秋招季，又到了最考验心态的时候。身边准备数据分析师面试的同学，不少人卡在同一个地方：简历不会改，面试没人练。

所以我做了个网页：Offer View。它既能当你的 AI 陪练：按你的简历出题，答完逐题点评，输出五维评分。也能帮你精修简历：项目描述怎么量化、技能关键词补什么、经历怎么对齐目标岗位，一条条列清楚。

下面是这个项目从一句话需求到部署上线的完整过程，每一步都有真实截图。整个项目就在这个 AI 编程环境里完成。选好模型，剩下的话，全靠打字聊出来。

输入提示词

我想做一个数据分析师模拟面试网页应用，核心目标是帮助用户通过模拟面试评估自己的面试表现，并基于简历获得多维评分与优化建议。核心功能设想：模拟面试流程用户进入网页后，开始模拟面试。第一阶段：通用类面试问题（如自我介绍、项目经历、行为面试题等）。第二阶段：基于用户简历内容进行针对性提问。面试过程中模拟真实交互，用户逐题作答。简历评估与反馈面试结束后，基于用户的简历和回答，从多个维度给出评分。评分维度可包括：简历匹配度、项目表达、数据分析思维、沟通表达、结果量化等。给出整体建议和分项改进建议。简历优化建议基于简历内容，给出具体的简历优化建议。例如：项目描述如何量化、技能关键词如何补充、经历如何与目标岗位对齐等。我希望你先和我一起头脑风暴，完成以下两件事：构建一份完整的需求文档包括产品目标、目标用户、核心功能、用户流程、页面结构、评分维度、数据来源、边界条件等。输出一份技术文档，帮助我实现这个应用包括技术选型、系统架构、前后端模块划分、数据模型、接口设计、AI 能力接入方式、部署方案等。请基于以上信息，先帮我梳理需求文档，再输出技术实现文档。

需求说清楚了。先不急着写代码，让 AI 打开计划模式，把方案想明白再动手。

计划模式跑完，需求理解对齐了。AI 没有直接开写，而是先问了我几个关键问题。第一个问题就问到了根上：面试和评分的核心智能由什么驱动？我选了接入 LLM API，题目和评分都动态生成，灵活性最高。

方案确认，开始执行。

需求文档、技术文档一次到位。项目骨架，从这一刻起立住了。

第一个里程碑完成，耗时 29 分 45 秒。功能能跑了，但离可看的UI还差得远。

所以，接下来将 UI 又打磨了一轮。衬线字体、规整卡片、专业感，AI 出了三版方案，最后挑了一版。

项目在本地跑起来了，浏览器实时预览。改代码，页面自动刷新。

首页成型：三个面试方向可选，简历一贴，三步指引，考官关注点一目了然。

接入大模型：服务商我选用的是硅基流动模型，Key 填好，连通测试一次通过。数据全程只留在浏览器本地。

我让它用 AI 浏览器把整场面试从头到尾跑一遍。测试会真实消耗 API 额度，但是一场也就几分钱，比真人面试划算多了。

报告出炉：五维评分 5.6 分，雷达图一眼看清强弱项。哪条腿短，不用猜。

总评直接列了 5 条优先改进事项。逐题点评更细：好的方面、不足、改进建议，一条条拆开，不足之处一目了然。

简历优化建议最实用：量化改写前后对比、技能关键词补充、岗位对齐建议，照着改就行。

这是测试中的真实答题页，阶段一第 3/4 题。问的全是简历里的细节，答完才知道自己的差距，这恰恰是AI模拟面试的好处。

最后一步：部署上线。GitHub Pages 自动构建，7 分 40 秒搞定，README 放上直达链接。

至此，整个项目跑通了。从一句话需求，到需求文档、技术文档，再到代码实现、UI 打磨。最后是 AI 浏览器全流程测试、部署上线。一个人，一台电脑，一个 AI 编程工具，全部搞定。

现在点击「阅读原文」可以测试使用。秋招季，愿这个工具能帮你当陪练、改简历，把面试练到敢开口，项目还在持续迭代。你用下来哪里不好用，欢迎评论区留言。