今年阿里云体检，还指检吗

012026年5月的最后一个下午，和往常没什么不同，校园里奔走的人们脸上写着的大都是兴奋于快乐，只是在我看来这一切已经不属于我们。由于有一些同学已经出去找工作，平日拥挤的宿舍显得空空荡荡，几个人个人在玩着游戏逃避现实，偶尔几句并不意气风发的对话，这就是我大学生活的最后一个学期，往日欢聚时的欢声笑语都已隐隐远去，将来走出校园也许就意味着走进孤独？这个夜晚，我又一次走进操场，狂欢了一夜的校园安静极了，我不得不想，走出这个校园，明天会在哪里落脚。春节过后，因为毕业实习而分别了很久的同学返回了校园，由于有了毕业实习单兵作战的酸甜苦辣，重新相聚，自然格外亲切，大家可能都意识到，大学所剩的时间不多，这是散...

我爸是退休的公务员，一辈子最大的安全感就是"铁饭碗"。从大一开始他就让我考公，他甚至连续两年自己掏钱给我报了辅导课，每年寒暑假桌上都堆着几本他用红笔划过的资料。我没说我没打算考，每次寒暑假回家他都说"你那个互联网，是不是骗人的？"。我笑笑回"爸你别担心"。去年秋招我签了字节，签字那天没告诉家里。春节回家他还在饭桌上跟亲戚说"我家儿子打算考公"。直到春节最后一天我才告诉他。那天晚上他没说话，他应该是很生气吧！之后三个月，他没主动打过电话。我妈说"你爸没生气，就是没准备好"。下个月我就要去报道了，毕业前要回家收拾东西。我想跟他说一句"对不起，我没听你的话"。但又怕他听完会说"哎，没事，是爸不懂"他要是真说出这句，我会更难过。

最近，我在跟我朋友讲述以前发生过的事情，她表示根本无法想象那个环境，仿佛是上个世纪才听到过的一些事情。还说我没有“长歪”，简直就是个奇迹了。我出生在湖南的一个偏远的农村底去，父母是地地道道的农民，也没接受过什么高等的教育，都是读完初中就没读了。但是他们对我的教育却是比较重视，把我送到隔壁的村读小学和初中，因为我们那边还没有初中，整个学校也只有两个老师，教育质量可以说非常低了。所以我每次上学都要差不多走5公里才能去到学校，初中还好一点，可以寄宿学校了。小学和初中，我算是一个什么坏事都做过一些的差学生，抽烟、喝酒、嚼槟榔、翻墙出去上网都是基本操作，还有好几次打群架被喊家长了。那边基本上每年初二和初...

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！