大疆 2023秋 产品经理 综合评估阶段

开会的时候，你负责的一个数据还没有完全获取到，这时候有人问了一句：“这个确认稳定吗？”你不想把场面弄得太紧张，于是随口回答：“应该没问题。”当时觉得，自己在前面加上了“应该”两个字，属于给自己留了余地了，真聪明但实际上不是这样，别人记住的，以及留在会议纪要材料里的，应该不是“应该”，而是“没问题”等后面数据跑出来，或者项目真的出了问题了，会议纪要里的这句话就会被标黄截图发出来“你当时不是说没问题吗？”本来是不确定的，反而成了一句承诺那，这题怎么解？假如领导在场，不管这个问题是不是他提的，既然被人抛出来，就不能不接不能说“没有把握”，也不能直接说死“能”或者“不能”可以先给一个基准时间，比如：“...

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！

字节： 面试时会把简历里的项目挖的很深，项目的背景、指标为什么这样定。有没有更好的办法，如何复盘等问题，都需要准备阿里：面试问题更偏宏观，喜欢听你对某些行业的看法或者产品的规划腾讯：面试时会考察项目的价值，更在意用户价值而非成本价值，经常会问你对腾讯系产品的体验和优化建议京东：诚信和抗压能力时最强调的点，如果你家境一般且表现出很强的赚钱欲望，那你面试已经过了一半美团：面试会考察业务逻辑，指标及执行细节，需要准备一个你通过数据拆解问题并一步步解决的case拼多多：面试时表示自己身体好接受加班，不怕高强度工作基本就稳了华为：面试时熟背华为价值观（严格学历厂的）快手：最好简历上有份字节经历

1. 介绍下自己的优缺点2. 你的 Agent 主要是用来解决什么问题的？这个 Agent 主要解决跨境电商运营中“数据分散、决策链路长、人工分析慢”的问题。传统运营需要分别看广告后台、商品后台、库存系统、用户评论、竞品价格和售后工单，再人工判断问题原因。Agent 的目标是把这些数据源通过工具封装起来，让模型按任务目标自动规划查询步骤，并生成有证据支撑的运营建议。比如用户问“为什么这款蓝牙耳机最近销量下滑”，Agent 不会直接回答，而是会拆成几个子任务：查曝光和点击是否下降，查转化率是否下降，查广告 ROI 是否异常，查库存是否断货，查评论是否出现集中差评，查竞品是否降价。最后根据证据判断...