HR的日常里，有一种“最容易加班”的工作：岗位JD写得很满，真正面试时却临时补题。
面试题要贴合岗位能力、要覆盖评估维度、还要区分初筛/复试深度；写一套还行，最怕的是每次候选人不同、需求不同，题库又得反复改、反复对齐。
2026年AI的价值不在“帮你写一堆字”，而在“把流程跑通”。我最近用 Gemini 3.1 Pro 搭了一个办公工作流：把JD与岗位画像喂进去，让它自动生成结构化面试题，再按评估维度输出“可直接用”的提问清单与追问。
如果你需要先快速验证工具组合和工作流，也可以从 KULAAI（dl.877ai.cn） 这类AI聚合入口开始试跑。（下文的核心方法不依赖它，但能更快让你把流程跑起来。）
一、为什么HR会被面试题“拖着走”：不是不会写，是缺少框架
面试题看似是文本，其实是一个评估系统。一个好面试题至少要做到：
- 测什么：考察能力/行为/经验/价值观的具体维度
- 怎么问：难度梯度合理，问题表述清晰可执行
- 怎么判：需要什么证据来判断候选人是否合格
- 怎么追：对不确定点能继续追问与追证据
很多HR加班的根因是：面试题没有用“评估框架”来生成，而是靠经验手工拼接。候选人多了、岗位多了，就会越写越慢。
Gemini 3.1 Pro更适合做什么？
做“结构化生成”，把你给的岗位信息转成“评估维度—面试题—追问证据”的完整链条。
二、三层框架：让Gemini自动生成面试题（结论层/证据层/推导层）
我把面试题生成拆成三层，你每次喂入同样的字段，就能稳定产出结果。
结论层：先确定“这场面试要回答什么”
你让模型先输出一段“面试目标概述”，例如：
- 本岗位的核心能力是什么（Top 3）
- 面试需要覆盖哪些风险点（Top 2-3）
- 本次面试的深度（初筛/复试/终面）
这一步的意义：避免题目“多但不对路”。HR常见问题是题目很多，但没有对应到真正的筛选问题。
证据层：把JD与岗位画像映射成“可评估维度”
然后你把JD关键内容整理成要点交给Gemini，让它生成：
- 能力维度（如：项目推进、跨团队协作、数据分析、沟通表达等）
- 维度描述（每个维度用一句话说明要考什么）
- 评分要点（“优秀/合格/不合格”各需要哪些证据）
你会得到一个结构化的“评估清单”。这就是证据层：面试不是问问题，是收集证据。
推导层：从维度推导面试题，并附上追问策略
最后一步，让模型对每个维度生成：
- 主问题（1-2个）：能引出候选人真实经历
- 追问（2-4个）：补齐关键细节（方法、数据、结果、冲突、取舍）
- 证据判断提示：回答中什么内容才算有效证据
这一步完成后，你会直接拿到一套“可用、可判、可追问”的面试题库，而不是一段空泛的文字。
三、交付模板：复制粘贴就能做“面试题一键生成”
你可以直接用下面这个结构作为提示词（或让Gemini按这个格式输出）：
模板输入（你提供给Gemini）
1）岗位名称：
2）JD要点（复制/粘贴即可，建议分点）：
3）该岗位前3个关键能力（你已有就写，没有就让它推）：
4）面试阶段：初筛 / 复试 / 终面
5）目标人数与时间限制（如一小时/半小时）：
6）公司/团队偏好（如更看重落地能力/更看重数据能力）：
模板输出（Gemini生成的面试题结果）
-
面试目标概述（结论层）
-
评估维度清单（证据层）
-
面试题库（推导层）：
- 维度1：主问题 + 追问 + 证据判断提示
- 维度2：主问题 + 追问 + 证据判断提示
- 维度3：…
-
（可选）候选人作答后HR的记录要点（帮助后续评分）
只要你把输入字段固定下来，HR后续就进入“批量生成、快速校对”的节奏。
四、HR用起来怎么会“更省时间”：三个现实优化
1）先生成“评分友好”的题，而不是“好听”的题
让模型在每题后附上“证据判断提示”，面试结束后就能更快打分，不用再临时回忆。
2）用“难度梯度”减少反复追问
初筛题更偏经历与行为证据；复试题可提升到方法论、数据与取舍。Gemini按阶段生成，会明显减少HR的来回修订。
3）题库模块化：复用 > 重写
同一岗位族群（如运营/增长/产品支持）可以用通用模块生成，再只替换特定技能模块。你会发现效率提升来自“复用”，不是来自“每次从零写”。
五、2026年招聘AI趋势：面试题正从“手工产出”走向“流程交付”
越来越多HR会把AI用于：
- 结构化生成（而不是自由发挥）
- 评估维度化（把“感觉”变成证据）
- 面试题库资产化（可复用、可迭代、可沉淀）
Gemini 3.1 Pro的优势在于：它能稳定输出结构。只要你用三层框架管理输入与输出，你就能让AI成为“面试流程的协作伙伴”，而不是“写字工具”。
结尾：让AI把面试题变成可交付资产
面试题之所以让HR加班，是因为它本质上是一个“评估系统”，却常常用“写作”方式在处理。用 Gemini 3.1 Pro 按三层框架生成：
结论层（面试要回答什么）→ 证据层（用什么维度判断）→ 推导层（生成主问题+追问+证据判定）。
