all in ai 后，互联网也要没了

27届，3.16开始投递，boss打招呼来了惊人的 6k+，要简历的只有 360。从三月到五月，感觉像被扔进了一场没有终点的暴雨里：每天机械地投递、背八股、改简历、跑面试，盯着越来越少的 Java HC，看着 AI Agent 风口席卷一切，开始怀疑自己过去几年到底学了什么。每天又想着背八股、熟悉项目，一边又要投岗位，有时候一个小时过去了都不知道，时间压力、学习压力接踵而至……最难受的不是被挂，而是连面试机会都没有；不是累，而是长期努力得不到反馈后的失控感，投资回报率甚至得用负来表示。一边骂行业、骂市场、骂自己，一边又不肯真正躺下，哪怕情绪崩到恶心、麻木、脱敏，第二天还是继续投递。微信里每天都...

牛客上看到牛肉哥，飞升哥，逆流哥的经历，感觉都很厉害，本人学了看了mysql的增删改查和索引部分，后面有些东西看了但看不懂，最近刚开始学web了，一边学习自己的，一边看同龄计算机的有些已经打算法比赛了，又有一点学历上的不足，偶尔还会有提升学历(二本)的想法， ᶘ ᵒᴥᵒᶅ 看了眼牛客又又又焦虑了，下午继续学，不过最近还有一个月期末了，又要准备开始转移重心了。←_←

很多小伙伴对最终结果很感兴趣，结果我放在评论区了，之前发的小红书帖子 这场小红书前端社招一共四轮。最让我意外的是，几乎每一轮都花了很多时间在聊项目和作品。 我不是标准履历：专升本背景，过往找工作也遇到过学历筛选。所以这篇想记录的不只是题目，也想说说：如果背景不够漂亮，怎么用作品把面试聊起来。 我的作品集/开源主页在这里，后面提到项目时可以对照看： https://github.com/tt-a1i 先说结论  常规场景题会问，但这次真正展开的是项目。 作品要能现场打开、能讲清楚取舍，而不是只写在简历上。 手写题这块我发挥很差，3 道题都没写出来，但后面还是靠作品继续聊下去了。 对非标准背景的人...

在我来鹅之后，接到的第一个完整大需求就是需要编写一个skill，之前的实习也写过一些skill，但是在我的理解中skill就是跟提示词没差，把你需要的目标全写上就好了，所以第一次mr我提交了一个超过1200行的md，被mt打了回去，为了完成这个需求，我又赶紧请教了我身边的大神同学，获取一些写skill的经验，将原先1200行的md进行了对应的references拆封，又通过我朋友教我的验证机制验证这个skill的效果，最后完成了我的第一个需求。正好前两篇文章给大家分享了写好的用来包装简历的skill，那么今天来给大家分享怎么去写一个好的，可以实际用来工作的skill，摆脱只会写提示词的尴尬。构建 Skill 的五个步骤Step 0：先写 EvalsEval（Evaluation，评估）是一套结构化的、可重复运行的测试用例集，用来判断 Skill 的表现是否符合预期。它不是泛指"测试一下"，而是开发 Skill 的前提条件。一个典型的 Skill eval 集至少包含三类用例：- 正例（Positive）：用户说“帮我看一下这个 PR 能不能合”，验证 Skill 应该被加载- 负例（Negative）：用户说“帮我把代码格式化一下”，验证 Skill 不该被加载——路由别跑偏到不该触发的地方- 边界（Edge）：“这个 PR 改了一行日志，要不要审”，验证边界情况下的路由行为正例和负例都要写，而且负例往往比正例更值钱——误触发是 Skill 路由的头号失败模式。Eval 不只是测一次。Perplexity 的 eval 分三个层次：如下图每种都要在 GPT、Claude Opus、Claude Sonnet 不同的 orchestration 模型上分别跑——Sonnet 和 GPT 的 Skill 行为差异很大，只在一种模型上过了不够。没有 evals，你改 description 就是在盲改，一个新 Skill 也可能悄悄搞坏已有的十个 Skill。Step 1：写 Description（最难的一行）description 是路由触发器，不是文档。写好它不需要关心 Skill 的内容，只需要关心能不能在正确的时间加载、有没有意外触发到不应该触发的地方——误触发是头号失败模式，每加一个 Skill 都有可能让其他 Skill 变差。糟糕的 description 描述 Skill 做什么，好的 description 说什么时候加载。举个监控 PR 的例子：不要写这个 Skill 做什么，要写工程师感到焦虑时会说什么——"babysit"、"watch CI"、"make sure this lands"。快速检查清单：- 以"Load when…"开头- 控制在 50 词以内- 描述用户意图，最好来自真实查询- 不总结工作流程Step 2：写 Body跟同事讲工作流程和跟 LLM 讲工作流程完全是两回事。对几乎任何面世超过一年的软件工具，只要提名字，模型已经知道怎么用。所以跳过模型已经懂的部分。不用写出每一步命令。比如不要写 git log → git checkout main → git checkout -b clean-branch → git cherry-pick commit。写 "Cherry-pick the commit onto a clean branch. Resolve conflicts preserving intent. If it can't land cleanly, explain why." 模型在后者上表现好得多，尤其是事情不按预期走的时候。太规定的指令比灵活的指令更脆弱。然后聚焦 gotchas 和反例，它们是最高信噪比的内容。每次 Agent 搞砸了就加一条，gotcha 会自然地累积起来。条件逻辑或内容太重的东西移出 SKILL.md，放到 accessory file 里渐进加载。Step 3：用层级结构- scripts/ —— 确定性逻辑，模型不用每次重新发明- references/ —— 重型文档，条件触发才读（"如果 API 返回非 200，读 api-errors.md"）- assets/ —— 输出模板，模型直接复制填充- config.json —— 首次运行设置，问一次保存下来对于极其复杂的 Skill，进一步考虑是否应该拆成一组 Skill，用 depends: 声明加载关系。Step 4：迭代切分支出来，在无 Skill 的状态下跑 hero query（核心用户场景查询），建 eval 集，反复调。提交 review 时最好一个 changeset 里自带 eval 集。Description 里的小词改动对路由影响很大，甚至会 spillover（溢出）到其他 Skill，所以这些在 Step 5 之前做完。Step 5：发布大家快把这5步实行起来，成为写skill专家吧！