
先区分两个概念
知识库本身是给 RAG 提供候选人资料、项目经历和表达习惯的检索底座;你在面试时看到的“知识库小抄”或阅读窗口,只是把这些资料以可阅读的方式展示出来,方便临场参考。
如果你想看产品层原理
想理解我们为什么强调结构化简历、智能切片和少而精的资料准备,可以继续读 面试场景下,我们的 RAG 方案 和 知识库召回质量提升 93%。
知识库用于保存面试准备资料。资料一旦整理得足够清晰,AI 在截图问答、语音问答和项目追问里都会更容易引用到你的真实背景。
在产品视角里,我们更看重的是项目完整率、追问命中率、冲突率和端到端延迟,而不是只看通用 RAG 指标。因为真实面试里,回答是否像你本人、是否撑得住追问,往往比单次检索分数更重要。
先记住这 3 条
先放高质量资料
最推荐先建面试计划,再准备云端结构化简历和聚焦版岗位说明。主简历、项目摘要、行为面素材通常比零散笔记更容易起效果。
资料少而精
并不是文档越多越好。内容太杂时,召回更容易发散,回答也会变泛。
面后及时更新
面完一轮就补一次项目亮点、追问点和表达盲区,下一轮命中率会明显更高。
快速开始
打开知识库面板
从工具栏进入“知识库”,先确认你当前账号下已有资料是否正确。
先创建计划,再整理云端简历与岗位说明
默认建议先创建面试计划,填好公司、岗位和轮次,再完成云端结构化简历与目标岗位说明(JD)的整理或关联。
在客户端按计划导入,再补第一批核心资料
选择对应计划后,优先导入计划关联的云端简历和岗位说明,再补充项目总结、系统设计材料和行为面素材。
等待解析完成,再做一轮验证
导入后先看文档预览和计划关联是否正常,再用一次 Ask 或 Voice 问答验证是否命中到了你想要的项目、岗位重点和表达素材。
面试时可以保留知识库阅读窗口并行使用
知识库阅读窗口支持隐身显示,可以在同一轮里继续配合语音实时转写问答和截图问答一起用,适合项目追问、简历细节和行为面补充。
支持的资料类型
结构化简历 + 聚焦版岗位说明
最适合表达项目、经历、时间线、量化结果和目标岗位要求。用云端简历制作功能整理简历,再补一份聚焦版 JD,通常是默认首选组合。
Markdown
最适合项目说明、技术复盘、系统设计提纲和行为面案例,标题层级清楚时,索引与召回都很稳定。
TXT
特别适合 QA 文档、题库和提纲。对于 Q: / A: 这种固定模板,.txt / .md 往往都是很稳的选择。
Word
支持度不错,但尽量保持标题层级清晰、段落规整,不要混太多复杂排版。
可用,但解析质量会受原始导出方式影响。更建议把关键内容转成 Markdown 或 TXT。
超长杂糅文档
简历、项目、题库、聊天记录全堆在同一个文件里,通常最影响召回质量。
没有结构的随手笔记
如果没有标题、分段和明确结论,AI 很难稳定提炼出你真正想表达的重点。
文档怎么准备更容易命中
- 项目标题尽量明确,不要只写“项目一”“系统优化”这类泛标题。
- 每个项目最好写清楚背景、职责、技术方案、结果和量化指标。
- 项目之间留空行,层级清楚,召回效果会更稳定。
- 最推荐用
Q:/A:组织,问题和答案之间留明显边界,不要和简历、项目经历混在同一个文件里。 - 高频追问建议单独成组,比如“项目追问”“行为面追问”“系统设计追问”,这样更容易命中。
- 客户端当前更适合“短问题 + 中等长度答案 + 明确关键名词”的风格。经验上,问题控制在 6-20 字、答案控制在 20-200 字,通常更稳。
- 如果答案很长,先写一版主回答,再补 2-4 条扩展点,不要一整段写得过满。
推荐模板示例:
Q: 请你做一个 1 分钟自我介绍
A: 我目前有 5 年后端开发经验,最近两年主要负责支付与交易系统,重点做过高并发链路优化、稳定性治理和核心接口性能优化。
---
Q: 请介绍你做过的一个最有代表性的项目
A: 我主导过支付查询链路优化,先重构索引与缓存策略,再拆分慢查询与降级路径,最终把 P95 延迟从 420ms 降到 130ms,峰值 CPU 降低约 35%。
扩展:
- 背景:峰值流量上涨后,支付查询链路持续超时
- 关键动作:索引重建、热点缓存、异步化非关键流程
- 结果:延迟下降、CPU 降低、告警次数明显减少
---
Q: 如果面试官追问“为什么离职”,你会怎么答?
A: 我会聚焦职业规划和成长目标,说明希望在更大规模业务里承担更完整的端到端责任,同时也肯定上一段经历带来的积累。用户建议:
- QA 文档更适合补“你怎么说”,云端简历和岗位说明更适合提供“你做过什么”与“这个岗位需要什么”。三者一起用,效果通常最好。
- 如果只能先做一件事,先把面试计划、云端简历和岗位说明这条主链路整理好,再补 QA 文档。
- 更适合按主题拆成多篇,比如缓存、消息队列、限流、数据库设计。
- 每个主题优先写“场景、方案、取舍、风险”,这样回答会更口语化。
- 如果你已经整理过脑图或提纲,可以先转成 Markdown 再导入。
- 建议按“背景 - 行动 - 结果 - 反思”整理,每个故事单独成段。
- 同一个项目可以准备 2-3 个不同角度的故事,方便应对追问。
- 尽量保留真实细节,比如时间线、合作对象、冲突点和结果数字。
高级设置里最值得关注的项
智能切片
默认建议开启。它会尽量保留项目和段落边界,减少资料被切得过碎。
上下文扩展
命中某段资料时,会补一些相邻上下文,尤其适合简历和项目类文档。
topK
控制每次从知识库取回多少片段。太低可能漏信息,太高可能让回答开始发散。
面试前后怎么维护
面试前
只保留和当前岗位最相关的资料,避免让知识库里混入大量旧方向内容。
面试中
如果你发现回答经常引用不到关键项目,优先检查资料是否结构清晰,而不是立刻继续堆更多文档。知识库阅读窗口可以保持开启,作为语音和截图问答之外的额外参考层。
面试后
根据追问补充文档,比如“为什么这么做”“遇到什么问题”“结果如何量化”。
常见问题
为什么 JSON / Markdown 效果最好?
因为结构更稳定,标题、列表、字段关系更清楚,AI 更容易判断哪些信息属于同一个项目或同一个问题。
为什么默认推荐云端简历同步到知识库?
因为结构化简历会把项目边界、职责、结果和时间线整理得更稳定。先在云端简历里维护,再同步到知识库,通常比手工上传杂乱文档更容易得到高质量召回。
QA 文档最推荐怎么写?
最推荐单独用 .txt 或 .md 写成 Q: / A: 模板,问题简短、答案集中、关键名词清晰,不要把 QA 和简历、项目经历混在一个大文档里。
为什么 PDF 命中不稳定?
PDF 的原始排版、导出方式和文本层质量差异很大。关键资料建议转 Markdown 或 TXT,再导入会更稳。
为什么回答还是很泛?
大多是因为资料太杂、结构太弱,或者量化细节不够。先精简文档,再补背景、职责、结果这三类信息。
一场面试特别长,后面回答开始不准怎么办?
这是比较小概率的场景,通常只会出现在单场面试持续很久之后。如果你明显感觉当前窗口的上下文开始不准确,或者回复质量持续下降,可以在合适的停顿点用 cmd+R 适当重置当前窗口上下文,再重新开启一轮。这样做会清掉当前窗口已累积的上下文,所以更适合在话题切换、轮次切换或明显跑偏时使用,不建议频繁操作。
继续阅读
AI 助读
一键发送到常用 AI
智能总结
深度解读
考点定位
思路启发