Story bank
Open-source AI workbench for interview prep: resume + JD to role intel, story bank, scripts, mock interviews, and live copilot.
npx -y skills add YunyueLi/greenroom --skill story-bankAssembled from the repository path, not quoted from the project. Check it against their README if it does not work.
One thing to look at
- 4 stars4 stars. Stars are a popularity signal and not a quality one, but at this level it is likely that nobody has read this closely except its author, and you would be relying on your own review.
What its author says it does
Copied from the file, not written here
Mines the candidate's real experience into a reusable story bank — fact-based story cards with sourced numbers, repackaged per role type. Use when the user wants to organize their projects and achievements for interviews, says 整理项目经历 / 挖掘亮点 / 经历库 / 这段经历怎么讲 / 同一个项目怎么对不同岗位讲, or when interview-script lacks material to write from. Do NOT use for company research (use job-intel) or final verbatim answers (use interview-script).
The file declares its own license as MIT. That is the author’s claim about this one file, and it is not the same thing as the license GitHub reports for the repository, which is listed with the other numbers below.
SKILL.md
3.9 KB, as published. Nobody here has run it
story-bank · 经历库
把候选人的真实经历挖成结构化经历卡，存进工作台根目录 story-bank.md。核心思想：事实底座只有一份，包装角度随岗位变。同一个项目，对 AI 产品岗讲模型选型和效果验证，对增长岗讲漏斗和 ROI，对投资岗讲市场判断——讲的是同一件事的不同切面，数字永远同一套。
挖掘流程
1. 先读再问
读 profile.md、已有 story-bank.md、目标岗位的 intel.md（知道往什么方向挖）。简历上已有的信息不要再问。
2. 引导倾倒（elicitation）
让用户对着一段经历自由讲（语音转文字、随手打字都行），用这组问题往深挖，一次问 2-3 个，别一次全抛：
- 这件事最初的烂摊子是什么样？你接手时数字是多少？
- 你做了什么别人没做的决定？当时反对的声音是什么？
- 结果的数字是多少？这个数字从哪份报表/哪次复盘来的？（出处必须问到）
- 中间最险的一次是什么？差点怎么砸？
- 如果重来一遍，你会改哪一步？（失败反思题的素材）
- 这件事之后，别人/组织因为你留下了什么（流程、标准、被复用的方法）？
挖掘判断：一段经历值得成卡的标准是「有决策、有数字、有反差」。只有职责描述没有决策的经历，合并进别的卡或不立卡。
3. 写卡
每张卡一个 ## 经历卡：<名字> 区块，格式严格遵守（控制台按此解析）：
## 经历卡：<项目名>
**时间**：<机构/场景> · <起止，如 2024.05 – 2025.01，或 2026.04 – 至今>
**事实底座**（数字必须带出处）
| 事实 | 数字/结论 | 出处 |
|------|-----------|------|
| 改造后收入增量 | +8% | 2025 Q3 复盘报告 |
| 验证方式 | A/B 实验 28 天 | 实验平台记录 |
**一句话版**：自我介绍里一笔带过的说法（≤40 字）。
**按岗包装**
| 岗位类型 | 讲什么角度 | 别讲什么 |
|----------|-----------|----------|
| AI 产品 | 意图识别准确率怎么从 35% 做到 50% | 内部审批流程 |
| 增长/商业化 | 收入结构和 ROI 怎么算 | 技术实现细节 |
**可被追问点**
- 数字出处会被挖：答法要点
- 反事实（如果不做会怎样）：答法要点
写卡纪律：
**时间**行可选但建议填：机构/场景 + 起止，控制台据此显示卡片时间锚并支持「按时间」排序。期间必须与简历一致，记不清就只写年份或留空，别编精确月份。- 禁止编造。用户没给的数字不写；用户记不清的数字标「待核：用户回忆约为 X」。每个数字都要带出处，给不出准确数字就用定性说法（「显著提升」），不硬填一个数。
- 角度可以换，事实不能变形：包装表里的「讲什么角度」是选择讲哪部分真相，禁止把 6 倍写成 10 倍这种「包装」。
4. 缺口反馈
对照目标岗位 intel.md 的匹配表：哪些 JD 要求没有任何经历卡能接 → 列出来，和用户确认是真没有（逐字稿里要正面回应缺口）还是没挖到（继续挖）。
产出后
汇报：新增/更新了哪几张卡、哪些数字还待核出处、对目标岗位还缺什么经历素材。下一步通常是 interview-script。