5.18京东一面

在京东零售的HR部门实习，筛过简历，也跟过业务部门的面试。说实话，大厂招人，尤其是像零售这样业务复杂、节奏飞快的部门，学历只是敲门砖，真正能留下、混得好的，都是这些人。1.“接地气”的学霸：学历是底线，但“能打仗”才是关键​ 我们组里，学历跨度挺大。有人大武大硕士，也有普通一本的本科生。但大家有个共同点：没人把学历挂嘴上。我见过最受欢迎的同事，是个二本出身但做了五年人力的“老手”（之前是猎头出身），对细节的熟悉程度，让名校新人只能默默记笔记。 京东零售喜欢的人：可以是名校，但绝不能眼高手低；可以学历普通，但必须有实打实的项目经验或解决问题的能力。校招生有没有论文？不重要。重要的是，你能不能把复...

30分钟就结束了主面试官比较年轻也比较和善，另一个年龄大点的表情比较严肃上来先自我介绍然后是项目深挖，不过和他们组里的业务好像关系不大，八股准备好几天是一个没问，问我会不会Java，我说不会，我学的是Go，说之后进来的话可能要转Java然后反问环节无手撕第一次大厂面试，比较紧张，不过面试官还比较好，当练手了，感觉方向不是很合适

都是前段时间面的，之前在忙实验室的项目没时间整理，现在简单整理下。美团和京东都是挂了之后的第二次一面，京东目前没出结果，美团一面过了约我五一后二面，但是滴滴已经给offer，大概率不去面了。美团一面你这个方向是网络安全，但你投的是后端开发，是什么原因？后端开发跟 Agent 开发，你更倾向于哪个？讲一下你第一个项目整个编排平台的执行过程。节点执行过程是不是分多个状态？还有其他状态吗？比如用户取消？用户取消的话，正在执行的节点会流转到什么状态？你们有没有用到状态机去做状态流转？还是纯靠业务判断？怎么保证状态流转的线程安全？如果有两个线程同时将节点从 running 改到成功，你怎么处理？数据库层...

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！