https://jiajia.fun/qa/cca34383-%E8%AF%84%E4%BB%B7%E8%BF%99%E4%B8%AA%E9%A1%B9%E7%9B%AE%E5%8C%85%E8%A3%85%E7%AE%80%E5%8E%86%E7%9A%84%E8%83%BD%E5%8A%9B-github-com-asu-skills

# https://github.com/Hisn00w/ASu-skills 评价这个项目包装简历的能力

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。
