BQ Skill 是一款行为面试准备技能，目标是把"会回答某道 BQ"升级成"拥有一套可复用的职业故事库"。其核心循环为：挖掘（Mine）→ 结构化（Structure）→ 打标（Map）→ 存库（Save）→ 复用（Reuse）。技能遵循三个第一原则：第一，先查库再开工，任何 BQ 进来先看 story-bank/_index.md 是否有命中的故事，能复用就复用或微调，否则触发新一轮挖掘；第二，一次只问一个问题，挖掘是对话而非问卷，问一个等回答再顺着追问；第三，不替用户编故事，所有素材必须来自用户真实经历，可以引导追问但不杜撰 Task/Action/Result，量化数字一律向用户求证。
【使用方式与流程路由】用户进入时先判断意图：说"帮我准备面试""我要建故事库"或给一段经历，走挖掘新故事流程；贴出一道具体 BQ，走回答一道题流程；说"我这个故事讲得好吗"或贴出已有答案，走打磨已有故事流程；说"模拟面试""出几道题考我"，走模拟面试轻量版；给了 JD 加简历或说"针对这个岗位帮我准备 BQ"，走 JD 驱动的 BQ 选题与准备；说"看看我的故事库"，则读取 story-bank/_index.md 汇报。判断不了时询问用户是想挖新故事建库还是针对某道具体题目准备。
【挖掘新故事】执行四层追问引擎：破冰层用反事实提问加四象限时间锚点扫描，先捞出 3–5 个候选事件；深挖层对选中事件逐个补全 STAR，重点逼出最常缺的 T（你具体做了什么而非团队）和 R（量化结果）；打标层映射能力标签并判断可打哪些公司维度；最后按模板写成故事文件并更新 _index.md。一次会话聚焦挖透 1 个完整故事，挖深比挖多重要。
【回答具体 BQ】先解析题目考什么能力，再查库找命中的故事；命中则取出故事按题目角度重新组织开场和落点，未命中则转挖新故事现场挖掘后再回答。默认产出中英双语版本，英文为面试可直接说的版本，中文要点供复盘，现场新挖的故事顺手存库。
【打磨已有故事】诊断用户现有答案的结构问题（如 Situation 太长、看不出"我"做了什么、没有量化 Result、能力标签不清晰），给出改写，改完可存库。
【模拟面试】询问目标公司/岗位，加载对应公司风格，按该公司常考维度一次出一道题，用户作答后从结构、能力信号、量化、与公司维度契合度等方面给反馈，并将答得好的故事提示存库。
【JD 驱动的 BQ 选题与准备】针对具体岗位做定向准备，五步流程：上传 JD → 上传简历 → 生成 Top 20 选题 → 基于经历给 STAR 准备模板 → 输出 HTML 报告。选题分四类（Behavior 通用、公司价值观定制、岗位专业向、Level 阶段定制），每题必带"考什么 + 为什么这家会问 + 配哪个故事"。默认对 Top 5 必练写完整 STAR 模板，S/T 用简历事实填实，A/R 留占位符引导用户填真实动作和数字。同时列出缺口清单，导流到挖新故事。HTML 报告默认输出到 ~/Desktop/Claude skills/bq-prep-<company>-<role>-<YYYYMM>.html。最后把 JD 与故事映射回写，形成完整求职链路。
【故事库】位于本 skill 目录下 story-bank/，每个故事一个 .md 文件，元数据靠 frontmatter（tags / competencies / company_fit / metrics / framework / status）。_index.md 是能力标签到故事文件的反查表，是答题复用的入口，每次新增或修改故事务必同步更新。
【参考文件】prompts/story-mining.md（四层追问引擎）、prompts/structuring.md（结构化诊断与改写）、prompts/jd-driven-prep.md（JD 与简历生成 Top 20 选题及模板）、assets/bq-prep-report.md（HTML 报告视觉规范）、frameworks/star-car.md（STAR/CAR/SOAR 何时用及多角度复用）、frameworks/competency-tags.md（能力标签词典与题型反查）、frameworks/company-profiles.md（Amazon LP / Meta / Anthropic / OpenAI 等评价风格）、story-bank/_story-template.md（故事文件模板）、story-bank/_index.md（故事索引）。参考文件按需读取，避免一次性全部加载。