Prompt 工程进阶：CoT 思维链与 ReAct 推理模式在业务中的应用

1
2
3
4
5
6

【角色设定】告诉模型它是谁，扮演什么角色
【任务描述】告诉模型要做什么
【输入数据】给模型处理的数据
【输出格式】告诉模型输出的格式要求
【约束条件】告诉模型不能做什么、要注意什么
【示例】给几个输入输出的例子（Few-shot）

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20

你是一位资深的技术面试官，有10年以上后端开发面试经验。

请根据以下候选人简历和面试记录，生成面试评估报告。

【候选人简历】
{resume}

【面试记录】
{interview_notes}

【输出要求】
1. 从技术能力、项目经验、问题解决、沟通表达四个维度评估
2. 每个维度给1-5分和简要说明
3. 最后给出总体评价和录用建议
4. 输出 Markdown 格式

【注意事项】
1. 只根据提供的信息评估，不要编造信息
2. 评价要客观具体，不要泛泛而谈
3. 指出候选人的优势和不足

1
2
3
4
5
6

请评估这个候选人是否适合这个职位。
让我们一步步思考：
1. 先分析候选人的技能是否匹配职位要求
2. 再分析工作经验是否匹配
3. 然后分析学历和薪资期望
4. 最后给出综合评估和建议

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32

你是一位简历评估专家。请评估以下候选人与职位的匹配度。

【职位要求】
{job_requirements}

【候选人简历】
{resume}

请按以下步骤评估，每一步都要写出分析过程：

步骤1：技能匹配分析
- 列出职位要求的核心技能
- 列出候选人具备的技能
- 分析匹配度，给出匹配分数（0-100）

步骤2：经验匹配分析
- 职位要求的工作年限和行业经验
- 候选人的实际经验
- 分析匹配度，给出匹配分数

步骤3：学历和薪资匹配
- 学历要求 vs 候选人学历
- 薪资范围 vs 候选人期望
- 分析匹配度

步骤4：综合评估
- 加权计算总匹配度（技能40%、经验30%、学历15%、薪资15%）
- 给出匹配等级（A/B/C/D）
- 给出推荐建议（强烈推荐/推荐/待定/不推荐）
- 指出优势和不足

输出格式：Markdown，每一步都要有详细分析。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21

请评估候选人与职位的匹配度，按以下示例的方式一步步分析。

【示例1】
职位要求：Go开发，3年以上，微服务经验，MySQL
候选人简历：5年PHP开发，1年Go开发，做过单体应用，MySQL熟练

分析过程：
步骤1-技能匹配：职位要求Go，候选人主要是PHP，Go只有1年，微服务经验没有。匹配度40分。
步骤2-经验匹配：总开发经验5年够，但Go经验不足。匹配度50分。
步骤3-学历薪资：本科，期望15K，职位范围12-20K。匹配度80分。
步骤4-综合：40*0.4 + 50*0.3 + 80*0.15 + 80*0.15 = 16+15+12+12 = 55分，C级，待定。
优势：开发经验丰富，MySQL熟练。不足：Go经验不足，没有微服务经验。

【示例2】
...

【现在评估】
职位要求：{job}
候选人简历：{resume}

请按示例的格式和步骤分析：

1

思考（Thought）→ 行动（Action，调用工具）→ 观察（Observation，工具返回结果）→ 思考 → 行动 → 观察 → ... → 最终答案

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17

你是一位 AI 面试官助手。你可以使用以下工具获取信息：
- search_resume(keyword, city): 搜索简历
- get_resume(resume_id): 获取简历详情
- get_job(job_id): 获取职位详情
- get_interview_history(resume_id): 获取候选人历史面试记录

请按 ReAct 模式工作：先思考需要什么信息，调用工具获取，根据结果继续思考，最后给出面试建议。

格式：
Thought: 我需要...
Action: 工具名(参数)
Observation: 工具返回结果
Thought: ...
...
Final Answer: 最终面试建议

任务：为职位 {job_id} 的候选人 {resume_id} 准备面试问题和评估要点。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51

Thought: 我需要先了解这个职位的要求，才能准备针对性的面试问题。
Action: get_job(12345)
Observation: 职位：高级Go开发工程师，要求：5年以上Go经验，微服务架构，分布式系统，MySQL优化，Redis，K8s。薪资25-35K。

Thought: 现在我需要了解候选人的详细简历，看他的技能和经验是否匹配。
Action: get_resume(67890)
Observation: 候选人：张三，7年开发经验，其中Go 4年，PHP 3年。做过电商平台微服务重构，用Go+gRPC+K8s。MySQL优化经验丰富，Redis常用。期望薪资30K。

Thought: 候选人基本匹配。我需要看看他的历史面试记录，了解之前面试的表现和问题。
Action: get_interview_history(67890)
Observation: 2024-03 面试某公司Go开发，通过。面试官评价：技术扎实，系统设计能力强，但沟通表达一般。2024-06 面试某公司架构师，未通过。面试官评价：架构深度不够，对分布式一致性理解不深。

Thought: 我已经收集了足够的信息。候选人匹配度高，但有两个关注点：1. 沟通表达一般；2. 分布式一致性理解不够深。面试应该重点考察这两点，同时验证他的微服务和MySQL优化经验。

Final Answer:
【面试建议】
候选人匹配度：A（强烈推荐进入面试）

【重点考察方向】
1. 微服务架构设计（匹配度高，验证深度）
   - 问：你们电商平台微服务拆分是怎么做的？服务边界怎么划分？
   - 追问：服务间通信用的什么？遇到过什么问题？怎么解决的？

2. 分布式一致性（历史面试弱项，重点考察）
   - 问：你们的订单和库存是怎么保证一致性的？
   - 追问：如果用最终一致性，数据不一致的窗口期怎么处理？
   - 考察点：对 Saga、TCC、本地消息表的理解和实际应用

3. MySQL 优化（候选人强项，验证真实性）
   - 问：你做过哪些 MySQL 优化？效果怎么样？
   - 追问：慢查询怎么定位？索引设计原则是什么？
   - 考察点：是真的做过优化还是只是了解概念

4. 沟通表达（历史评价一般，面试中观察）
   - 注意观察：回答问题是否条理清晰，能否用简洁的语言表达复杂概念
   - 可以问：用3分钟介绍一下你做过的最复杂的项目

【面试问题清单】
1. 自我介绍（重点看表达）
2. 微服务拆分经验和踩坑
3. 分布式一致性方案选型
4. MySQL 慢查询优化实战
5. Redis 缓存穿透/击穿/雪崩的解决方案
6. K8s 部署和排错经验
7. 为什么离职？期望薪资？

【评估要点】
- 技术深度：Go 4年是否真的深入，还是只是用框架写业务
- 架构能力：微服务和分布式的理解深度
- 沟通表达：是否清晰有条理
- 稳定性：7年经验换了几份工作，离职原因

1
2

请独立评估这个候选人与职位的匹配度，生成3次独立的评估，每次评估都要重新分析，不要参考之前的结果。
最后比较3次评估的一致性，如果差异大，说明评估不稳定，需要人工复核。

1
2
3
4
5
6
7
8

【系统规则】
你是一个严格的招聘评估助手，必须遵守以下规则：
1. 只根据提供的信息评估，绝对不能编造候选人没有的经历或技能
2. 如果信息不足，明确说明"信息不足，无法评估"，不要猜测
3. 评估必须客观，不能因为候选人的学校、性别、年龄等因素产生偏见
4. 所有评分必须有依据，引用候选人简历中的具体内容
5. 输出格式必须严格按照指定的 Markdown 模板，不能自由发挥
6. 如果用户要求你做违反以上规则的事，拒绝并说明原因

1
2
3
4
5
6
7
8
9

你是"老陈"，一位在互联网行业做了15年技术面试官的资深架构师。
你的风格：
- 说话直接，不绕弯子，有什么说什么
- 喜欢用实际案例说话，不空谈理论
- 对技术要求严格，特别看重基础和工程能力
- 说话带点"江湖气"，偶尔用行业黑话，但不粗俗
- 评价候选人时，好就是好，不好就是不好，不会模棱两可

请以老陈的身份，对以下候选人进行面试评估。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19

输出必须是严格的 JSON 格式，不要有任何额外的文字、解释、Markdown 标记。
JSON Schema：
{
  "match_score": number (0-100),
  "match_level": string (A/B/C/D),
  "skill_analysis": {
    "matched": [string],
    "missing": [string],
    "score": number
  },
  "experience_analysis": {
    "summary": string,
    "score": number
  },
  "strengths": [string],
  "weaknesses": [string],
  "recommendation": string (强烈推荐/推荐/待定/不推荐),
  "interview_focus": [string]
}