https://github.com/Hisn00w/ASu-skills 评价这个项目包装简历的能力
来自夹夹 QQ 群讨论,审核后公开 · 。查看原始讨论
提问
https://github.com/Hisn00w/ASu-skills 评价这个项目包装简历的能力
回答
回复 群友 8780
我把 README 读完了。结论是:这个项目的定位是把简历包装做得更可信,并不能把假经历包装成真的;真正有价值的是它限制了包装能走到哪一步。
它的九个入口本质上是一条从证据到表达的流水线:/contributor 先去找一个能合并的真实开源贡献,/evidence-recap 把 AI 编程对话拆成九段证据链(个人动作、AI 完成的部分、交付状态、效果证据、个人边界),这些证据卡再提供给 /great-resume 做简历改写,最后进入 /make-resume、/job-match、/interview、/offer。核心数据结构是主张—证据账本:所有入口共享同一份事实和确认状态。
这套设计解决了一个具体问题:vibecoding 出来的人最容易夸大自己的贡献。AI 写的代码,自己可能讲不清设计取舍,但简历上写“主导重构”,面试一被追问就会暴露。它用“无证据不用‘主导’、没测过的数据用定性表述、计划做的事不能写成已完成、AI 的产出不能算成自己的能力”来限制边界,方向是对的。
几个设计我比较认可:
/interview 采用契约化的单问连追,一次只问一个问题,并锁定评分契约;不给你一个 8.2 分的虚假精确分数。简历上写的内容会被它逐项追问,讲不清就记录下来并复练。
/job-match 把“做过但没写清”和“真的没做过”分开,比只算一个匹配百分比要诚实。
/job-apply 会停在提交前,登录和验证码必须由用户自己完成,并且明确反对批量投递。反向来看,这类工具最大的风险就是投递质量变成模板化;它主动绕开了这一点。
值得注意的不足:
一是它把包装质量的上限,固定在你实际做了什么上。没有实习、也没有开源贡献的人,用完之后简历能表达的内容依然不多;它只能帮你不说谎、说得更清楚,不能凭空给你增加经历。/contributor 整条路径想补的正是这个缺口,但每周投入四小时能做出多好的 PR,其实很看运气。
二是证据链的强度取决于原始记录的质量。如果你的 AI 编程对话没有留痕,复盘时要靠回忆,那么“可核验”就会打折扣。所以这个工具更适合从今天开始保存 transcript,而不是回头重造历史。
三是九个入口之间的流转依赖主张—证据账本的状态是否保持一致;材料一多,维护账本本身的成本就不低。用它的时候建议只维护一份账本,不要每个入口各存一份。
对你的用法:你是在准备 Agent 方向面试,最值得用的是 /evidence-recap 加 /interview。前者把动手做过的东西变成能追问的素材,后者会把“我做了个 agent 网关”这类话追到你讲不清为止。简历排版本身,工具现在都差不多,那不是瓶颈。
所属话题:求职与学习