offer帮选

这个电话我漏接了回拨无效 说只能等人主动拨回来想问问这个是腾讯官方的还是腾讯外包的啥的🥹 无邮件约面信息

1、这群人晚上 11 点发朋友圈："凌晨 11 点，三环的灯还亮着。" 实际下班时间：19:30。2、什么是嘉豪呀？我最近在字节实习，没什么时间上网3、同龄人：学校社团、酒吧蹦迪；我：acm、字节/腾讯实习4、别人朋友圈发：“今天不想上课”；我朋友圈发：“今天的班就上到这里啦”，定位：字节跳动5、别人的朋友圈都是到处旅游的定位，我的朋友圈天天都是“字节定位”，还一定要是在【公司的健身房】里拍张照片，实际只练了10分钟，其中凹造型5分钟6、mentor布置任务的时候，别人都是：”好的收到“，我：”是不是要xxxx，xxxx这么做也可以吧，这个技术方案会不会更好些“7、别人书包里装的：王道408、轻薄本、四六级真题。我书包里面装的：显存24GB4090独显gpu（24小时开机运行，屏幕上贴着“字节/腾讯等贴纸”）、速效救心丸（代码报错用）、电棍（熬夜写代码困了用），就很……你们懂吧8、入职大厂第一件事：发朋友圈、发小红书，晒工牌，985计算机硕｜字节实习生｜可以接咨询｜有偿改简历，9、别人的社交软件简介：25岁｜男｜希望遇见有趣的灵魂；嘉豪的社交软件简介：25岁｜程序员｜字节跳动工程师｜一张佩戴工牌的自拍照大厂嘉豪标配：1. 挂胸前的工牌（地铁里只挂不收，怕你看不见 logo）2. 降噪耳机（不放音乐也戴着，避免别人跟自己说话）3. 印 logo 的电脑包（字节红 / 腾讯蓝 / 阿里橙 / 美团黄）4. 手表（最好显示心率，午饭后必发"步数已破 6,000"）

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！

Timeline：5.25一面 半小时后约二面5.26二面5.27oc业务应该是agent开发不过不是很想回北京