Developer Assessment

GitLab Developer Assessment Skill

GitLab 開發者評估與分析專家，透過 gl-cli.py 工具深度分析開發者在 GitLab 上的活動與貢獻，提供多維度的技術能力評估。

描述

本 Skill 專門處理開發者評估相關的任務，支援以下使用場景：

📊 支援的評估範圍

• 單一開發者分析：分析開發者 en20241119
• 多位開發者分析：分析開發者 en20241119、G2023018、alice
• 全體開發者分析：分析所有開發者
• 彙整所有評估結果：彙整所有開發者的評估報告

🎯 支援的篩選條件

• 時間區間：過去一個月、過去三個月、2024-12-21 至 2026-01-21
• 專案範圍：特定專案（如「新求才WebVue」）或全專案
• 評估類型：完整評估、程式碼品質分析、協作能力評估、技術廣度評估

💡 使用範例

# 範例 1：單一開發者的完整評估
分析開發者 en20241119，過去一個月在「新求才WebVue」專案的完整評估

# 範例 2：多位開發者的比較分析
分析開發者 en20241119、G2023018，過去三個月的完整評估

# 範例 3：全體開發者的團隊分析
分析所有開發者，過去一個月的完整評估

# 範例 4：特定維度評估
分析開發者 alice 的程式碼品質和 commit 規範

# 範例 5：跨專案比較
分析開發者 bob 在所有專案的技術能力評估

# 範例 6：彙整所有評估報告
彙整所有開發者的評估報告成一份摘要表格

核心職責

1. 互動式需求確認

   • 識別評估目標（單一、多位或全體開發者）
   • 解析時間區間（相對時間或絕對日期）
   • 確認專案範圍（特定專案或全專案）
   • 選擇評估維度（完整評估或特定維度）

2. 資料收集流程 (詳見 gl-cli.py 完整操作手冊)

   標準工作流程：

   Step 1: 執行 gl-cli.py user-details 收集開發者資料
   ↓
   Step 2: 掃描 .\scripts\output\users\{username}\ 目錄下所有 CSV 檔案
   ↓
   Step 3: 分析各項 CSV 檔案（commits, code_changes, merge_requests, code_reviews 等）
   ↓
   Step 4: 產生評估報告並儲存為 analysis-result.md
   

   ⚠️ 重要：

   • 使用 gl-cli.py user-details 取得開發者詳細資訊（commits, code changes, MRs, reviews）
   • 輸出路徑固定為 .\scripts\output\ （不要使用 --output 參數）
   • 索引檔案問題：{username}-index.md 可能不完整！
     • 原因：索引檔案在每次執行時會被重新生成，只記錄當次匯出的檔案
     • 解決方案：不要依賴 index.md，直接掃描目錄下的所有 CSV 檔案
     • 正確做法：使用 ls 或 glob 列出 .\scripts\output\users\{username}\*.csv 所有檔案
   • 根據實際存在的 CSV 檔案進行深度分析（而非 index.md 列出的檔案）

3. 多維度評估 (詳見 程式碼品質評估規範)

   依據 6 大評估維度 進行分析（總分 100 分）：

   維度	權重	主要指標	資料來源
   程式碼貢獻量	12%	提交次數、活躍度、產出量	statistics.csv, commits.csv
   Commit 品質	23%	Message 規範、變更粒度、修復率	commits.csv, code_changes.csv
   技術廣度與深度	18%	語言分布、檔案類型、技術棧	code_changes.csv, statistics.csv
   協作能力	12%	Merge Commits、衝突處理、Revert 率	merge_requests.csv, commits.csv
   Code Review 品質	10%	Review 參與度、深度、時效性	code_reviews.csv, merge_requests.csv
   工作模式與效率	10%	時間分布、穩定性	commits.csv (created_at)
   進步趨勢	15%	成長曲線、技能提升	時間序列對比

   詳細評估方法請參考：code-quality-analysis-spec.md

4. 報告產生

   • 產生結構化評估報告（markdown 格式）
   • 必須儲存為 .\scripts\output\users\{username}\analysis-result.md
   • 包含 6 大維度的綜合評分與詳細分析
   • 提供具體改善建議與學習方向

5. 彙整評估報告 (詳見 彙整報告規範)

   • 掃描 .\scripts\output\users\*\analysis-result.md 所有評估報告
   • 提取關鍵評估維度的分數
   • 產生 Markdown 表格格式的摘要報告
   • 必須儲存為 .\scripts\output\users\all-user-analysis-result.md

使用方式

在 GitHub Copilot Workspace 中使用

直接在對話中使用自然語言描述您的評估需求，本 Skill 會自動被觸發：

範例 1：單一開發者、特定專案、特定時間

分析開發者 en20241119，過去一個月在「新求才WebVue」專案的完整評估

執行流程：

1. 解析參數：開發者=en20241119，專案=新求才WebVue，時間=過去一個月
2. 計算日期範圍（如 2024-12-21 至 2026-01-21）
3. 執行 gl-cli.py user-details --username en20241119 --project-name "新求才WebVue" --start-date 2024-12-21 --end-date 2026-01-21
4. 分析 CSV 資料產生評估報告

範例 2：多位開發者比較分析

分析開發者 en20241119、G2023018，過去一個月在「新求才WebVue」專案的完整評估

執行流程：

1. 識別多位開發者：en20241119, G2023018
2. 分別收集兩位開發者的資料
3. 產生個別評估報告
4. 產生比較分析（可選）

範例 3：全體開發者團隊分析

分析所有開發者，過去一個月的完整評估

執行流程：

1. 識別關鍵字「所有開發者」
2. 詢問是否指定專案範圍（或分析全專案）
3. 列出所有開發者清單
4. 批次執行評估並產生團隊摘要報告

範例 4：特定維度分析

分析開發者 alice 的程式碼品質和 commit 規範

執行流程：

1. 識別評估維度：程式碼品質、commit 規範
2. 收集相關資料（commits.csv, code_changes.csv）
3. 僅針對指定維度進行深度分析

關鍵字觸發模式

本 Skill 會根據以下關鍵字模式自動觸發：

互動式確認流程

當使用者輸入的資訊不完整時，本 Skill 會主動詢問：

使用者：分析開發者 alice
↓
Skill：請問您要分析的時間範圍？
  1. 過去一個月
  2. 過去三個月
  3. 過去半年
  4. 自訂時間範圍
↓
使用者：選擇 1
↓
Skill：請問要分析哪些專案？
  1. 所有專案
  2. 指定專案（請提供專案名稱）
↓
使用者：選擇 2，專案名稱「新求才WebVue」
↓
Skill：開始執行評估...

工具整合

📚 完整操作手冊: gl-cli.py 使用指南 - 包含所有命令、參數說明與範例

gl-cli.py 核心命令（v2.0.0+）

⚠️ 命令執行規則與標準工作流程

步驟 1：執行資料收集命令

執行 gl-cli.py user-details 時，不要使用 --output 參數（使用預設輸出路徑）：

cd scripts

# ✅ 正確：使用預設輸出目錄 ./output
python3 gl-cli.py user-details \
  --username <開發者名稱> \
  --start-date <YYYY-MM-DD> \
  --end-date <YYYY-MM-DD>

# ❌ 錯誤：不要指定自訂輸出目錄
# python3 gl-cli.py user-details --username alice --output ./custom-dir

步驟 2：掃描實際 CSV 檔案

資料收集完成後，不要依賴 index.md，直接掃描目錄：

# 列出該開發者目錄下的所有 CSV 檔案
ls -lah .\scripts\output\users\<username>\*.csv

# 或使用 glob 模式
glob pattern="scripts/output/users/<username>/*.csv"

步驟 3：分析 CSV 檔案

根據目錄中實際存在的檔案進行深度分析：

• statistics.csv - 統計摘要（17 個指標）
• commits.csv - Commit 詳細記錄
• code_changes.csv - 程式碼異動詳情
• merge_requests.csv - MR 記錄
• code_reviews.csv - Code Review 評論
• 其他 CSV 檔案（根據實際產生的檔案）

步驟 4：產生評估報告

依據 程式碼品質評估規範 產生報告，並儲存為：

.\scripts\output\users\<username>\analysis-result.md

重要原因：

• 後續分析流程依賴標準輸出路徑 .\scripts\output\users\{username}\
• 確保 CSV 檔案的路徑一致性
• 避免分析結果分散在不同目錄
• ⚠️ index.md 可能不完整，請直接掃描目錄確認實際檔案

# 環境設定
cd scripts

# ⭐ 主要命令：取得開發者詳細資訊（推薦使用）
python3 gl-cli.py user-details \
  --username <開發者名稱> \
  --project-name <專案名稱> \
  --start-date <YYYY-MM-DD> \
  --end-date <YYYY-MM-DD>

# 輸出檔案結構：
# .\scripts\output\                   # 預設輸出目錄（可透過 --output 參數自訂）
# ├── users\                          # 開發者資料目錄
# │   └── {username}\                 # 每位開發者獨立目錄
# │       ├── {username}-index.md     # 索引檔案（資料摘要與檔案清單）
# │       ├── user_profile.csv        # 使用者基本資料 (30+ 欄位)
# │       ├── user_events.csv         # 活動事件追蹤
# │       ├── commits.csv             # Commit 詳細記錄
# │       ├── code_changes.csv        # 程式碼異動詳情（file-level diffs）
# │       ├── merge_requests.csv      # MR 記錄
# │       ├── code_reviews.csv        # Code Review 評論
# │       ├── contributors.csv        # 專案貢獻者統計
# │       ├── permissions.csv         # 專案授權資訊
# │       └── statistics.csv          # 統計摘要 (多項指標)
# ├── groups\                         # 群組資料目錄
# │   └── {groupname}\
# │       ├── groups.csv              # 群組資訊
# │       ├── subgroups.csv           # 子群組列表
# │       ├── projects.csv            # 專案列表
# │       ├── permissions.csv         # 成員權限
# │       └── summary.csv             # 群組摘要
# └── projects\                       # 專案資料目錄
#     └── {projectname}\
#         ├── project.csv             # 專案資訊
#         └── permissions.csv         # 專案權限
# 
# 📌 CSV 檔案編碼：UTF-8 with BOM (utf-8-sig)，Excel 可直接開啟
# 
# 範例：分析開發者 G2023018 在 "新求才WebVue" 專案
# → 輸出路徑：.\scripts\output\users\G2023018\commits.csv

# 取得使用者專案列表
python3 gl-cli.py user-projects \
  --username <開發者名稱> \
  --group-name <群組名稱> \
  --output <輸出目錄>  # 選填

# 取得專案詳細資訊
python3 gl-cli.py project-stats \
  --project-name <專案名稱> \
  --output <輸出目錄>  # 選填

# 取得群組資訊
python3 gl-cli.py group-stats \
  --group-name <群組名稱> \
  --output <輸出目錄>  # 選填

🆕 支援多參數查詢與批次模式優化

# 多位使用者同時查詢（自動啟用批次模式優化）
# 批次模式：預先載入專案清單，共用快取，顯著提升效能
python3 gl-cli.py user-details \
  --username alice bob charlie \
  --start-date 2024-01-01

# 多個專案同時查詢（笛卡爾積模式）
python3 gl-cli.py user-details \
  --project-name "web-api" "mobile-app" "admin-panel" \
  --start-date 2024-01-01

# 組合查詢：多位使用者在多個專案的活動
# 注意：多使用者 + 多專案 → 使用笛卡爾積模式（較慢）
python3 gl-cli.py user-details \
  --username alice bob \
  --project-name "web-api" "mobile-app" \
  --start-date 2024-01-01

# 💡 效能建議：
# ✅ 推薦：多使用者 + 單一專案範圍（或不指定專案）→ 批次模式
# ⚠️  較慢：多使用者 + 多專案 → 笛卡爾積模式

相依套件與環境設定

執行前需確保已安裝：

• pandas
• openpyxl
• urllib3
• python-gitlab >= 4.4.0 (透過 gitlab_client.py)

若缺少套件，引導使用者安裝：

cd scripts
source .venv/bin/activate  # 如果有虛擬環境
pip install pandas openpyxl urllib3 python-gitlab

# 或使用 uv（推薦）
cd scripts && uv sync

設定檔配置

首次使用需設定 GitLab 連線資訊：

# 複製範本
cp scripts/config-example.py scripts/config.py

# 編輯 config.py，設定以下參數：
# - GITLAB_URL: GitLab 伺服器位址
# - GITLAB_TOKEN: Personal Access Token（需要 read_api, read_repository, read_user 權限）
# - START_DATE / END_DATE: 預設分析時間範圍
# - TARGET_GROUP_ID: 預設群組 ID（可選）

互動式工作流程

第 1 步：需求確認

詢問使用者：

1. 分析對象

   • 特定開發者（請提供 GitLab username）
   • 整個團隊/群組（請提供群組名稱或 ID）
   • 所有開發者（取得所有使用者列表）

2. 時間範圍

   • 最近 1 個月
   • 最近 3 個月
   • 最近 6 個月
   • 自訂時間區間（請提供開始與結束日期）

3. 專案範圍

   • 所有專案
   • 特定專案（請提供專案名稱列表）
   • 特定群組下的專案（請提供群組 ID 或名稱）

4. 評估維度（多選）

   • 提交活躍度與頻率
   • 程式碼變更量分析
   • Commit message 品質
   • 專案參與廣度
   • 技術棧識別
   • 完整評估（包含所有維度）

第 3 步：資料分析

分析流程（依據 程式碼品質評估規範）：

3.0 掃描目錄確認可用檔案

⚠️ 第一步：掃描目錄確認實際存在的 CSV 檔案！

# 掃描使用者目錄下的所有 CSV 檔案
ls -lah ./output/users/<username>/*.csv

# 或使用更友善的顯示方式
find ./output/users/<username>/ -name "*.csv" -type f -printf "%f\n"

從目錄掃描結果確認：

• 📁 哪些資料檔案可用（commits.csv、code_changes.csv 等）
• 📊 檔案大小（判斷是否有實質資料）
• 🕒 修改時間（確認資料時效性）

3.1 程式碼貢獻量分析（權重 12%）

資料來源：statistics.csv、commits.csv

分析指標：

• ✅ 提交次數（commits_count）
• ✅ 活躍天數（active_days）
• ✅ 程式碼新增/刪除行數（total_additions, total_deletions）
• ✅ 涉及檔案數（files_changed_count）

評分標準：

• 🏆 200+ 次提交：高活躍度 (9-10分)
• ⭐ 100-200 次：穩定貢獻 (7-8分)
• 📚 50-100 次：中等參與 (5-6分)
• 🌱 <50 次：參與度低 (1-4分)

分析命令：

# 讀取統計摘要
cat ./output/users/<username>/statistics.csv | grep "commits_count\|active_days\|total_additions"

3.2 Commit 品質分析（權重 23%）⭐ 最重要

資料來源：commits.csv、code_changes.csv

分析維度：

A. Message 規範性（30%）

檢查指標：

• 是否遵循 Conventional Commits 格式（feat, fix, docs, refactor, test, chore, style, perf）
• Message 長度是否適中（50-72 字元）
• 是否包含清楚的描述

優質範例：

feat(auth): add JWT token validation
fix(api): resolve null pointer in user service
docs(readme): update installation guide
refactor(utils): extract common validation logic

劣質範例：

update
fix bug
修改
WIP

評分標準：

• ✅ 規範率 >80%：優秀 (9-10分)
• ⚠️ 規範率 40-80%：中等 (5-8分)
• ❌ 規範率 <40%：需改進 (1-4分)

分析命令：

# 檢查 commits.csv 中的 message 欄位
# 統計符合 Conventional Commits 的比例
grep -E "^(feat|fix|docs|refactor|test|chore|style|perf)\(" ./output/users/<username>/commits.csv | wc -l

B. 變更粒度（40%）

檢查指標：單次 commit 的程式碼變更量

黃金比例：

評分標準：

• 小型變更佔比 >60%：優秀 (9-10分)
• 小型變更佔比 40-60%：良好 (6-8分)
• 小型變更佔比 <40%：需改進 (1-5分)

分析命令：

# 計算每次 commit 的變更量（additions + deletions）
# 統計小型/中型/大型變更的比例
cat ./output/users/<username>/commits.csv | awk -F',' '{print $additions + $deletions}'

C. 修復性提交比例（30%）

檢查指標：包含修復關鍵字的提交比例

關鍵字：fix, bug, hotfix, revert

評分標準：

• ✅ 修復率 <15%：程式碼品質高 (9-10分)
• ⚠️ 修復率 15-30%：正常範圍 (5-8分)
• ❌ 修復率 >30%：品質問題或測試不足 (1-4分)

分析命令：

# 統計包含修復關鍵字的提交
grep -iE "fix|bug|hotfix|revert" ./output/users/<username>/commits.csv | wc -l

3.3 技術廣度與深度分析（權重 18%）

資料來源：code_changes.csv、statistics.csv

分析指標：

• 檔案類型分布（識別技術棧）
• 程式語言使用比例
• 前端 vs 後端 vs 全棧
• DevOps/Infrastructure 能力

檔案類型對照表：

前端開發者：

.js, .ts, .jsx, .tsx     → React/Vue/Angular
.css, .scss, .sass       → 樣式設計
.html, .cshtml           → 模板

後端開發者：

.cs                      → C# .NET
.java                    → Java Spring
.py                      → Python Django/Flask
.go                      → Golang

DevOps/SRE：

Dockerfile               → 容器化
.yml, .yaml              → CI/CD
.sh, .bash               → 自動化腳本
.tf                      → Terraform (基礎設施即程式碼)

評分標準：

• 🏆 5+ 種語言：技術廣度優秀 (9-10分)
• ⭐ 3-5 種：全棧能力 (7-8分)
• 📚 1-2 種：專精型 (5-6分)

分析命令：

# 統計檔案類型分佈
cat ./output/users/<username>/code_changes.csv | \
  awk -F',' '{print $file_path}' | \
  sed 's/.*\(\.[^.]*\)$/\1/' | \
  sort | uniq -c | sort -rn

3.4 協作能力分析（權重 12%）

資料來源：merge_requests.csv、commits.csv

分析維度：

A. Merge Commits（協作參與度）

指標：

• 有 merge commits → 表示參與分支協作
• 無 merge commits → 可能獨立開發或使用 rebase

B. 被 Revert 的次數（程式碼穩定性）

評分標準：

• ✅ Revert 率 <2%：優秀
• ⚠️ Revert 率 2-5%：正常
• ❌ Revert 率 >5%：需改進

分析命令：

# 查找被回退的提交
grep -i "revert" ./output/users/<username>/commits.csv | wc -l

3.5 Code Review 品質分析（權重 10%）⭐ 新增維度

資料來源：code_reviews.csv、merge_requests.csv

分析維度（詳見 code-quality-analysis-spec.md 第 5 節）：

A. Review 參與度（30%）

指標：

• Review 數量（作為 Reviewer 的 MR 數量）
• Review Comments 總數
• 與團隊平均的比較

評分標準：

• 🏆 Review 數量 > 團隊平均 1.5 倍：優秀 (9-10分)
• ⭐ Review 數量 = 團隊平均：良好 (7-8分)
• 📚 Review 數量 = 團隊平均 50-100%：中等 (5-6分)
• 🌱 Review 數量 < 團隊平均 50%：需改進 (1-4分)

B. Review 深度（40%）⭐ 最重要

優質 Review Comment 範例：

這裡的 SQL 查詢可能有 N+1 問題，建議改用 JOIN：

// 目前寫法（會產生 100 次查詢）
const users = await User.findAll();
for (const user of users) {
  user.posts = await Post.findAll({ where: { userId: user.id } });
}

// 建議修改（只需 1 次查詢）
const users = await User.findAll({
  include: [{ model: Post }]
});

劣質 Review Comment 範例：

LGTM
看起來不錯
👍
沒問題

評分標準：

• ✅ 80%+ 的 Review 包含具體建議：優秀 (9-10分)
• ⚠️ 50-80% 有建議：中等 (5-8分)
• ❌ <50% 只是 LGTM/Approve：需改進 (1-4分)

發現問題的嚴重等級：

• Critical Issues（安全漏洞、資料遺失風險）：+5 分
• Major Issues（效能問題、邏輯錯誤）：+3 分
• Minor Issues（程式碼風格、命名）：+1 分

C. Review 時效性（20%）

指標：平均 Review 回應時間

評分標準：

• ⚡ < 4 小時：優秀 (9-10分)
• ⭐ 4-24 小時：良好 (7-8分)
• 📚 24-72 小時：普通 (5-6分)
• 🐌 > 72 小時：阻礙開發流程 (1-4分)

D. 被 Review 的接受度（10%）

指標：

• 被 Request Changes 的比例
• 需要二次 Review 的比例

評分標準：

• ✅ Request Changes 率 < 15%：程式碼品質高 (9-10分)
• ⚠️ Request Changes 率 15-30%：正常範圍 (7-8分)
• ❌ Request Changes 率 > 30%：品質需改進 (1-6分)

分析命令：

# 分析 code_reviews.csv
cat ./output/users/<username>/code_reviews.csv | \
  grep -v "^discussion_id" | \
  wc -l  # Review Comments 總數

3.6 工作模式與效率分析（權重 10%）

資料來源：commits.csv（created_at 欄位）

分析指標：

• 時間分佈（星期分佈、小時分佈）
• 工作時段提交率
• 穩定性

優質工作模式：

• ✅ 工作日集中（週一到週五）
• ✅ 工作時段 (9-18點) 提交率 >60%
• ✅ 每天穩定多次小 commit

警訊模式：

• ⚠️ 深夜/凌晨頻繁提交 → 時間管理問題
• ⚠️ 週末集中爆量 → 可能趕工
• ⚠️ 不規律提交 → deadline 驅動

分析命令：

# 分析提交時間分佈
cat ./output/users/<username>/commits.csv | \
  awk -F',' '{print $created_at}' | \
  awk -F'T' '{print $2}' | \
  awk -F':' '{print $1}' | \
  sort | uniq -c

3.7 進步趨勢分析（權重 15%）

分析方法：時間切片對比

比較維度：

• ✅ Commit message 品質提升
• ✅ 單次變更規模更合理
• ✅ 技術棧擴展
• ✅ 修復率降低
• ✅ Code Review 參與度提升

分析策略：

# 將資料分為兩個時間段
# 早期表現（前 50% 資料）vs 近期表現（後 50% 資料）
# 比較各項指標的變化趨勢

🎯 綜合評分計算

總分公式（滿分 10 分）：

總分 = (貢獻量得分 × 0.12) +
       (Commit 品質得分 × 0.23) +
       (技術廣度得分 × 0.18) +
       (協作得分 × 0.12) +
       (Code Review 得分 × 0.10) +
       (工作模式得分 × 0.10) +
       (進步趨勢得分 × 0.15)

分級標準：

第 4 步：產生評估報告

⚠️ 重要：分析報告必須輸出到指定位置！

輸出規則：

• 📁 輸出目錄：.\scripts\output\users\{username}
• 📄 檔名：analysis-result.md
• 📝 完整路徑範例：.\scripts\output\users\john.doe\analysis-result.md

報告結構（依據 code-quality-analysis-spec.md）：

# GitLab 開發者評估報告

## 📊 基本資訊
- **開發者**: <username>
- **分析期間**: <start_date> ~ <end_date>
- **分析專案**: <project_count> 個專案
- **報告生成時間**: <timestamp>
- **資料來源**: GitLab API (透過 gl-cli.py v2.0.0+)

---

## 🎯 綜合評分（滿分 10 分）

### 總分：⭐⭐⭐⭐☆ (X.X/10)
**等級**：🏆 高級工程師 / ⭐ 中級工程師 / 🌱 初級工程師

### 詳細評分表

| 評估維度 | 權重 | 得分 | 評級 | 說明 |
|---------|------|------|------|------|
| **程式碼貢獻量** | 12% | X.X/10 | ⭐⭐⭐⭐☆ | XXX 次提交，活躍度高 |
| **Commit 品質** | 23% | X.X/10 | ⭐⭐⭐⭐⭐ | Message 規範率 XX%，變更粒度合理 |
| **技術廣度與深度** | 18% | X.X/10 | ⭐⭐⭐⭐☆ | 涉及 X 種技術棧，全棧能力 |
| **協作能力** | 12% | X.X/10 | ⭐⭐⭐☆☆ | 參與協作，Revert 率低 |
| **Code Review 品質** | 10% | X.X/10 | ⭐⭐⭐⭐☆ | Review 參與度高，深度中等 |
| **工作模式與效率** | 10% | X.X/10 | ⭐⭐⭐⭐⭐ | 工作時段穩定，效率良好 |
| **進步趨勢** | 15% | X.X/10 | ⭐⭐⭐⭐☆ | 各項指標穩定提升 |

**計算公式**：

總分 = (X.X × 0.12) + (X.X × 0.23) + (X.X × 0.18) + (X.X × 0.12) + (X.X × 0.10) + (X.X × 0.10) + (X.X × 0.15) = X.X

---

## 1️⃣ 程式碼貢獻量分析（權重 12%）

### 關鍵指標
- **總提交次數**：XXX 次
- **活躍天數**：XXX 天（佔比 XX%）
- **程式碼新增**：+XXX 行
- **程式碼刪除**：-XXX 行
- **涉及檔案數**：XXX 個

### 評估結果
- ✅ **活躍度評分**：X.X/10
- 📊 **與團隊平均比較**：高於/等於/低於平均 XX%
- 📈 **趨勢**：穩定/上升/下降

### 詳細分析
[根據 statistics.csv 與 commits.csv 的數據，詳細說明開發者的貢獻量表現]

---

## 2️⃣ Commit 品質分析（權重 23%）⭐ **核心指標**

### A. Message 規範性（30%）
- **規範率**：XX% (符合 Conventional Commits)
- **評分**：X.X/10
- **範例優質 Commit**：

feat(auth): add JWT token validation fix(api): resolve null pointer in user service

### B. 變更粒度（40%）
- **小型變更（≤100行）**：XX% (理想：60%+)
- **中型變更（100-500行）**：XX%
- **大型變更（>500行）**：XX% (警示：>10%)
- **評分**：X.X/10

### C. 修復性提交比例（30%）
- **修復率**：XX% (包含 fix, bug, hotfix, revert)
- **評分**：X.X/10
- **分析**：修復率<15%表示程式碼品質高

### 綜合評分：X.X/10

---

## 3️⃣ 技術廣度與深度分析（權重 18%）

### 技術棧分布
| 技術類型 | 涉及檔案類型 | 佔比 | 熟練度 |
|---------|-------------|------|--------|
| 前端開發 | .js, .ts, .jsx, .tsx | XX% | ⭐⭐⭐⭐⭐ |
| 後端開發 | .cs, .java, .py | XX% | ⭐⭐⭐⭐☆ |
| 樣式設計 | .css, .scss | XX% | ⭐⭐⭐☆☆ |
| DevOps | Dockerfile, .yml | XX% | ⭐⭐☆☆☆ |

### 程式語言分布
1. **TypeScript**：XX%
2. **C#**：XX%
3. **Python**：XX%
4. **其他**：XX%

### 專長領域判定
- ✅ **主要領域**：後端開發（C#/Python）
- ✅ **次要領域**：前端開發（TypeScript/React）
- 🔄 **學習中**：DevOps/容器化

### 評分：X.X/10
- 🏆 技術廣度：涉及 X 種語言（5+ 種為優秀）
- 📚 技術深度：在 X 個領域有深入貢獻

---

## 4️⃣ 協作能力分析（權重 12%）

### Merge Requests 參與度
- **總 MR 數量**：XXX 個
- **已合併**：XXX 個 (XX%)
- **平均合併時間**：X.X 天

### 協作模式
- **Merge Commits**：XXX 次（表示參與分支協作）
- **Conflict 處理**：XXX 次
- **被 Revert 次數**：XXX 次（Revert 率：XX%）

### 評分：X.X/10
- ✅ Revert 率 <2%：優秀
- ⚠️ 需改進：提升 MR 合併速度

---

## 5️⃣ Code Review 品質分析（權重 10%）

### A. Review 參與度（30%）
- **Review 總數**：XXX 次
- **Review Comments**：XXX 條
- **與團隊平均比較**：高於/等於/低於平均 XX%
- **評分**：X.X/10

### B. Review 深度（40%）⭐
- **有建議的 Review 比例**：XX%
- **發現的問題分類**：
- Critical Issues（安全、資料遺失）：XXX 個
- Major Issues（效能、邏輯錯誤）：XXX 個
- Minor Issues（風格、命名）：XXX 個
- **評分**：X.X/10

### C. Review 時效性（20%）
- **平均回應時間**：X.X 小時
- **評分**：X.X/10
- **分析**：<4小時為優秀，>72小時會阻礙流程

### D. 被 Review 的接受度（10%）
- **Request Changes 率**：XX%
- **評分**：X.X/10

### 綜合評分：X.X/10

---

## 6️⃣ 工作模式與效率分析（權重 10%）

### 時間分布
**星期分佈**：
- 週一至週五：XX%
- 週末：XX%

**小時分佈**：
- 工作時段（9-18點）：XX%
- 非工作時段：XX%

### 工作模式評估
- ✅ **穩定性**：工作日集中，時間分佈合理
- ⚠️ **警訊**：深夜提交佔比 XX%（建議改善時間管理）

### 評分：X.X/10

---

## 7️⃣ 進步趨勢分析（權重 15%）

### 時間序列對比

| 指標 | 早期表現 | 近期表現 | 變化趨勢 |
|------|---------|---------|---------|
| Commit 規範率 | XX% | XX% | ↗️ 提升 XX% |
| 平均變更粒度 | XXX 行 | XXX 行 | ↘️ 改善 XX% |
| 技術棧數量 | X 種 | X 種 | ↗️ 增加 X 種 |
| 修復率 | XX% | XX% | ↘️ 降低 XX% |
| Code Review 參與 | XXX 次 | XXX 次 | ↗️ 提升 XX% |

### 進步亮點
1. ✅ **Commit 品質提升**：Message 規範率從 XX% 提升至 XX%
2. ✅ **技術棧擴展**：新增 X 種技術棧（列出）
3. ✅ **Code Review 深度提升**：發現 Critical Issues 數量增加

### 評分：X.X/10

---

## 💡 改善建議

### 🔥 優先改善項目（高優先級）
1. **[具體問題]**
 - **現況**：XXX
 - **目標**：XXX
 - **建議行動**：XXX

2. **[具體問題]**
 - **現況**：XXX
 - **目標**：XXX
 - **建議行動**：XXX

### ⭐ 持續優化項目（中優先級）
1. **提升技術廣度**
 - 建議學習：XXX
 - 建議專案：XXX

2. **深化 Code Review 參與**
 - 目標：每週 Review XXX 個 MR
 - 重點：發現架構/效能問題

### 📚 長期發展方向
1. **技術領導力**
 - 承擔更多架構設計工作
 - 帶領技術分享與知識傳承

2. **跨團隊協作**
 - 參與更多跨專案協作
 - 提升影響力範圍

---

## 📌 數據來源

本報告資料來源於 GitLab API，透過 `gl-cli.py v2.0.0+` 工具收集：

- **使用者基本資料**：`user_profile.csv`
- **提交記錄**：`commits.csv` (XXX 筆)
- **程式碼變更**：`code_changes.csv` (XXX 筆)
- **Merge Requests**：`merge_requests.csv` (XXX 筆)
- **Code Reviews**：`code_reviews.csv` (XXX 筆)
- **統計摘要**：`statistics.csv`

**分析期間**：<start_date> ~ <end_date>

**評估標準**：[程式碼品質評估規範](../../../.copilot/skills/developer-assessment/references/code-quality-analysis-spec.md)

---

**報告結束** | 產生時間：<timestamp>

儲存報告：

# 將上述 Markdown 報告儲存到指定位置
# 路徑格式：.\scripts\output\users\{username}\analysis-result.md
cat > ./output/users/<username>/analysis-result.md << 'EOF'
[將上述報告內容貼上]
EOF

# 確認檔案已成功建立
ls -lh ./output/users/<username>/analysis-result.md

範例：

# 為開發者 john.doe 產生分析報告
# 輸出路徑：.\scripts\output\users\john.doe\analysis-result.md
cat > ./output/users/john.doe/analysis-result.md << 'EOF'
# GitLab 開發者評估報告

## 📊 基本資訊
- **開發者**: john.doe
- **分析期間**: 2025-10-20 ~ 2026-01-20
- **分析專案**: 5 個專案
- **報告生成時間**: 2026-01-21 14:30:00
...
EOF

# 輸出：./output/users/john.doe/analysis-result.md (XX KB)

💻 程式碼貢獻分析

• 總變更行數: +X / -Y 行
• 平均每次 Commit: ~Z 行
• 主要變更類型:
  • 新增功能: X%
  • Bug 修復: Y%
  • 重構: Z%

Commit Message 品質

• ✅ 規範性: 良好
• ✅ 描述性: 詳細
• ⚠️ 改善建議: 建議增加 ticket ID 引用

🚀 專案參與度

核心專案: Project A (貢獻度 X%)

🔧 技術棧分析

程式語言分布

• Python: X%
• JavaScript: Y%
• SQL: Z%
• Others: W%

專長領域

• ✅ 後端開發 (Python, API)
• ✅ 資料庫設計 (SQL)
• 🔄 前端開發 (JavaScript) - 持續學習中

💡 改善建議

1. 提升專案參與廣度

   • 建議參與更多跨團隊協作專案
   • 嘗試不同領域的技術挑戰

2. 深化技術深度

   • 在核心專案中承擔更多架構設計工作
   • 增加 code review 參與度

3. 知識分享

   • 建議撰寫技術文件或 README
   • 參與 issue 討論，分享經驗

📌 數據來源

本報告資料來源於 GitLab，透過 gl-cli.py 工具收集：

• 使用者統計: user-stats
• 專案列表: user-projects
• 時間範圍: ~

報告結束 ```

儲存報告：

# 將上述 Markdown 報告儲存到指定位置
# 路徑格式：.\scripts\output\users\{username}\analysis-result.md
cat > .\scripts\output\users\<username>\analysis-result.md << 'EOF'
[將上述報告內容貼上]
EOF

# 確認檔案已成功建立
ls -lh .\scripts\output\users\<username>\analysis-result.md

範例：

# 為開發者 john.doe 產生分析報告
# 輸出路徑：.\scripts\output\users\john.doe\analysis-result.md
cat > .\scripts\output\users\john.doe\analysis-result.md << 'EOF'
# GitLab Developer Assessment Report

## 📊 基本資訊
- **開發者**: john.doe
- **分析期間**: 2024-10-01 ~ 2026-01-20
...
EOF

# 輸出：.\scripts\output\users\john.doe\analysis-result.md (25KB)

第 5 步：後續行動建議

詢問使用者是否需要：

1. 查看報告與資料

   • 分析報告已儲存在：.\scripts\output\users\{username}\analysis-result.md
   • 原始 CSV 資料位於：.\scripts\output\users\{username}\*.csv
   • 是否需要額外的圖表或統計分析？

2. 進階分析

   • 與團隊平均值比較
   • 時間序列趨勢分析
   • 特定專案深度分析

3. 持續追蹤

   • 設定定期評估機制
   • 建立績效追蹤儀表板

錯誤處理

常見問題處理

1. 缺少相依套件

   # 引導安裝
   cd scripts
   source .venv/bin/activate  # 如果有虛擬環境
   pip install pandas openpyxl urllib3 python-gitlab
   
   # 或使用 uv（推薦）
   cd scripts && uv sync
   

2. GitLab 連線失敗

   • 檢查 scripts/config.py 設定（GITLAB_URL, GITLAB_TOKEN）
   • 確認 GitLab Token 有效性與權限（需要 read_api, read_repository, read_user）
   • 驗證網路連線與 SSL 憑證
   • SSL 憑證問題：gl-cli.py 預設已停用 SSL 驗證（ssl_verify=False）

3. 無資料返回

   • 確認使用者名稱正確
   • 檢查時間範圍是否合理
   • 驗證使用者在指定專案中有活動

4. 權限不足

   • 確認 GitLab Token 有足夠權限（read_api, read_repository）
   • 檢查使用者是否為專案成員

最佳實踐

1. 資料保護

   • 輸出檔案預設儲存在 .\scripts\output\，可透過 --output 自訂
   • 不在報告中包含敏感資訊（email、token）
   • 分析完成後詢問是否刪除暫存檔案

2. 效能優化

   • ✅ 批次模式：多位使用者 + 單一專案範圍（或不指定專案）→ 自動啟用批次模式，預先載入專案清單，共用快取
   • ⚠️ 笛卡爾積模式：多位使用者 + 多個專案 → 效能較慢，建議拆分查詢
   • 大型團隊分析時，建議分批處理（利用批次模式優化）
   • 使用 --group-id 限縮查詢範圍
   • 避免過長的時間區間（建議 ≤ 6 個月）
   • gl-cli.py 使用多執行緒（ThreadPoolExecutor）加速專案分析，最多 10 個並行執行緒

3. 報告品質

   • 優先使用 statistics.csv 取得統計摘要，快速掌握整體表現
   • 提供具體數據支持評分
   • 避免主觀判斷，基於客觀指標
   • 給予建設性改善建議
   • 必須將報告儲存為 .\scripts\output\users\{username}\analysis-result.md

4. 使用者體驗

   • 清晰的互動提示
   • 進度即時反饋（多查詢時自動顯示進度：查詢 X/Y）
   • 結果易於理解的視覺化呈現
   • CSV 使用 UTF-8 BOM 編碼，Excel 可直接開啟無亂碼
   • 分析報告必須儲存在：.\scripts\output\users\{username}\analysis-result.md

範例對話流程

使用者: 幫我分析開發者 john.doe 的表現

Skill: 好的！我將協助您分析 john.doe 的開發表現。請回答以下問題：

1. 分析時間範圍？
   a) 最近 1 個月
   b) 最近 3 個月
   c) 最近 6 個月
   d) 自訂（請提供起迄日期）

使用者: b

Skill: 2. 專案範圍？
   a) 所有專案
   b) 特定專案（請列出專案名稱）
   c) 特定群組（請提供群組 ID）

使用者: a

Skill: 3. 評估維度？（可多選）
   a) 提交活躍度
   b) 程式碼品質
   c) 專案參與度
   d) 技術棧分析
   e) 完整評估（全部）

使用者: e

Skill: 收到！開始執行完整評估...

[步驟 1：檢查使用者資料目錄]
Skill: 🔍 檢查 john.doe 的資料目錄是否存在...
       路徑：.\scripts\output\users\john.doe\

[情境 A：資料目錄已存在且有 CSV 檔案]
Skill: ✅ 資料目錄已存在，掃描 CSV 檔案...
       📁 找到 7 個 CSV 檔案：commits.csv, code_changes.csv, merge_requests.csv...
       ⏭️  直接進行分析流程

[情境 B：資料目錄不存在或 CSV 檔案不完整]
Skill: ❌ 資料不存在或不完整
       📥 開始收集 john.doe 的資料...
       [執行 gl-cli.py user-details --username john.doe ...]
       ✅ 資料收集完成！

[步驟 2：掃描確認可用的 CSV 檔案]
Skill: 📖 掃描目錄確認可用的 CSV 檔案...
       [執行 ls -lah .\scripts\output\users\john.doe\*.csv]

Skill: 根據掃描結果，john.doe 在過去 3 個月有：
       - 📊 commits.csv (144KB) - 提交記錄
       - 📝 code_changes.csv (20MB) - 程式碼變更詳情
       - 🔀 merge_requests.csv (63KB) - Merge Request
       - 👀 code_reviews.csv (186KB) - Code Review 記錄
       - 📈 statistics.csv (552B) - 統計摘要

現在進行深入分析...

[讀取並分析 statistics.csv、commits.csv、code_reviews.csv 等檔案]
[根據資料產生評估報告]

完成！評估報告已產生：

📄 報告位置：`.\scripts\output\users\john.doe\analysis-result.md`

[顯示報告內容摘要或完整報告]

是否需要：
- 查看完整報告內容？
- 查看詳細 CSV 資料？
- 與團隊平均值比較？
- 進行特定面向的深入分析？

整合其他工具

若需要進階分析，可整合：

1. Git 本地分析 (若有 clone repository)

   • 使用 git log 分析 commit 歷史
   • 使用 git blame 分析程式碼擁有權
   • 使用 git diff 分析變更品質

2. 程式碼品質工具

   • pylint / flake8 (Python)
   • eslint (JavaScript)
   • SonarQube

3. 視覺化工具

   • matplotlib / seaborn (Python 圖表)
   • Excel 樞紐分析表
   • Grafana (若有 metrics)

彙整報告功能

功能描述

當需要查看所有開發者的評估摘要時，此功能會：

1. 掃描 .\scripts\output\users\ 目錄下所有開發者的 analysis-result.md
2. 提取每位開發者的關鍵評估維度分數
3. 產生 Markdown 表格格式的彙整報告
4. 儲存至 .\scripts\output\users\all-user-analysis-result.md

彙整報告欄位

輸出格式範例

# 開發者評估彙整報告

**生成時間：** 2026-01-21 12:30:13  
**總開發者數：** 5

## 📊 綜合評估表

| username | 程式碼貢獻量 | 技術廣度 | 協作能力 | Code Review 品質 | 工作模式 | 進步趨勢 |
|----------|-------------|---------|---------|-----------------|---------|---------|
| G2023018 | 6.00/10 | 10.00/10 | 9.00/10 | 9.00/10 | 10.00/10 | 7.00/10 |
| alice | 8.50/10 | 7.00/10 | 8.00/10 | 9.50/10 | 9.00/10 | 8.00/10 |
| bob | 7.00/10 | 8.50/10 | 7.50/10 | 8.00/10 | 8.50/10 | 7.50/10 |

## 📋 說明

- **程式碼貢獻量**：提交次數、活躍度、產出量
- **技術廣度**：語言分布、檔案類型、技術棧
- **協作能力**：Merge Commits、衝突處理、Revert 率
- **Code Review 品質**：Review 參與度、深度、時效性
- **工作模式**：時間分布、穩定性
- **進步趨勢**：成長曲線、技能提升

---
**資料來源：** 各開發者的 analysis-result.md

執行流程

# Step 1: 掃描所有開發者目錄
find .\scripts\output\users\ -name "analysis-result.md" -type f

# Step 2: 讀取每個 analysis-result.md
#   - 提取開發者名稱
#   - 提取各維度評分

# Step 3: 產生彙整表格
#   - 使用 Markdown 表格格式
#   - 按照指定欄位順序排列

# Step 4: 儲存報告
#   輸出路徑：.\scripts\output\users\all-user-analysis-result.md

使用範例

使用者：彙整所有開發者的評估報告

Skill：好的！我將彙整所有開發者的評估報告。

[掃描評估報告]
Skill：🔍 正在掃描 .\scripts\output\users\ 目錄...
      找到 5 位開發者的評估報告：
      - G2023018
      - alice
      - bob
      - carol
      - david

[提取評估資料]
Skill：📊 正在提取各維度評分...

[產生彙整報告]
Skill：✅ 彙整報告已產生！

      📄 報告位置：.\scripts\output\users\all-user-analysis-result.md

      [顯示彙整表格摘要]

是否需要：
- 查看完整彙整報告？
- 依特定維度排序？
- 產生視覺化圖表？

注意事項

1. 資料來源

   • 只彙整已存在的 analysis-result.md 檔案
   • 若某開發者尚未產生評估報告，將不會包含在彙整表中
   • 建議先執行各開發者的評估再進行彙整

2. 分數格式

   • 保持原始分數格式（如 6.00/10）
   • 若某維度分數缺失，顯示為 N/A

3. 排序方式

   • 預設按開發者 username 字母順序排列
   • 可選：按特定維度分數排序（如按「程式碼貢獻量」降冪排序）

限制與注意事項

1. 資料準確性

   • 依賴 GitLab API 回傳資料
   • 可能受網路延遲影響
   • 歷史資料可能不完整（取決於 GitLab 設定）

2. 評估侷限

   • 無法評估程式碼實際品質（需 code review）
   • 無法評估軟技能（溝通、領導力）
   • 量化指標不代表全部價值

3. 隱私考量

   • 需取得開發者同意
   • 不應作為唯一績效評估依據
   • 報告應妥善保管，避免外洩

參考文檔

• 📚 gl-cli.py 完整操作手冊 - 工具使用指南、所有命令參數、範例與故障排除
• 📊 程式碼品質分析規範 - 詳細的評估維度、權重配置與評分標準

使用此 Skill 時，請確保已設定好 GitLab 環境並擁有適當權限。