慢🦶想要什么样的人

😭😭😭😭本人26届双非本，后端选手。从25年秋招开始，一直到春招5月份，一共面了12次字节。可以说后面能继续投递面上字节大概率是因为前面一直累计的面评还不错，但是最终的结果往往不尽如人意，黄梁一梦。timeline:如标题，总共面了12次字节，4个不同的岗位。第一次：抖音生活服务测开二面完排序挂第二次：TikTok国际化电商测开三面完排序挂第三次：飞书后端安全团队三面完挂第四次：飞书后端偏基架团队三面完过，HR面完之后询问综合排序不推进。我知道像BAT这样的公司，双非本想拿到一张入场券有多难，也知道每次挂在排序/三面/HR面，那种差一步上岸又被打回原点的落差感有多磨人。可是最后一次字节的这个岗位，已经是5月中旬才开始面得了，春招末期的岗位，我本以为真的缺人，三面过的那天，我真的以为就差一步hr面就稳了，但是，最终的结果很遗憾，综合排序综合排序，不推进了。如果是技术能力的问题，我想也不会每一轮技术面给我通过。思来想去。难道真的就是因为我们双非有案底，所以最后的一切又算什么呢。付出这么多的时间精力，还是抵不过双非学历太差吗？既然如此一开始直接卡掉简历不用给面试不就行了嘛，每一轮面试都给我们生的希望，最后的最后又回到了那个必输的起点。12次字节，说不遗憾是假的，也无数次怀疑过自己：是不是我算法刷得还不够？是不是项目亮点讲得不够好？是不是学历就是一道跨不过去的坎？但回头看，这一年的秋招到春招，从面对面试官紧张到说话卡壳，到后来的从容面对，再到如今甚至能和面试官探讨AI&大模型技术的一些方案思路，我已经比去年的自己强太多了。可能字节于我，真的是一场盛大的单恋，拼尽全力奔赴，却还是没能收到想要的回应。前路漫漫，字节的梦碎了，但我的路还在继续，希望下一站，会有属于我的一场徐风。

兄弟们没招了，起因是我发现我的offer上没有byteintern的标志 我就去问了问hr 结果hr跟我说我是日常人都给我整懵逼了 关键是全面沟通的时候明明不是日常啊我qiao后续还打电话跟我沟通就是没席位了当时 两者是一样的叫我不要担心

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！