ใช้ทำอะไรได้
ยังไม่มีคำอธิบายภาษาไทย ดูข้อเท็จจริงด้านล่าง หรือเปิดคำอธิบายต้นฉบับจากผู้ทำ
- ต่อแบบ ไฟล์คำสั่งให้ AI อ่าน
- บัญชีหรือคีย์ ไม่พบคีย์ใน README และ SKILL.md
- หมวด งานอัตโนมัติและเอเจนต์
คำอธิบายต้นฉบับจากผู้ทำ (อังกฤษ)
把岗位描述变项目,把项目变简历,把简历变面试。สำหรับผู้ทำ: ติดป้ายใน README
ถ้าคุณเป็นผู้ทำตัวนี้ คัดลอกโค้ดนี้ไปวางใน README ได้เลย ป้ายลิงก์กลับมาที่หน้านี้
[](https://mcp.popnx.com/th/skills/liumengxuan04-shushu-internship-tool)Skill ที่ทำงานคล้ายกัน
หมวดงานเดียวกัน เรียงแบบเดียวกับหน้ารายการ Skill
| ตัวนี้ shushu-internship-tool | skills | nacos | anatomy | leon | |
|---|---|---|---|---|---|
| ผู้ทำ | LiuMengxuan04 | vercel-labs | alibaba | wheresryan22 | leon-ai |
| จำนวน Skill | 1 | 1 | 1 | 1 | 1 |
| ดาว GitHub | 2,197 | 40,014 | 33,533 | 28,162 | 17,691 |
| แก้โค้ดล่าสุด | 24 มิ.ย. 2569 | 17 พ.ย. 2569 | 19 พ.ย. 2569 | 19 ต.ค. 2569 | 13 พ.ย. 2569 |
| สัญญาอนุญาต | – | MIT | Apache-2.0 | MIT | MIT |
ชุดคำสั่ง (Skill) 1 ชุดจาก LiuMengxuan04 ให้ AI อ่านแล้วทำงานตามวิธีนี้ · ไม่ใช่ MCP server
Skill ต่างจาก MCP ยังไง
MCP = มือ
ต่อ AI เข้ากับบริการหรือข้อมูลข้างนอก เช่น อ่าน Notion หรือสร้างใบแจ้งหนี้ ต้องมีโปรแกรมหรือ server ทำงานอยู่
Skill = คู่มือ
ไฟล์ข้อความที่สอน AI ว่างานนี้ทำยังไง ไม่ต่อบริการใด
บางตัวคล้ายกัน: Skill บางตัวมีสคริปต์เรียกเครื่องมือ และ MCP บางตัวส่งแค่ความรู้ ให้ดูที่งานที่อยากทำเป็นหลัก
ใช้กับแอปไหน
Codex
ตามที่ README ของผู้ทำเขียนไว้ และโฟลเดอร์ที่มีใน repo
ติดตั้ง
ปลอดภัยไหม
- ใครทำ
บัญชี GitHub LiuMengxuan04 (บุคคล) เปิดมา 1 ปี
- คนใช้และการดูแล
★ 2,197 ดาว · แก้โค้ดล่าสุด 24 มิ.ย. 2569
- มีสคริปต์ไหม
มีสคริปต์ 8 ไฟล์ที่รันบนเครื่องได้: scripts/candidate_score.py, scripts/interview_pack.py, scripts/repo_audit.py, scripts/shushu_internship_tool/__init__.py และอีก 4 ไฟล์
- ใช้อินเทอร์เน็ตไหม
ไม่พบคำสั่งเรียกอินเทอร์เน็ตในสคริปต์
- แก้ค่าตั้งทั้งเครื่องไหม
ไม่พบ hook หรือการเขียนค่าตั้งของเครื่อง
ตรวจอัตโนมัติจากไฟล์ใน repo ที่ commit 8bc8130 (อ่านไฟล์อย่างเดียว ไม่ได้รัน) ไม่ใช่การรับรองความปลอดภัย อ่านแล้วตัดสินใจเอง
ขั้นแรก: คุณใช้ AI ตัวไหน
เลือกแอปที่ใช้ แล้วหน้านี้จะแสดงเฉพาะวิธีติดตั้งของแอปนั้น
ทางที่ 1อัปโหลดเข้า claude.ai (เว็บและแอป)
ดาวน์โหลดจาก GitHub
Skill นี้ไม่ระบุใบอนุญาต เราจึงไม่แจกไฟล์ ZIP จากเว็บเรา ดาวน์โหลดจาก GitHub แล้วจัดโฟลเดอร์เอง หรือใช้ทาง "ให้ AI ติดตั้งให้" ด้านบนซึ่งง่ายกว่า
ดาวน์โหลดจาก GitHub (ทั้ง repo) ↗
แตกไฟล์ แล้วบีบอัดเฉพาะโฟลเดอร์ skills/shushu-internship-tool ใหม่ ZIP ต้องมีโฟลเดอร์ shushu-internship-tool ที่มี SKILL.md อยู่ชั้นบนสุด ห้ามวางไฟล์หลวมไว้ชั้นบนสุด
เปิดหน้า Skills ใน claude.ai แล้วอัปโหลด
+Create skillUpload a skillเลือกไฟล์ shushu-internship-tool.zip
ไม่เห็นปุ่ม Upload: เปิดสิทธิ์สร้างไฟล์ก่อน
SettingsCapabilitiesCode execution and file creation
ต้องเปิด Code execution and file creation ก่อน (เมนูรุ่นใหม่เรียก Create and edit files) · แผนส่วนตัวที่ Settings → Capabilities · Team/Enterprise ผู้ดูแลเปิดที่ Organization settings → Plugins & skills · ใช้ได้ทุกแผนรวมแผนฟรี
อัปโหลดครั้งเดียว ใช้ได้ทั้ง claude.ai และ Claude Desktop รวมถึง Claude Code รุ่นใหม่ที่ล็อกอินด้วยบัญชี Claude (ล็อกอินด้วยคีย์ API ไม่ซิงก์)
Cowork และ session บนคลาวด์ใช้ Skill ที่เปิดในบัญชี claude.ai ไม่อ่าน ~/.claude/skills ในเครื่อง (งานตั้งเวลาของ Claude Desktop ที่รันในเครื่องยังอ่านได้)
ตรวจกับเอกสารทางการล่าสุด 12 พ.ย. 2569 · แหล่ง: support.claude.com, support.claude.com, code.claude.com
ทางที่ 1ให้ Claude Code ติดตั้งให้
คัดลอกประโยคนี้ไปวางในแชตของ Claude Code
เลือกเฉพาะโปรเจกต์ ให้วางในแชตที่เปิดอยู่ในโฟลเดอร์ของโปรเจกต์นั้น · AI จะบอก path ให้ดูก่อนติดตั้งเสมอ
AI จะบอกก่อนว่าจะทำอะไร และขออนุญาตคุณทุกขั้น
เปิด Claude Code ใหม่ แล้วพิมพ์ /shushu-internship-tool หรือสั่งงานที่ตรงเรื่อง Claude จะเลือกใช้เอง
ตรวจกับเอกสารทางการล่าสุด 12 พ.ย. 2569 · แหล่ง: code.claude.com
สำหรับคนที่ใช้ Terminal
Skill คือคำสั่งที่ AI จะทำตาม อ่านไฟล์ก่อนติดตั้ง และติดตั้งเฉพาะจากผู้ทำที่เชื่อถือได้
เปิด Terminal
Mac: กด Command+Space พิมพ์ Terminal · Windows: คำสั่งด้านล่างใช้ใน PowerShell ไม่ได้ ให้ใช้ทาง “ให้ AI ติดตั้งให้” ด้านบนแทน
คัดลอกโฟลเดอร์ skill ไปไว้ที่ ~/.claude/skills
คำสั่งนี้ดาวน์โหลด repo ไว้ชั่วคราว แล้วคัดลอกเฉพาะโฟลเดอร์ที่มี SKILL.md
git clone --depth 1 https://github.com/liumengxuan04/shushu-internship-tool.git /tmp/popnx-skill-liumengxuan04-shushu-internship-tool-8bc8130 && mkdir -p ~/.claude/skills && cp -R '/tmp/popnx-skill-liumengxuan04-shushu-internship-tool-8bc8130/skills/shushu-internship-tool' ~/.claude/skills/shushu-internship-toolเปิด Claude Code ใหม่ แล้วพิมพ์ /shushu-internship-tool หรือสั่งงานที่ตรงเรื่อง Claude จะเลือกใช้เอง
Skill ที่ติดตั้งเองใช้ได้ในแอป ChatGPT บนคอม, Codex CLI และส่วนขยาย Codex ใน IDE · ChatGPT บนเว็บและมือถือใช้ Skill ที่ติดตั้งเองไม่ได้ ใช้ได้เฉพาะ Skill ที่มากับปลั๊กอินในไดเรกทอรี
แอป ChatGPT บนคอม
แอป ChatGPT บนคอมมี Codex อยู่ในตัว Codex อ่าน Skill จากโฟลเดอร์ ~/.agents/skills
ทางที่ 1ให้ ChatGPT ติดตั้งให้
เปิด Codex ในแอป ChatGPT บนคอม แล้ววางประโยคนี้ในแชต
AI จะบอก path ให้ดูก่อนติดตั้งเสมอ
AI จะบอกก่อนว่าจะทำอะไร และขออนุญาตคุณทุกขั้น
ทางที่ 2วางโฟลเดอร์เอง
วางโฟลเดอร์ shushu-internship-tool ไว้ที่ ~/.agents/skills/shushu-internship-tool
~ คือโฟลเดอร์บ้านของคุณ ($HOME)
สำหรับคนที่ใช้ Terminal
Skill คือคำสั่งที่ AI จะทำตาม อ่านไฟล์ก่อนติดตั้ง และติดตั้งเฉพาะจากผู้ทำที่เชื่อถือได้
เปิด Terminal
Mac: กด Command+Space พิมพ์ Terminal · Windows: คำสั่งด้านล่างใช้ใน PowerShell ไม่ได้ ให้ใช้ทาง “ให้ AI ติดตั้งให้” ด้านบนแทน
คัดลอกโฟลเดอร์ skill ไปไว้ที่ ~/.agents/skills
คำสั่งนี้ดาวน์โหลด repo ไว้ชั่วคราว แล้วคัดลอกเฉพาะโฟลเดอร์ที่มี SKILL.md
git clone --depth 1 https://github.com/liumengxuan04/shushu-internship-tool.git /tmp/popnx-skill-liumengxuan04-shushu-internship-tool-8bc8130 && mkdir -p ~/.agents/skills && cp -R '/tmp/popnx-skill-liumengxuan04-shushu-internship-tool-8bc8130/skills/shushu-internship-tool' ~/.agents/skills/shushu-internship-tool
หลังติดตั้ง
- แอป ChatGPT บนคอม: เปิด Skills ในแถบข้างเพื่อดูว่า Skill ขึ้นแล้ว
- เรียกใช้: ใน ChatGPT พิมพ์ @ แล้วเลือก Skill · ใน Codex CLI หรือส่วนขยายใน IDE พิมพ์ /skills หรือพิมพ์ $ แล้วตามด้วยชื่อ Skill
- Codex เห็น Skill ที่ติดตั้งใหม่เอง ถ้ายังไม่ขึ้นให้ปิดแล้วเปิด Codex ใหม่
ตรวจกับเอกสารทางการล่าสุด 15 พ.ย. 2569 · แหล่ง: learn.chatgpt.com
ChatGPT บนเว็บและมือถือ
ใช้ Skill ที่ติดตั้งเองไม่ได้ ใช้ได้เฉพาะ Skill ที่มากับปลั๊กอินในไดเรกทอรี
อยากใช้ Skill นี้กับ ChatGPT ให้ใช้แอป ChatGPT บนคอมตามวิธีด้านบน
ตรวจกับเอกสารทางการล่าสุด 15 พ.ย. 2569 · แหล่ง: learn.chatgpt.com
ทางที่ 1ให้ Codex ติดตั้งให้
คัดลอกประโยคนี้ไปวางในแชตของ Codex · ใช้ได้ทั้ง Codex ในแอป ChatGPT บนคอม, Codex CLI และส่วนขยายใน IDE
เลือกเฉพาะโปรเจกต์ ให้วางในแชตที่เปิดอยู่ในโฟลเดอร์ของโปรเจกต์นั้น · AI จะบอก path ให้ดูก่อนติดตั้งเสมอ
AI จะบอกก่อนว่าจะทำอะไร และขออนุญาตคุณทุกขั้น
Codex เห็น Skill ที่ติดตั้งใหม่เอง ถ้ายังไม่ขึ้นให้ปิดแล้วเปิด Codex ใหม่ · เรียกใช้: ใน ChatGPT พิมพ์ @ แล้วเลือก Skill · ใน Codex CLI หรือส่วนขยายใน IDE พิมพ์ /skills หรือพิมพ์ $ แล้วตามด้วยชื่อ Skill
ตรวจกับเอกสารทางการล่าสุด 15 พ.ย. 2569 · แหล่ง: learn.chatgpt.com
สำหรับคนที่ใช้ Terminal
Skill คือคำสั่งที่ AI จะทำตาม อ่านไฟล์ก่อนติดตั้ง และติดตั้งเฉพาะจากผู้ทำที่เชื่อถือได้
เปิด Terminal
Mac: กด Command+Space พิมพ์ Terminal · Windows: คำสั่งด้านล่างใช้ใน PowerShell ไม่ได้ ให้ใช้ทาง “ให้ AI ติดตั้งให้” ด้านบนแทน
คัดลอกโฟลเดอร์ skill ไปไว้ที่ ~/.agents/skills
คำสั่งนี้ดาวน์โหลด repo ไว้ชั่วคราว แล้วคัดลอกเฉพาะโฟลเดอร์ที่มี SKILL.md
git clone --depth 1 https://github.com/liumengxuan04/shushu-internship-tool.git /tmp/popnx-skill-liumengxuan04-shushu-internship-tool-8bc8130 && mkdir -p ~/.agents/skills && cp -R '/tmp/popnx-skill-liumengxuan04-shushu-internship-tool-8bc8130/skills/shushu-internship-tool' ~/.agents/skills/shushu-internship-toolเปิด Codex ใหม่ แล้วสั่งงานที่ตรงเรื่อง Codex จะเห็น skill นี้ในรายการ
ทางที่ 1ให้ Cursor ติดตั้งให้
คัดลอกประโยคนี้ไปวางในแชตของ Cursor
เลือกเฉพาะโปรเจกต์ ให้วางในแชตที่เปิดอยู่ในโฟลเดอร์ของโปรเจกต์นั้น · AI จะบอก path ให้ดูก่อนติดตั้งเสมอ
AI จะบอกก่อนว่าจะทำอะไร และขออนุญาตคุณทุกขั้น
ใน Agent chat ของ Cursor พิมพ์ / แล้วเลือก shushu-internship-tool
ตรวจกับเอกสารทางการล่าสุด 12 พ.ย. 2569 · แหล่ง: cursor.com
สำหรับคนที่ใช้ Terminal
Skill คือคำสั่งที่ AI จะทำตาม อ่านไฟล์ก่อนติดตั้ง และติดตั้งเฉพาะจากผู้ทำที่เชื่อถือได้
เปิด Terminal
Mac: กด Command+Space พิมพ์ Terminal · Windows: คำสั่งด้านล่างใช้ใน PowerShell ไม่ได้ ให้ใช้ทาง “ให้ AI ติดตั้งให้” ด้านบนแทน
คัดลอกโฟลเดอร์ skill ไปไว้ที่ ~/.cursor/skills
คำสั่งนี้ดาวน์โหลด repo ไว้ชั่วคราว แล้วคัดลอกเฉพาะโฟลเดอร์ที่มี SKILL.md
git clone --depth 1 https://github.com/liumengxuan04/shushu-internship-tool.git /tmp/popnx-skill-liumengxuan04-shushu-internship-tool-8bc8130 && mkdir -p ~/.cursor/skills && cp -R '/tmp/popnx-skill-liumengxuan04-shushu-internship-tool-8bc8130/skills/shushu-internship-tool' ~/.cursor/skills/shushu-internship-toolใน Agent chat ของ Cursor พิมพ์ / แล้วเลือก shushu-internship-tool
ทางที่ 1ให้ AI ติดตั้งให้
สำหรับแอปอื่นที่อ่าน Skill ได้ ประโยคนี้มี path ของ Claude Code, Codex และ Cursor ให้ AI เลือกตามแอปที่ใช้ · คัดลอกประโยคนี้ไปวางในแชตของแอป
เลือกเฉพาะโปรเจกต์ ให้วางในแชตที่เปิดอยู่ในโฟลเดอร์ของโปรเจกต์นั้น · AI จะบอก path ให้ดูก่อนติดตั้งเสมอ
AI จะบอกก่อนว่าจะทำอะไร และขออนุญาตคุณทุกขั้น
ตรวจกับเอกสารทางการล่าสุด 12 พ.ย. 2569 · แหล่ง: code.claude.com, learn.chatgpt.com, cursor.com
สำหรับคนที่ใช้ Terminal
แอปอื่นที่รองรับ Agent Skills (เช่น Gemini CLI, GitHub Copilot) เก็บ skill ในโฟลเดอร์ต่างกัน ดูคู่มือของแอปนั้น แล้วคัดลอกโฟลเดอร์ที่มี SKILL.md ไปวาง
ตรวจโฟลเดอร์ skill กับคู่มือทางการของ Claude Code, Codex และ Cursor เมื่อ 11 พ.ย. 2569
✓ ตรวจคำสั่งแล้ว 18 พ.ย. 2569
ดูไฟล์ต้นฉบับ SKILL.md
ข้อความต่อไปนี้มาจาก repo ของผู้ทำ ไม่ใช่คำสั่งของ PopNx MCP
แสดง 8,000 ตัวอักษรแรก · เปิดไฟล์เต็มบน GitHub
---
name: shushu-internship-tool
description: "Use when an AI assistant helps computer-industry internship candidates with 鼠鼠实习妙妙工具 quickly turn a target job description into a resume-ready and interview-ready project across backend, frontend, full-stack, mobile, testing, data engineering, cloud/DevOps, security, systems, or AI/ML roles: finding GitHub projects, auditing codebases, choosing a fast run path, planning local or remote environments, designing practical modifications, writing STAR resume bullets, drilling interview Q&A, explaining core code, and generating presentation prompts."
---
# 鼠鼠实习妙妙工具
鼠鼠实习就业交流群联动版实习项目准备工具:把目标计算机行业实习 JD 快速变成能投递、能面试、能讲清的项目素材闭环。这里的 AI 指用 AI 助手加速准备,不是只做 AI/算法岗位。默认中文输出,保留英文技术术语、命令和 repo 名。
群联动语境:这是给“鼠鼠实习就业交流群”成员使用和传播的工具。群内交流覆盖前后端、客户端、测试、算法、数据、云原生、安全、系统等方向,目标是打破信息壁垒,先实习带动后实习,先就业带动后就业。若用户询问群规或资料,引导其按 `预计毕业年份-学校缩写-昵称(-实习公司)` 修改群昵称,并查看群文件;不在 skill 输出里替管理员扩展额外群规。
## Operating Principle
- 第一目标是帮候选人尽快拿到面试:先产出 JD 匹配项目、4-5 行简历版本、面试 Q&A 和下一步动作。
- 不要过度纠结完整复现实验;优先 smoke test、核心流程理解、能讲清的 demo/改造点。
- 指标有就写数字;暂时没有指标,就写工程产出、方法理解、实验设计和下一步计划。
- 远程环境只覆盖平台正常支持的 SSH、容器、数据库、对象存储、GPU/CPU 资源、依赖安装、运行和成本估算。
## Workflow
### 1. Intake and JD Taste Gate
先收集或从上下文提取:
- 目标 JD、岗位类型、投递地区或公司类型。
- 用户基础:当前知识水平、主要语言、熟悉框架、做过的课程/项目、薄弱项、论文/工程/部署偏好。
- 时间预算:半天、1-2 天、一周、长期。
- 本地和远程资源:本地机器、Docker、数据库、云服务器、GPU、预算。
- 简历现状:已有项目、课程、比赛、论文、开源经历。
- 运行深度:只做面试/简历准备、跑 smoke test、完整本地跑通、完整远程/云环境跑通。
- 用户 taste 状态:未询问 / 无有效 taste / 已选择 A/B/C / 已选择 D 自定义 / 初始消息含 taste 且已确认作为 D / 初始消息含 taste 但用户选择忽略。
#### 1.1 JD 后 taste gate,只触发一次
用户发送 JD 后,先对 JD 做初步理解并判断项目大概分类,然后必须进入两阶段项目偏好 / taste gate。这个 gate 必须通过结构化用户选择 / 输入控件完成,而不是普通正文里的列表。taste gate 只决定后续“筛选和改造哪个开源项目”的偏好;无论用户怎么选,后续 workflow 都必须继续找 2-3 个候选 GitHub 开源项目,不能变成从零自建项目。
如果运行环境提供 Codex Plan mode 的 `request_user_input`,必须调用它;不要用普通回复模拟控件。如果运行环境没有结构化选择 / 输入控件,不要继续推荐项目,明确说明当前环境无法弹出必需的 yes/no 和自定义输入控件。
第一阶段:必须先弹出 yes/no gate。
- 如果用户初始消息没有写 taste,`request_user_input` 只问“你对项目是否有自己的偏好 / taste?”,选项是“有”和“没有”。
- 如果用户初始消息已经主动写了 taste,`request_user_input` 仍然先问 yes/no:“是否将这段偏好作为自定义偏好?”,选项是“是,使用这段偏好”和“否,忽略这段偏好”。
- 不要在普通回复正文中手写选项字母、编号列表或“请选择”;这些会让模型把选项当成普通回答输出。
- 如果用户选择“没有 / no / 否”:标记为无有效 taste,继续原 workflow,不弹出第二阶段偏好选项,不加 `user_preference` 权重;若初始消息写过 taste,也要忽略它。
- 如果用户选择“有 / yes / 是”:必须进入第二阶段偏好选择。
第二阶段:必须弹出项目偏好选择。
- 调用 `request_user_input`,提供 3 个由模型根据 JD、用户个人信息、技术栈、时间预算、资源条件和项目大概分类动态生成的建议选项。
- 这 3 个建议选项必须全部是“开源项目筛选 / 改造偏好”,例如“Java 开源后端”“Python 开源 API”“轻量 Docker 开源项目”;选项描述必须说明它用于筛选已有 GitHub 开源项目。
- 禁止把“开源项目改造”作为其中一个选项,因为开源项目改造是整个 skill 的固定前提,不是一个可选偏好。
- 禁止给出“从零搭建 / 自己写一个 / 自研项目 / 新建项目”这类选项。用户选 A/B/C/D 后仍然要先做 Repo Discovery。
- 不要手动提供第 4 个选项;客户端会自动附加 Other / 自定义输入,这个自定义输入就是 D。
- 用户如果选择 D / Other,先让用户输入自己的开源项目筛选偏好,再继续后续 workflow。
- 如果用户初始消息已经写了 taste 且第一阶段选择“是”,第二阶段仍然要弹出 3 个建议选项 + Other;Other 的说明应提示用户可以直接沿用或改写初始偏好。
Gate 判定硬规则:
- 交互层是显式 yes/no gate:用户必须先选择 yes 或 no,才会进入下一步。
- 初始消息里已经写了 taste 也只是“待确认的 D 自定义偏好”,不能直接视为有效 taste。
- no 只表示“没有项目偏好”,直接走原 workflow,不展示偏好选项。
- yes 才触发第二阶段结构化偏好选择;D/Other 必须是客户端提供的可填写输入,不是在正文里模拟出来的填空项。
- 不允许把 yes/no 或 A/B/C/D 用 Markdown 列表、编号列表、表格或正文段落展示给用户。
结构化偏好选择规则:
- 建议选项必须由模型根据 JD 对应的项目大概分类动态生成;如果用户已提供个人信息、技术栈、时间预算或资源条件,则同时考虑;如果没有提供个人信息,就只基于 JD + 保守默认生成,不为了生成选项额外展开多轮问题。
- 建议选项不要写死成固定模板。
- 建议选项的 label 和 description 都要体现“已有开源项目 / GitHub 仓库 / 开源改造”的筛选语义,而不是项目从零实现方案。
- 自定义输入由用户自己填写;如果初始消息已给 taste 且用户确认使用,用户可在 D / Other 中直接沿用或改写该 taste。
- 用户选择建议项或填写自定义输入后,agent 将其归一化为结构化 taste,不要让排序脚本解析自然语言:
```json
{
"taste_text": "<用户最终确认的偏好原文或选项摘要>",
"prefer_tags": ["backend", "local-docker", "interview-friendly"],
"avoid_tags": ["pure-frontend", "multi-gpu"]
}
```
带有“不要 / 不想 / 避免 / 不希望”的内容必须进入 `avoid_tags`,不能当成正向偏好。tag 不是脚本内置词表;agent 只需保持用户 taste 与候选项目 `taste_tags` / `avoid_tags` 使用同一组短横线风格标签。
#### 1.2 其他 intake 信息
如果用户只给 JD 或缺少用户自身状态,不要直接进入完整执行链路。除 taste gate 外,再发起一个简短 intake,最多问 5 个问题:
1. 当前水平:0 基础 / 学过课程但项目少 / 做过相关项目 / 有实习或比赛经验。
2. 技术栈现状:已掌握语言、框架或方向;没有明确技术栈时使用 JD 跟随策略。
3. 时间预算:半天、1-2 天、一周、两周以上。
4. 资源条件:本地环境、Docker、数据库、云服务器、GPU、预算。
5. 运行深度:`interview-only`、`smoke-test`、`local-full-run`、`remote-full-run`。
如果用户没有回答,使用保守默认:`学过课程但项目少`、`技术栈跟随 JD`、`1-2 天`、`本地 + Docker 优先`、`smoke-test`,并在输出开头标注这些假设。
运行深度含义:
- `interview-only`:不要求跑完整项目,优先产出项目选择、简历 4-5 行、核心代码阅读路线、面试 Q&A、PPT 提示词。
- `smoke-test`:跑最小可运行路径,只证明项目能启动或核心流程能走通。
- `local-full-run`:在本地完整跑通 baseline/demo,并尽量产出可展示结果。
- `remote-full-run`:规划并使用云服务器、数据库、GPU 或其他远程环境完整跑通;先确认预算和账号条件。
### 2. Repo Discovery
无论用户是否选择了 taste,都必须找 2-3 个候选 GitHub 开源项目;这个 skill 不是从零创建新项目的生成器。优先选择:
- 与 JD 技术词高度匹配,如 Java/Spring、Go、Node.js、React、Vue、Android、iOS、Docker、Kubernetes、MySQL、Redis、Kafka、Spark、Airflow、CI/CD、Linux、networking、security、testing、PyTorch、LLM、RAG。
- README 清楚、有可跟的 install/run 路线。
- 有最小可运行路径,而不是只放设计图、论文链接或超大规模部署脚本。
- 资源可控,能在本地、Docker、轻量云服务器、免费云服务或单卡 GPU 上快速摸到结果。
- 有面试可讲的改造空间,而不是只能换标题。
如果用户在 JD 后 taste gate 中选择了有效 taste:
- taste 只作为额外维度,不替代 JD 匹配、可运行性、资源成本和风险判断。
- 选项目时优先考虑能解释“为什么符合用户 taste”的候选,例如方向、运行方式、面试表达、工程深度或避雷项。
- 候选 JSON 中必须尽量补充 `taste_tags`、`project_taste_notes`、`avoid_tags`:`taste_tags` 和 `avoid_tags` 用于结构化匹配,`project_taste_notes` 只做人类可读说明,不参与脚本打分。
- 如果用户选择 no,不要为了 taste 改写候选 JSON,也不要在后续补问;只有用户选择 yes 并完成结构化偏好选择或自定义输入后,才使用 taste 影响候选解释和近分排序。
读取 `references/repo-selection-rubric.md` 获取完整评分维度和淘汰条件。
### 3. Candidate Ranking
填好候选 JSON 后运行。无有效 taste 时使用兼容旧 workflow 的命令:
```bash
python -m shushu_internship_tool.candidate_score --jd jd.txt --candidates candidates.json --out reports/ranking
```
无偏好线路验收:
- 用户选择 no 后,不要弹出第二阶段偏好选择。
- 不要创建 `taste.json`,不要给候选 JSON 强行补 `taste_tags` / `avoid_tags`。
- 排序命令不得包含 `--taste`。
- 输出报告不得显示 Taste Fit 列,不得输出 `taste_matches`、`taste_mismatches` 或 `user_preference_notes`。
如果用户选择了有效 taste,必须先把最终 taste 写入 `taste.json`,再把它作为 `--taste` 参数传给排序脚本;忘记传 `--taste` 属于 workflow 错误:
```bash
python -m shushu_internship_tool.candidate_score --jd jd.txt --candidates candidates.json --taste taste.json --out reports/ranking
```
输出主项目、备选项目和风险表。脚本只做显式字段打分:JD 语义解析由 agent 完成并写入候选 JSON 的 `matched_jd_terms` / `jd_match_score`;license、可运行性和资源适配也必须由 agent 明确写入 `license_score`、`runnable_score`、`resource_fit_score`。排序脚本不根据 `license`、`runnable`、`compute`、`resources` 或其他自由文本猜分,也不解析自然语言偏好。最终选择仍要结合岗位方向、代码审计、用户背景和已选择的 taste。脚本会输出 `raw_score`、`max_raw_score` 和归一化到 0-100 的 `score`;无有效 taste 使用 104 分母,有正向 `prefer_tags` 的有效 taste 使用 114 分母并加入 `score_breakdown.user_preference`。`--taste` 必须包含结构化 `prefer_tags` / `avoid_tags`。
有效 taste 场景的打分验收:
- `candidate_score.json` 中每个候选都应包含 `score_breakdown.user_preference`。
- 有正向 `prefer_tags` 时,`max_raw_score` 应为 114;无 taste 时应为 104。
- `candidate_score.md` 应显示 Taste Fit 列。
- 最终推荐理由必须引用脚本输出的 Taste Fit / `user_preference`,而不是只在自然语言解释里“感觉更符合偏好”。
如果存在有效 taste,推荐输出中必须补充:
- 为什么符合用户 taste。
- 哪些地方不符合或有风险。
- 是否因此建议优先做,或只作为备选。
### 4. Project Recon
clone 项目后先非破坏性摸底:
```bash
python -m shushu_internship_tool.repo_audit --repo <repo> --out reports/audit --name <project-name>
```
然后人工/LLM 继续读:
- README、依赖和 install path。
- 入口:后端 API、前端页面、移动端 activity/view、CLI、worker、定时任务、训练/推理脚本、demo。
- 核心链路:请求流、页面状态流、数据流、任务流、消息流、模型/实验流。
- 数据和状态:数据库 schema、缓存、队列、文件、对象存储、数据集、配置、checkpoint。
- 最小可运行命令和可能失败点。
产物应包含 `audit.json`、`overview.md`、`overview.html`,并补上核心代码讲解笔记。
### 5. Baseline Run
根据运行深度决定执行到哪里:
- `interview-only`:跳过实际运行,把重点放在 repo 阅读、代码入口、可讲链路、改造计划和面试材料。
- `smoke-test`:优先本地最小路径跑通。
- `local-full-run`:本地完整跑通 baseline/demo,记录命令、配置、结果和失败修复。
- `remote-full-run`:先读取 `references/remote-compute-checklist.md`,确认预算、账号、数据和资源,再跑远程环境。
最小路径跑通时:
- 使用 Docker、本地数据库、mock 数据、小数据、小 epoch、CPU 或单卡 smoke test。
- 记录环境、命令、耗时、硬件和失败修复过程,够面试复盘即可。
- 失败时先缩小问题:依赖、端口、环境变量、数据库迁移、数据路径、版本、权限、CUDA、checkpoint、参数。
### 6. Ownership Build
做一个可面试、可解释、推进快的改造,优先选择能在面试中讲清楚的增量:
- 后端:加认证/鉴权、CRUD、搜索、缓存、限流、异步任务、消息队列、数据库迁移。
- 前端/移动端:加页面、状态管理、表单校验、错误态、可视化、离线缓存、响应式布局。
- 全栈:打通 API、页面、数据库、部署和测试,做一个可演示业务闭环。
- 测试/质量:补单测、集成测试、E2E、CI、覆盖率、mock、压测。
- 数据工程:加 ETL、调度、数据质量检查、指标看板、增量同步。
- 云原生/DevOps:Docker Compose、Kubernetes manifest、CI/CD、日志、监控、告警。
- 安全:输入校验、权限模型、依赖扫描、审计日志、常见漏洞修复。
- AI/算法:换数据集/模型、加评估、加 demo/API、优化训练或推理流程。
读取 `references/modification-playbook.md` 选择难度和验收方式。
### 7. Interview Pack
当项พูดคุย
ถาม แชร์เคล็ดลับ หรือแจ้งว่าใช้ไม่ได้ เรียงตามที่คนกดว่ามีประโยชน์
ยังไม่มีใครโพสต์ ถามหรือแชร์เป็นคนแรกได้เลย
ข้อความในส่วนนี้เขียนโดยผู้ใช้ ไม่ใช่ทีม PopNx
ข้อมูลจาก GitHub
- ดาว GitHub
- 2,197
- ผู้ทำ
- LiuMengxuan04
- license
- ไม่ระบุสัญญาอนุญาต รีโปนี้ไม่ได้ระบุสัญญาอนุญาต (license) ตามกฎหมายลิขสิทธิ์ถือว่าเจ้าของสงวนสิทธิ์ไว้ ใช้เองได้แต่ควรถามเจ้าของก่อนแจกต่อหรือใช้ในงานขาย
- แก้โค้ดล่าสุด
- 24 มิ.ย. 2569
- ไฟล์ SKILL.md ใน repo (นับรวมสำเนาภาษาอื่นและแม่แบบ)
- 1
- topic
- ai, ai-agents, skills