锐品大模型应用开发简历

美工职业一个月能拿多少工资？在许多人的印象中，“美工”似乎就是坐在电脑前修图、做海报的设计人员。这个职业门槛看似不高，但薪资水平却千差万别。有人拿着3000元的月薪苦苦挣扎，也有人月入过万甚至更高。那么，一名美工的真实收入到底是多少？究竟是什么在决定他们的“钱途”？要回答这个问题，我们不能只看一个数字。根据国内主流招聘平台（如BOSS直聘、前程无忧）2024年的数据显示，美工岗位的月薪大致呈现以下分布：初级/实习美工（0-1年经验）： 月薪普遍在 3,000 - 5,000元。这部分主要是刚入行的新人，能熟练操作PS、AI等基础软件，但缺乏独立完成商业项目的能力和经验。中级美工（1-3年经验）...

制造业，新能源汽车公司1. 自我介绍2. 学了哪些专业课？3. 学AI学了多久？4. 大模型幻觉怎么解决？5. 拷问RAG（chunking、检索等）6. 如何选择embedding模型？怎么判断这个模型的优劣？7. 多轮对话是如何实现的？8. 如何解决lost in middle问题？9. 写过Skills吗？讲一下你是怎么写的？10. 你认为写好一个SKill的重点是什么？（写好description，渐进式批露等等，他说只达到了1，2点，随后讲了很多，包括边界，观测等等）11. 非技术问题如职业规划、到岗时间等12. 反问环节13. 面试官讲了很多，未来如何成为好的程序员。以及内部做的AI落地方案。学到了很多，非常有实力，爆赞！面试官给了很多建议，也表达了自己的很多看法。没有实习，甚至也没有什么八股。很意外的过了，非常感谢面试官。建议去看看：1. OpenAI的新岗位：FDE2. 北大与交大最新关于SKill的顶刊

1.讲解一下如何基于ReAct架构开发的？2.通过什么方式去验证skill的提升效果，指标是什么？3.为什么使用布隆过滤器和ZSet数据结构呢？4.如何保证缓存一致性的？5.redis除了缓存还有什么应用场景？6.如何避免锁误删的情况？7.为什么要使用消息队列？8.如何保证只消费一次，不重复消费？9.如何保证消息队列的延迟消息？10.threadlocal是怎么使用的？原理是什么？为什么不是用线程id去作为key？11.使用threadlocal有什么最佳实践？为什么key被设计为弱饮用？12.讲解一下jvm内存结构？垃圾收集器？jvm调优参数？13.线程池怎么使用的？最大线程数是怎么设置的？...

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！