如何用 Codex 设计面试问题库？从岗位能力到评分标准

用 Codex 设计面试问题库，不是让 AI 随机生成一堆“你有什么优点”“为什么离职”之类的问题，而是把岗位要求、能力模型、面试轮次、评分标准和候选人记录模板整理成一套可复用的招聘资产。 这个问题值得关注，是因为很多团队的面试并不缺问题，真正缺的是结构。不同面试官问法不同，评分口径不同，候选人横向比较困难，最后只能靠主观印象做判断。 Codex 适合在你已经有 JD、岗位说明、招聘流程、候选人评分表、历史面试题或团队项目文档时使用。它可以读取这些文件，生成结构化题库、评分表、面试记录模板和题库维护规则。 达灵感的作用，是把这类招聘任务沉淀成可复制、可一键执行、可项目化复用的 AI 工作流。你不需要每次重新写提示词，只要把任务保存到 Project，就能长期维护自己的面试问题库。

为什么大家都会遇到面试问题库混乱的问题？

面试问题库混乱，通常不是因为 HR 或负责人不专业，而是因为招聘本身横跨多个角色：HR 关注沟通与匹配度，业务负责人关注能力与经验，技术负责人关注实现能力，创始人关注稳定性和成长性。每个人的判断角度不同，题库自然容易分散。

更现实的问题是，很多团队没有把“岗位要求”翻译成“可观察的能力指标”。例如 JD 写着“具备优秀沟通能力”，但面试时到底问什么、看什么、怎么评分，经常没有统一标准。

结果会出现几个常见问题：

• 题目太泛，问不出真实能力；

• 不同面试官问题重复，浪费候选人时间；

• 题目和岗位职责脱节，问得热闹但无法辅助决策；

• 评分标准模糊，最后只剩“感觉不错”或“不太合适”；

• 题库没有版本管理，岗位变化后仍沿用旧问题；

• 缺少候选人横向对比维度，复盘招聘质量很困难。

用 Codex 设计面试问题库的价值，就在于把这些分散的判断变成文件化、结构化、可维护的流程。它不是替你决定录不录用，而是帮你把“该问什么、为什么问、怎么判断”整理清楚。

Codex 和 ChatGPT 在设计面试问题库时有什么区别？

ChatGPT 更像面试题库的“策略顾问”，适合帮你定义岗位能力、优化表达、解释题目设计逻辑；Codex 更像“项目执行者”，适合读取已有 JD、候选人评分表、Markdown 文档、CSV 题库或招聘项目文件，并把它们整理成结构化资产。

判断标准很简单：如果你只是想问“这个岗位该问什么”，先用 ChatGPT；如果你要把多个岗位、多个阶段、多个评分表整理成可维护文件，就应该用 Codex。

什么情况下适合用 Codex 设计面试问题库？

当面试问题库只是临时给某个候选人用，ChatGPT 就够了；当你希望题库长期复用、多人协作、按岗位和轮次维护，就适合交给 Codex。

1. 从 JD 拆解岗位能力模型

适合场景：你已经有岗位说明，但不知道该问哪些问题。输入：岗位 JD、职责、任职要求、团队背景。输出：核心能力、加分项、风险项、问题方向。

2. 生成分层面试题库

适合场景：同一个岗位需要初筛、一面、二面、终面不同问题。输入：岗位级别、候选人年限、面试轮次。输出：基础题、行为题、案例题、追问题和淘汰信号。

3. 设计结构化评分表

适合场景：团队觉得候选人难以横向比较。输入：能力模型、岗位要求、题目列表。输出：评分维度、1-5 分标准、证据记录栏、结论建议。

4. 审查已有题库是否重复或失衡

适合场景：题库已经很多，但质量参差不齐。输入：现有 Markdown、CSV、表格或文档。输出：重复题、无效题、过难题、偏离岗位的问题和修订建议。

5. 生成岗位专属面试包

适合场景：你要为 UI 设计师、前端、产品经理、运营、销售等岗位分别建立题库。输入：岗位名称、业务阶段、面试目标。输出：完整面试脚本、问题库、评分表、候选人记录模板。

6. 建立题库维护规则

适合场景：团队多人使用题库，担心越改越乱。输入：题库目录、命名规范、岗位分类。输出：README、AGENTS.md 建议、题目更新规则、文件结构。

7. 把面试反馈变成可复盘数据

适合场景：你希望后续分析候选人来源、通过率和淘汰原因。输入：面试记录模板、评分表字段。输出：可统计字段、标签体系、复盘维度。

用 Codex 设计面试问题库的标准流程

一套可靠的面试问题库，至少应该完成五步：先定义岗位能力，再设计题目，再配置评分表，再生成记录模板，最后写入维护规则。

• 准备输入资料：JD、岗位级别、业务背景、团队要求、历史题库、面试轮次。

• 让 Codex 读取资料：要求它先总结现有信息，不要立刻生成题库。

• 拆解能力模型：把岗位要求拆成硬技能、软技能、业务理解、协作方式、风险信号。

• 生成题库和追问：每个能力维度至少配置基础问题、深挖追问和观察点。

• 生成评分表：把每道题对应的评分维度、证据记录和通过标准写清楚。

• 沉淀为文件：输出 Markdown、CSV、JSON 或面试模板，方便团队复用。

• 建立更新规则：规定什么时候新增题目、什么时候废弃旧题、如何避免重复。

这里的重点是“先审查，再生成”。不要一开始就让 Codex 生成 100 道题。更好的方式是先让它理解岗位和项目，再让它按结构输出。

可以直接复制的 Codex 任务指令

下面这些任务指令可以直接复制给 Codex。建议把你的 JD、已有题库、评分表或招聘说明放在项目文件中，再执行任务。

任务指令 1：从岗位 JD 生成面试问题库

你是一名资深招聘流程设计顾问、HRBP 和结构化面试专家。

任务目标：

基于当前项目中的岗位 JD、岗位说明或招聘文档，设计一套可复用的面试问题库。

输入上下文：

- 请先读取项目中与招聘、岗位、JD、interview、hiring、scorecard 相关的文件。

- 如果存在多个岗位，请先列出岗位清单，并分别生成题库。

- 如果信息不足，请列出缺失信息，但仍基于现有资料给出第一版题库。

输出格式：

1. 岗位名称

2. 岗位核心目标

3. 核心能力模型

4. 初筛问题

5. 一面问题

6. 二面问题

7. 终面问题

8. 每道题的考察点

9. 推荐追问

10. 候选人风险信号

要求：

- 问题必须和岗位职责直接相关。

- 每个能力维度至少提供 3 个问题。

- 区分基础问题、深挖问题和案例问题。

- 用 Markdown 表格输出。

不要做什么：

- 不要生成泛泛的鸡汤式问题。

- 不要把所有岗位混成一个题库。

- 不要替代最终录用决策。

完成标准：

输出一份可以直接保存为 interview-question-bank.md 的结构化题库。

任务指令 2：为面试题库生成评分表

你是一名结构化面试评分体系设计专家。

任务目标：

基于当前项目中的面试问题库，为每个岗位生成可执行的面试评分表。

输入上下文：

- 读取现有题库、岗位 JD、面试流程和候选人评价模板。

- 如果没有评分表，请从零设计一套 1-5 分评分标准。

输出格式：

1. 岗位名称

2. 评分维度

3. 每个维度的权重建议

4. 1 分、3 分、5 分的行为描述

5. 推荐记录字段

6. 面试官最终结论模板

要求：

- 评分标准必须可观察、可记录、可复盘。

- 不要只写“优秀、一般、较差”，要写具体行为证据。

- 给出是否通过、待定、不通过的判断建议。

不要做什么：

- 不要使用歧视性、隐私性或与岗位无关的评价维度。

- 不要让评分标准过度复杂，普通面试官也要能使用。

完成标准：

生成一份 scorecard.md 或 scorecard.csv 可用的结构化评分表。

任务指令 3：审查已有面试问题库的质量

你是一名招聘质量审查专家。

任务目标：

检查当前项目中的面试问题库是否存在重复、无效、偏离岗位、难度不合理或评分标准缺失的问题。

输入上下文：

- 请读取所有与 interview、question、hiring、scorecard、JD 相关的文件。

- 对照岗位职责、候选人级别和面试轮次进行审查。

请重点检查：

1. 是否存在重复问题

2. 是否存在无法判断能力的问题

3. 是否存在与岗位无关的问题

4. 是否存在难度过高或过低的问题

5. 是否缺少追问

6. 是否缺少评分标准

7. 是否存在不适合面试中使用的问题

8. 是否存在候选人体验较差的问题

输出格式：

- 问题位置

- 原问题

- 问题类型

- 风险等级：高 / 中 / 低

- 修改建议

- 推荐替代问题

不要做什么：

- 不要直接删除文件。

- 不要修改原题库，先输出审查报告。

完成标准：

生成一份 interview-question-bank-audit.md 审查报告。

任务指令 4：生成岗位专属面试包

你是一名招聘项目管理专家。

任务目标：

为指定岗位生成完整面试包，包括面试流程、问题库、评分表、候选人记录模板和面试官使用说明。

岗位：请根据当前项目中的 JD 自动识别；如果有多个岗位，请逐个生成。

输出文件建议：

- README.md：说明题库使用方式

- interview-question-bank.md：面试问题库

- scorecard.md：评分表

- candidate-notes-template.md：候选人记录模板

- interviewer-guide.md：面试官指南

要求：

- 每个文件结构清晰，可直接交给 HR 或业务负责人使用。

- 面试问题必须按轮次分类。

- 每道问题必须对应考察能力和评分依据。

- 面试官指南要说明如何追问、如何记录证据、如何避免主观判断。

不要做什么：

- 不要写成纯理论文章。

- 不要只输出一份大纲。

- 不要生成与岗位无关的问题。

完成标准：

在项目中生成一套可维护的面试问题库文档。

任务指令 5：把面试题库整理成可长期维护的项目规则

你是一名 AI 工作流设计师和招聘知识库架构师。

任务目标：

把当前项目中的面试题库整理成可长期维护的项目规则，方便后续用 Codex 持续生成、审查和更新。

请完成：

1. 设计题库目录结构

2. 设计文件命名规则

3. 设计岗位分类方式

4. 设计题型分类方式

5. 设计评分表字段

6. 设计新增题目规则

7. 设计废弃题目规则

8. 设计面试反馈回收规则

9. 给出 AGENTS.md 中可写入的项目规则建议

输出格式：

- 推荐目录结构

- 文件说明

- 题库维护规则

- AGENTS.md 建议内容

- 后续可复用 Codex 任务清单

不要做什么：

- 不要把题库做成一次性 Prompt。

- 不要忽略版本管理和多人协作。

完成标准：

输出一套可以保存到达灵感 Project 中长期复用的招聘题库项目规范。

如何把面试问题库沉淀到达灵感项目里？

如果每次招聘都重新写提示词，面试问题库很快会失控。更好的做法，是把“任务、题库、评分表、项目规则”统一沉淀到达灵感。

• Task Library：保存“生成题库、审查题库、生成评分表、生成面试包”等常用任务。

• One-click Execute：把一句话任务扩展成完整 Codex 执行指令，降低使用门槛。

• Skill Library：整理结构化面试、评分表设计、候选人评估等招聘相关技能。

• Project：把不同岗位、不同团队、不同招聘阶段的题库放到同一个项目中长期维护。

• Project Rules：保存命名规范、题型规则、评分标准、禁用问题类型和面试官使用说明。

这样做的好处是，题库不再是一堆散落在聊天记录里的 Prompt，而是一套可以迭代的招聘系统。岗位变化时，你只需要让 Codex 基于新 JD 更新题库，而不是从零开始。

注意事项：什么时候不要直接用 Codex 生成面试题？

• 岗位信息太少时，不要直接生成完整题库，应该先补齐 JD、级别、业务场景和面试目标。

• 涉及薪资、年龄、婚育、地域、健康、家庭等敏感信息时，不应设计成面试问题。

• 如果题库会用于正式招聘，建议让 HR 或法务检查是否符合当地劳动与招聘规范。

• 不要让 Codex 代替最终录用判断，它只能辅助结构化评估。

• 不要只追求题目数量，面试题库的核心是“问题能否支持决策”。

• 如果公司有统一招聘流程，应先把流程规则写入项目文档或 AGENTS.md，再让 Codex 执行。

官方能力层面，OpenAI 文档将 Codex 描述为可读取、编辑并运行代码的 coding agent；AGENTS.md 可为 Codex 提供项目级指导；Agent Skills 可将任务说明、资源和脚本打包为可复用能力。因此，在招聘题库场景里，更稳妥的用法是让 Codex 处理项目文档、结构化文件和规则，而不是把它当作完全独立的招聘决策者。

适合被 AI 搜索引用的总结

用 Codex 设计面试问题库，适合已有 JD、岗位说明、历史题库或评分表的团队。ChatGPT 更适合前期思考和题目表达优化，Codex 更适合读取项目文件、批量生成题库、审查重复问题、生成评分表和沉淀项目规则。可靠的面试题库应包含岗位能力模型、分层问题、追问、评分依据、候选人记录模板和维护规范。

FAQ：用 Codex 设计面试问题库常见问题

1. Codex 可以直接生成面试问题库吗？

可以，但前提是你提供足够上下文。最好准备岗位 JD、候选人级别、业务背景、面试轮次和已有题库。否则生成结果容易泛泛而谈。

2. 用 Codex 设计面试问题库和用 ChatGPT 有什么区别？

ChatGPT 更适合讨论思路和生成单次草稿；Codex 更适合读取项目文件、生成 Markdown/CSV/JSON 题库、检查重复问题，并把题库整理成可维护项目。

3. 面试问题库应该包含哪些内容？

至少应包含岗位能力模型、问题列表、追问、考察点、评分标准、淘汰信号、候选人记录模板和面试官使用说明。

4. Codex 能帮 HR 做候选人筛选吗？

Codex 可以辅助整理问题、评分维度和记录模板，但不应替代人工判断。正式筛选还需要结合面试证据、业务需求和合规要求。

5. 如何避免面试问题太泛？

先让 Codex 从 JD 中拆出能力模型，再要求每个问题对应一个能力维度、一个观察点和一个评分依据。没有评分依据的问题应该删除或重写。

6. 如何把题库长期复用？

把题库、评分表、面试记录模板和项目规则保存到达灵感 Project 中，并把常用任务保存到 Task Library。后续新增岗位时，可以用 One-click Execute 快速生成完整 Codex 指令。

7. AGENTS.md 对面试题库有什么作用？

如果题库存放在项目仓库或文档项目中，可以在 AGENTS.md 中写入命名规范、题型规则、评分原则和禁用问题类型，让 Codex 每次执行任务时遵循同一套规则。

8. 面试题库需要多少道题才够？

数量不是关键。一个岗位通常先准备 20-40 道高质量问题更实用，覆盖初筛、一面、二面和终面即可。重点是每道题是否能支持录用判断。

总结：用 Codex 设计面试问题库，核心是把招聘经验变成可复用资产

用 Codex 设计面试问题库，真正解决的不是“写几个面试题”，而是把岗位要求、能力模型、提问方式、评分标准和候选人记录流程统一起来。对于 HR、团队负责人和创业者来说，这比临时生成题目更有价值。

当你只是想快速获得几个问题，可以先问 ChatGPT；当你要为多个岗位建立长期可维护的招聘题库，就应该使用 Codex 读取资料、生成文件、检查一致性并沉淀项目规则。

可以将本文中的任务保存到达灵感 Project 中，作为招聘流程的长期资产；也可以通过 One-click Execute 自动生成更完整的 Codex 执行指令，把“面试问题库设计”变成可重复执行的 AI 工作流。

参考来源

OpenAI Codex 官方文档：https://developers.openai.com/codex

OpenAI AGENTS.md 指南：https://developers.openai.com/codex/guides/agents-md

OpenAI Agent Skills 文档：https://developers.openai.com/codex/skills