慢🦶🐮b

先说说本人情况，实习快两个月了，目前实习节奏和强度始可，现在是在做新需求，我参与的也比较多，从前辈身上也能学非常多东东西，mt和组员都非常好非常包容，昨天下班后还一起聚餐了，目前整体的团队氛围我很喜欢。前两周mt还主动和我1对1谈话，觉得我最近做的不错，这两周结束后看表现会去跟N+2求转正资格，爽之爽之。但是现在实习话感觉人班味越来越重了,下班后就想赖床上不想学新东西，面经也很少看，现在有接到面试全推到端午后了，平常根本就没精力去备面试，在这边实习后心态也有很大的变化，对学校里的课程的重视程度也在不断降低，越到后面越在思考学校的意义是不是就在于有个学位证，有点话密了。现在也挺迷茫的吧，想听听牛...

先来介绍本文的北京，北京朝阳一家做政府业务的公司， 7 个工作日前我成功入职“Java 开发实习生”，试用期 5 天。来到公司之后的首个任务是文书工作，技术总监要求我为一个已有的项目填写软著材料，这倒还行，虽然跟 Java 开发八竿子打不着但至少交流起来没什么困难的，用 AI 后写起来也很快。第二个任务可就麻烦了，"基于微表情分析的面试辅助系统" ，还是技术总监丢给我的。我没有给计算机视觉经验也没有 python 开发经验，但是我就是被安排去做这件事了，因为他觉得会用 AI 就能成？于是就出现了以下对话：技术总监：你去分析一份微表情能够做什么我：说了一大堆并且提到“不能仅通过微表情来判断对象是否说谎”，法律、市场上有风险他：你没明白我的要求，我要你判断微表情能够做什么，你跟我提什么法律、市场干嘛，你只负责搞技术就行了当时的我直接就愣住了，不是你让我去分析能够做什么的吗？怎么现在我给了结果你不人呢？现在我明白了，他口中的"能做什么"和我理解中的不一样，他不在乎技术上的能否可行，想要的就只是一个结果，一个项目成功运行后提供的功能，渲染的页面。那倒是简单了，既然都不考虑技术能否做到了，那当然是都可以做到了，毕竟 AI 无论你输入什么都会回应，稍加引导就能让 AI 说出想要的话。唉，我觉得很烦，很累。这和我想象中的完全不一样，为什么我一个搞技术的人要搞这种置信度低的项目呢？大概就只是因为 "我司雇我在"吧，而那位技术总监又是一句话就能决定我是否通过实习期的人，所以顺着他，哄着他就可以了吧……昨天下午来了一个面试的，让我有些焦虑。如果我没有通过实习期该怎么办呢？要知道我的那位即使总监对我的评价并不高（见图片）

中国交易与广告方向--客户端暑假实习这期神了，考的老难了，面的满头大汗（不是形容词是真的面完满脸通红）压力面，不停打断，话不多说直接开始1.说说你这个项目的作用，以及你做这个项目的动机2.项目的核心功能是？（面试官来自客户端的居然也会所有后端的东西，确实非常的厉害我还以为像前两面的面试官后端的东西一点都不会）3.说说项目里feed流的架构设计4.让我们想象一个场景啊，假如你项目这个feed流，他的用户量变成抖音这个量级，你该怎么办5.你这是个单体的小项目，如果要把她变成一个超大的巨型项目，你的核心组件的架构该怎么变6.你的项目里写了并发控制，然后就是超卖，什么是超卖，超卖如何解决7.能百分百解...

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！