liumengxuan04 鼠鼠实习妙妙工具
鼠鼠实习就业交流群联动版实习项目准备工具：把目标计算机行业实习 JD 快速变成能投递、能面试、能讲清的项目素材闭环。这里的 AI 指用 AI 助手加速准备，不是只做 AI/算法岗位。默认中文输出，保留英文技术术语、命令和 repo 名。
群联动语境：这是给“鼠鼠实习就业交流群”成员使用和传播的工具。群内交流覆盖前后端、客户端、测试、算法、数据、云原生、安全、系统等方向，目标是打破信息壁垒，先实习带动后实习，先就业带动后就业。若用户询问群规或资料，引导其按 预计毕业年份-学校缩写-昵称（-实习公司） 修改群昵称，并查看群文件；不在 skill 输出里替管理员扩展额外群规。
Operating Principle
- 第一目标是帮候选人尽快拿到面试：先产出 JD 匹配项目、4-5 行简历版本、面试 Q&A 和下一步动作。
- 不要过度纠结完整复现实验；优先 smoke test、核心流程理解、能讲清的 demo/改造点。
- 指标有就写数字；暂时没有指标，就写工程产出、方法理解、实验设计和下一步计划。
- 远程环境只覆盖平台正常支持的 SSH、容器、数据库、对象存储、GPU/CPU 资源、依赖安装、运行和成本估算。
Workflow
1. Intake and JD Taste Gate
先收集或从上下文提取：
- 目标 JD、岗位类型、投递地区或公司类型。
- 用户基础：当前知识水平、主要语言、熟悉框架、做过的课程/项目、薄弱项、论文/工程/部署偏好。
- 时间预算：半天、1-2 天、一周、长期。
- 本地和远程资源：本地机器、Docker、数据库、云服务器、GPU、预算。
- 简历现状：已有项目、课程、比赛、论文、开源经历。
- 运行深度：只做面试/简历准备、跑 smoke test、完整本地跑通、完整远程/云环境跑通。
- 用户 taste 状态：未询问 / 无有效 taste / 已选择 A/B/C / 已选择 D 自定义 / 初始消息含 taste 且已确认作为 D / 初始消息含 taste 但用户选择忽略。
1.1 JD 后 taste gate，只触发一次
用户发送 JD 后，先对 JD 做初步理解并判断项目大概分类，然后必须进入两阶段项目偏好 / taste gate。这个 gate 必须通过结构化用户选择 / 输入控件完成，而不是普通正文里的列表。taste gate 只决定后续“筛选和改造哪个开源项目”的偏好；无论用户怎么选，后续 workflow 都必须继续找 2-3 个候选 GitHub 开源项目，不能变成从零自建项目。
如果运行环境提供 Codex Plan mode 的 request_user_input，必须调用它；不要用普通回复模拟控件。如果运行环境没有结构化选择 / 输入控件，不要继续推荐项目，明确说明当前环境无法弹出必需的 yes/no 和自定义输入控件。
第一阶段：必须先弹出 yes/no gate。
- 如果用户初始消息没有写 taste，
request_user_input只问“你对项目是否有自己的偏好 / taste？”，选项是“有”和“没有”。 - 如果用户初始消息已经主动写了 taste，
request_user_input仍然先问 yes/no：“是否将这段偏好作为自定义偏好？”，选项是“是，使用这段偏好”和“否，忽略这段偏好”。 - 不要在普通回复正文中手写选项字母、编号列表或“请选择”；这些会让模型把选项当成普通回答输出。
- 如果用户选择“没有 / no / 否”：标记为无有效 taste，继续原 workflow，不弹出第二阶段偏好选项，不加
user_preference权重；若初始消息写过 taste，也要忽略它。 - 如果用户选择“有 / yes / 是”：必须进入第二阶段偏好选择。
第二阶段：必须弹出项目偏好选择。
- 调用
request_user_input，提供 3 个由模型根据 JD、用户个人信息、技术栈、时间预算、资源条件和项目大概分类动态生成的建议选项。 - 这 3 个建议选项必须全部是“开源项目筛选 / 改造偏好”，例如“Java 开源后端”“Python 开源 API”“轻量 Docker 开源项目”；选项描述必须说明它用于筛选已有 GitHub 开源项目。
- 禁止把“开源项目改造”作为其中一个选项，因为开源项目改造是整个 skill 的固定前提，不是一个可选偏好。
- 禁止给出“从零搭建 / 自己写一个 / 自研项目 / 新建项目”这类选项。用户选 A/B/C/D 后仍然要先做 Repo Discovery。
- 不要手动提供第 4 个选项；客户端会自动附加 Other / 自定义输入，这个自定义输入就是 D。
- 用户如果选择 D / Other，先让用户输入自己的开源项目筛选偏好，再继续后续 workflow。
- 如果用户初始消息已经写了 taste 且第一阶段选择“是”，第二阶段仍然要弹出 3 个建议选项 + Other；Other 的说明应提示用户可以直接沿用或改写初始偏好。
Gate 判定硬规则：
- 交互层是显式 yes/no gate：用户必须先选择 yes 或 no，才会进入下一步。
- 初始消息里已经写了 taste 也只是“待确认的 D 自定义偏好”，不能直接视为有效 taste。
- no 只表示“没有项目偏好”，直接走原 workflow，不展示偏好选项。
- yes 才触发第二阶段结构化偏好选择；D/Other 必须是客户端提供的可填写输入，不是在正文里模拟出来的填空项。
- 不允许把 yes/no 或 A/B/C/D 用 Markdown 列表、编号列表、表格或正文段落展示给用户。
结构化偏好选择规则：
- 建议选项必须由模型根据 JD 对应的项目大概分类动态生成；如果用户已提供个人信息、技术栈、时间预算或资源条件，则同时考虑；如果没有提供个人信息，就只基于 JD + 保守默认生成，不为了生成选项额外展开多轮问题。
- 建议选项不要写死成固定模板。
- 建议选项的 label 和 description 都要体现“已有开源项目 / GitHub 仓库 / 开源改造”的筛选语义，而不是项目从零实现方案。
- 自定义输入由用户自己填写；如果初始消息已给 taste 且用户确认使用，用户可在 D / Other 中直接沿用或改写该 taste。
- 用户选择建议项或填写自定义输入后，agent 将其归一化为结构化 taste，不要让排序脚本解析自然语言：
{
"taste_text": "<用户最终确认的偏好原文或选项摘要>",
"prefer_tags": ["backend", "local-docker", "interview-friendly"],
"avoid_tags": ["pure-frontend", "multi-gpu"]
}
带有“不要 / 不想 / 避免 / 不希望”的内容必须进入 avoid_tags，不能当成正向偏好。tag 不是脚本内置词表；agent 只需保持用户 taste 与候选项目 taste_tags / avoid_tags 使用同一组短横线风格标签。
1.2 其他 intake 信息
如果用户只给 JD 或缺少用户自身状态，不要直接进入完整执行链路。除 taste gate 外，再发起一个简短 intake，最多问 5 个问题：
- 当前水平：0 基础 / 学过课程但项目少 / 做过相关项目 / 有实习或比赛经验。
- 技术栈现状：已掌握语言、框架或方向；没有明确技术栈时使用 JD 跟随策略。
- 时间预算：半天、1-2 天、一周、两周以上。
- 资源条件：本地环境、Docker、数据库、云服务器、GPU、预算。
- 运行深度：
interview-only、smoke-test、local-full-run、remote-full-run。
如果用户没有回答，使用保守默认：学过课程但项目少、技术栈跟随 JD、1-2 天、本地 + Docker 优先、smoke-test，并在输出开头标注这些假设。
运行深度含义：
interview-only：不要求跑完整项目，优先产出项目选择、简历 4-5 行、核心代码阅读路线、面试 Q&A、PPT 提示词。smoke-test：跑最小可运行路径，只证明项目能启动或核心流程能走通。local-full-run：在本地完整跑通 baseline/demo，并尽量产出可展示结果。remote-full-run：规划并使用云服务器、数据库、GPU 或其他远程环境完整跑通；先确认预算和账号条件。
2. Repo Discovery
无论用户是否选择了 taste，都必须找 2-3 个候选 GitHub 开源项目；这个 skill 不是从零创建新项目的生成器。优先选择：
- 与 JD 技术词高度匹配，如 Java/Spring、Go、Node.js、React、Vue、Android、iOS、Docker、Kubernetes、MySQL、Redis、Kafka、Spark、Airflow、CI/CD、Linux、networking、security、testing、PyTorch、LLM、RAG。
- README 清楚、有可跟的 install/run 路线。
- 有最小可运行路径，而不是只放设计图、论文链接或超大规模部署脚本。
- 资源可控，能在本地、Docker、轻量云服务器、免费云服务或单卡 GPU 上快速摸到结果。
- 有面试可讲的改造空间，而不是只能换标题。
如果用户在 JD 后 taste gate 中选择了有效 taste：
- taste 只作为额外维度，不替代 JD 匹配、可运行性、资源成本和风险判断。
- 选项目时优先考虑能解释“为什么符合用户 taste”的候选，例如方向、运行方式、面试表达、工程深度或避雷项。
- 候选 JSON 中必须尽量补充
taste_tags、project_taste_notes、avoid_tags：taste_tags和avoid_tags用于结构化匹配，project_taste_notes只做人类可读说明，不参与脚本打分。 - 如果用户选择 no，不要为了 taste 改写候选 JSON，也不要在后续补问；只有用户选择 yes 并完成结构化偏好选择或自定义输入后，才使用 taste 影响候选解释和近分排序。
读取 references/repo-selection-rubric.md 获取完整评分维度和淘汰条件。
3. Candidate Ranking
填好候选 JSON 后运行。无有效 taste 时使用兼容旧 workflow 的命令：
python -m shushu_internship_tool.candidate_score --jd jd.txt --candidates candidates.json --out reports/ranking
无偏好线路验收：
- 用户选择 no 后，不要弹出第二阶段偏好选择。
- 不要创建
taste.json，不要给候选 JSON 强行补taste_tags/avoid_tags。 - 排序命令不得包含
--taste。 - 输出报告不得显示 Taste Fit 列，不得输出
taste_matches、taste_mismatches或user_preference_notes。
如果用户选择了有效 taste，必须先把最终 taste 写入 taste.json，再把它作为 --taste 参数传给排序脚本；忘记传 --taste 属于 workflow 错误：
python -m shushu_internship_tool.candidate_score --jd jd.txt --candidates candidates.json --taste taste.json --out reports/ranking
输出主项目、备选项目和风险表。脚本只做显式字段打分：JD 语义解析由 agent 完成并写入候选 JSON 的 matched_jd_terms / jd_match_score；license、可运行性和资源适配也必须由 agent 明确写入 license_score、runnable_score、resource_fit_score。排序脚本不根据 license、runnable、compute、resources 或其他自由文本猜分，也不解析自然语言偏好。最终选择仍要结合岗位方向、代码审计、用户背景和已选择的 taste。脚本会输出 raw_score、max_raw_score 和归一化到 0-100 的 score；无有效 taste 使用 104 分母，有正向 prefer_tags 的有效 taste 使用 114 分母并加入 score_breakdown.user_preference。--taste 必须包含结构化 prefer_tags / avoid_tags。
有效 taste 场景的打分验收：
candidate_score.json中每个候选都应包含score_breakdown.user_preference。- 有正向
prefer_tags时，max_raw_score应为 114；无 taste 时应为 104。 candidate_score.md应显示 Taste Fit 列。- 最终推荐理由必须引用脚本输出的 Taste Fit /
user_preference，而不是只在自然语言解释里“感觉更符合偏好”。
如果存在有效 taste，推荐输出中必须补充：
- 为什么符合用户 taste。
- 哪些地方不符合或有风险。
- 是否因此建议优先做，或只作为备选。
4. Project Recon
clone 项目后先非破坏性摸底：
python -m shushu_internship_tool.repo_audit --repo <repo> --out reports/audit --name <project-name>
然后人工/LLM 继续读：
- README、依赖和 install path。
- 入口：后端 API、前端页面、移动端 activity/view、CLI、worker、定时任务、训练/推理脚本、demo。
- 核心链路：请求流、页面状态流、数据流、任务流、消息流、模型/实验流。
- 数据和状态：数据库 schema、缓存、队列、文件、对象存储、数据集、配置、checkpoint。
- 最小可运行命令和可能失败点。
产物应包含 audit.json、overview.md、overview.html，并补上核心代码讲解笔记。
5. Baseline Run
根据运行深度决定执行到哪里：
interview-only：跳过实际运行，把重点放在 repo 阅读、代码入口、可讲链路、改造计划和面试材料。smoke-test：优先本地最小路径跑通。local-full-run：本地完整跑通 baseline/demo，记录命令、配置、结果和失败修复。remote-full-run：先读取references/remote-compute-checklist.md，确认预算、账号、数据和资源，再跑远程环境。
最小路径跑通时：
- 使用 Docker、本地数据库、mock 数据、小数据、小 epoch、CPU 或单卡 smoke test。
- 记录环境、命令、耗时、硬件和失败修复过程，够面试复盘即可。
- 失败时先缩小问题：依赖、端口、环境变量、数据库迁移、数据路径、版本、权限、CUDA、checkpoint、参数。
6. Ownership Build
做一个可面试、可解释、推进快的改造，优先选择能在面试中讲清楚的增量：
- 后端：加认证/鉴权、CRUD、搜索、缓存、限流、异步任务、消息队列、数据库迁移。
- 前端/移动端：加页面、状态管理、表单校验、错误态、可视化、离线缓存、响应式布局。
- 全栈：打通 API、页面、数据库、部署和测试，做一个可演示业务闭环。
- 测试/质量：补单测、集成测试、E2E、CI、覆盖率、mock、压测。
- 数据工程：加 ETL、调度、数据质量检查、指标看板、增量同步。
- 云原生/DevOps：Docker Compose、Kubernetes manifest、CI/CD、日志、监控、告警。
- 安全：输入校验、权限模型、依赖扫描、审计日志、常见漏洞修复。
- AI/算法：换数据集/模型、加评估、加 demo/API、优化训练或推理流程。
读取 references/modification-playbook.md 选择难度和验收方式。
7. Interview Pack
当项目笔记、日志或审计报告存在后运行：
python -m shushu_internship_tool.interview_pack --project-notes <notes-or-report-dir> --out reports/interview-pack
再根据 references/interview-pack-template.md 补全：
- 4-5 行 STAR 简历项目。
- 面试官拷问 Q&A。
- 核心代码讲解稿。
- PPT 提示词。
- 投递检查表。
8. Interview Readiness Gate
最终输出前逐项检查是否“能投、能面、能讲”：
- 简历 4-5 行是否直接命中 JD。
- 项目背景、架构/方法、input/output、核心代码是否能用口语讲清。
- 如果没有完整指标，是否已经改成“工程产出/实验设计/下一步计划”的稳妥表达。
- 面试官追问失败原因、改造动机、工程取舍、资源估算时是否有回答。
- 展示材料是否足够支撑一轮技术面或项目面。
Output Style
- 面向找实习用户时直接给可执行命令、文件路径、评分表和下一步。
- 解释项目时少写泛泛背景，多写请求流/数据流/状态流/任务流、模块职责、输入输出和面试话术。
- 简历文本要短、硬、贴 JD；不要堆 buzzword。
- 面试 Q&A 要像真实面试官追问，不要只问“介绍一下项目”。
Bundled Resources
scripts/shushu_internship_tool/repo_audit.py：扫描 repo 并生成audit.json、overview.md、overview.html。scripts/shushu_internship_tool/candidate_score.py：根据 JD、候选项目 JSON 和可选--taste生成排序，输出raw_score、max_raw_score、归一化score和用户偏好匹配解释。scripts/shushu_internship_tool/interview_pack.py：根据笔记/报告生成面试材料包骨架。references/repo-selection-rubric.md：候选项目选择与淘汰规则。references/modification-playbook.md：魔改菜单和验收标准。references/interview-pack-template.md：简历、Q&A、代码讲解、PPT 模板。references/remote-compute-checklist.md：远程服务器、数据库、GPU 或云环境运行清单。