找工作前，我用 OpenClaw 当了一周陪练

我装 OpenClaw 两个多月，前一个月基本就干三件事：问天气、查资料、让它帮我写周报。

说白了，拿一个能跑代码、能读写文件、能联网搜索的 AI Agent，干聊天机器人的活。

直到三月底，我开始准备面试，才真正体会到这东西的威力。

不是因为它能帮我写简历——我压根没让它写。而是我把它当成了一个不会累、不会嫌烦、随时在线的面试陪练。

跑了一周，从简历到技术面到谈薪，整个流程走了一遍。这篇文章把过程原原本本记录下来，包括踩过的坑和具体的 prompt。

先说结论

练完之后的变化：

• 简历改了 4 版，从"自己看着还行"变成"每一条都能讲 3 分钟"

• 模拟面试做了 12 轮，从答非所问到能结构化输出

• 知识盲区找到了 8 个，原来以为自己会的，其实讲不清楚

• 谈薪场景走了 3 遍，真到 HR 那的时候没慌

这不是什么神奇的 AI 技巧，就是把那些"你知道该做但一直拖着"的事，让 AI 逼你做完。

第一步：审简历——别让它帮你写，让它帮你挑刺

我一开始犯了个错：把简历丢给 OpenClaw，让它"帮我优化一下"。

它改完之后，确实好看了不少。措辞更专业了，排版更整齐了。但我拿着去模拟面试的时候，面试官（也就是 OpenClaw 自己）追着问细节，我答不上来。

问题很尴尬：简历上写的东西，我自己讲不清楚。

后来我换了个思路。不再让它改，而是让它从招聘方的视角挑毛病。

我用的 prompt 是这样的：

我正在准备 XX 公司的 Java 后端岗位面试，这是我当前的简历（附简历内容）。
请你从面试官视角审视这份简历，不要润色文笔，只回答三个问题：
1. 哪些描述看完之后，你会想追问具体细节？
2. 哪些经历写了但缺少量化结果（数据、性能指标、业务影响）？
3. 哪些技术栈写了但按你的经验，面试时大概率会被深挖？

它给我的反馈非常直接。比如有一条项目经历，我写的是"负责系统性能优化"，它说：

"这句话太模糊了。面试官看到之后一定会问：优化了什么？怎么优化的？优化前后指标对比是什么？如果答不上来，不如不写。"

一句话把我点醒了。我那个项目确实做了优化，但我从来没想过要用数据说话。后来改成"将接口平均响应时间从 800ms 优化到 200ms，QPS 从 500 提升到 2000"，感觉完全不一样。

经验：审简历的关键不是让它帮你写漂亮话，而是让它帮你找出"写了自己讲不清楚"的地方。那些要么删掉，要么补实。

第二步：对着 JD 逐条自查

简历改到第 3 版的时候，我做了第二件事：把目标岗位的招聘要求逐条发给 OpenClaw，让它逐条问我。

以下是 XX 岗位的招聘要求：
1. 熟悉 Spring Boot/Spring Cloud 微服务架构
2. 熟悉 MySQL，了解索引优化和分库分表
3. 熟悉 Redis，了解缓存穿透、雪崩、击穿的解决方案
...

>

请你针对每一条要求，依次问我一个问题。不是问我"会不会"，而是给我一个具体场景，让我描述怎么解决。
如果我回答得不够深入，请追问。直到确认我真正理解为止。

这一步暴露的问题最多。

比如 Redis 缓存穿透，我脱口而出"用布隆过滤器"。它追问："布隆过滤器的原理是什么？误判率怎么控制？数据量大了怎么办？"

我能答上前两个，第三个卡住了。它接着说："你可以去看看 RedisBloom 模块的实现，了解一下参数调优。另外也可以了解一下缓存空值和异步刷新的方案，实际项目中通常是组合使用的。"

这种针对性地补知识盲区，比漫无目的地刷面经效率高太多了。

一周下来，我整理出了 8 个"以为自己会但其实讲不清楚"的知识点：

这张表是我练完之后自己整理的。练之前，我大概率会觉得这些"都差不多会"。

第三步：模拟面试——最值的一步

前面两步是"输入"，这一步是"输出"。

你看了再多面经，理解了再多原理，上了考场能说出来才是真的。

我的做法是：

你现在是一位有 8 年经验的 XX 公司高级工程师，正在面试我的 XX 岗位。
规则：
1. 一次只问一个问题
2. 我回答之后，先点评我的回答（哪里好、哪里不够），再决定追问还是换题
3. 追问至少 2 轮，不要轻易放过我
4. 如果我的回答有明显错误，直接指出来，不要客气
5. 从项目经历开始，然后是技术基础，最后是场景设计题

第一轮模拟，我答得稀碎。

说项目经历的时候，东一句西一句，没有结构。它点评说："你刚才回答了 3 分钟，但信息密度很低。面试官听了之后，提取不出几个关键点。建议用 STAR 法则：Situation（背景）、Task（任务）、Action（行动）、Result（结果）。每一段控制在 2 分钟以内。"

第二轮就好多了。我开始有意识地控制结构，先说结论再说细节。

到第六轮的时候，遇到一个我确实不会的问题——"如果一个接口突然变慢，你怎么排查？"。

我一开始说"看日志"。它追问："日志里什么都没有呢？"

我说"加监控"。它又追问："线上突发问题，等你加监控黄花菜都凉了。你现在手头就一个慢接口，数据库、缓存、消息队列都在用，你怎么定位？"

我卡了很久，最后它给了我一个排查思路：先看是慢在应用层还是数据库层（看 APM 链路），如果是数据库层，看慢查询日志，分析执行计划，看是不是走了全表扫描或者锁等待。

这种东西，看十遍不如被人逼着答一遍。

第四步：谈薪——别觉得到时候自然就会

很多人跳过这步。觉得"到时候看情况再说"。

但真到了那个场景，HR 说"你的期望薪资是多少"，你大概率会愣住。不是没想法，是从来没在这种压力环境下组织过语言。

我的 prompt：

你现在是 XX 公司的 HR，正在和我谈薪资。
我的期望是 XX 万，但不要直接答应。
你会怎么压价？请模拟真实的谈薪对话。
我的目标是：不主动降价，但也不把话说死，留出协商空间。

它模拟了几种常见的压价方式：

• "你这个期望超出了我们的预算范围"

• "同样的薪资我们在候选人里可以选到更好的"

• "我们可以给，但试用期打八折你接受吗？"

每种我都练了一遍怎么接。真到了面试的时候，虽然对方不一定用同样的话术，但至少不会因为紧张而脑子一片空白。

一些踩坑记录

坑 1：别让 AI 帮你编经历

第一版简历，AI 帮我"润色"了几条项目经历。结果模拟面试的时候被追问细节，我编不下去。简历可以优化措辞，但绝对不能凭空编。

坑 2：别只练技术面

我一开始只练技术问题，后来模拟了一轮 HR 面，发现自己连"你的职业规划是什么"都答得磕磕巴巴。非技术面也要练。

坑 3：别用同一个 prompt 跑到底

同一套 prompt 用 3 轮之后，AI 会开始重复。每隔几轮换一下措辞或者加新的约束条件，保持新鲜感。

坑 4：模拟面试要录下来

我后来养成一个习惯——把模拟面试的对话导出来，过几天再看一遍。很多当时觉得自己答得还行的地方，回头看其实逻辑不通。

写在最后

OpenClaw 不会替你去面试，也不会帮你凭空编经验。

但它能做一件很有价值的事：把那些"你知道该做但一直拖着"的事情，逼你一件件做完。

审简历、查盲区、模拟面试、练谈薪——这些事你自己也能做，但你大概率不会做。因为没人逼你，就一拖再拖。

而 OpenClaw 可以是那个逼你的人。

如果你装了 OpenClaw 一直不知道拿它干嘛，可以试试这个场景。不需要什么复杂配置，直接开聊就行。

不一定要找工作才用。述职、汇报、谈加薪、甚至准备一个重要演讲——任何需要"提前演练"的场景，都可以用同样的方式。

工具装了就用，别让它吃灰。

我是阿锦，会持续分享 AI 使用中的发现和解决方案。如果你也在探索 AI 工具，欢迎一起交流。