本体建模是什么 和知识图谱区别
「本体知识建模」是「龙虾部署大师」技能市场中的知识图谱技能：用实体、属性和关系表示人员、项目、任务、文档、事件等对象，变更以追加日志写入 graph.jsonl，并可通过 schema 约束必填字段、枚举、关系类型和无环依赖，帮助多个技能共享结构化状态并保留可追溯的历史。 技能效果 让它记住“Alice 负责官网改版、关联到三月发布”，它把人物和任务建成结构化本体，连 responsible_for、part_of 两条关系链和查询命令都生成好了。 让 AGENT 记住事情，为什么这么难 让代理"记住"某个人负责什么项目、某个任务被谁阻塞，听起来简单，做起来却容易散。把信息写成自由文本，时间一长就互相矛盾、查不回去；每个技能各自维护一份状态，就成了互不相通的数据孤岛；想表达"任务 A 阻塞任务 B"这类关系，纯文本既存不住结构，也无法做类型检查和合法性校验。结果是记录越积越多，可靠地查询、关联和复用却越来越难。 自由文本记忆 散落的笔记 互相矛盾 技能各存一份 · 孤岛 类型化知识图谱 人员 项目 任务 负责 包含 这个技能用什么方式管理知识 它提供一个类型化的知识图谱：把人员、组织、项目、任务、事件、文档、消息、笔记、账户、策略等都建成带类型的实体对象，再用 has_owner、blocks 这类关系把它们连起来，且关联是幂等的（重复建立不会产生脏数据）。所有变更以追加日志的形式写入技能目录内的 graph.jsonl，因此保留完整的可追溯历史；通过 schema.yaml 可以约束必填属性、枚举值、关系类型、基数以及无环依赖，对知识库结构施加类型检查。查询、遍历和过滤则用来获取任务、依赖、文档与上下文。 创建实体 / 关联 schema 校验必填 / 枚举 / 基数无环依赖 追加日志graph.jsonl可追溯历史 查询 / 遍历多技能共享 用前须知 该技能无需外部 API Key。首次使用需运行 Python setup 脚本安装依赖；数据保存在技能的 memory/ontology 目录下，已有的日志和 schema 应以追加合并的方式处理，而不是覆盖。它支持后续扩展到 SQLite。该技能偏向开发者与自动化场景，用于构建可验证、可追溯的结构化状态。 怎么用它 用法是用自然语言告诉它要记住的对象、关系，或要查询的内容。例如可以这样对它说： 可以这样对它说 "记住 Alice 负责官网改版，并把它关联到三月的发布任务，别丢掉关系链。" "查一下 CRM 项目下面还有哪些处于阻塞中的任务，按负责人分组列出来。" "把这份会议纪要连到增长实验项目和参会人，保留文档路径和来源。" 它适合这些场景：需要让代理记住某个人、项目、任务或文档，并能在后续查询；多步骤计划需要表示为可验证的图变更、依赖关系和回滚步骤；跨技能共享任务、承诺、事件等状态，避免各自维护孤岛数据；希望对知识库结构施加类型检查、关系基数和无环约束规则。 大家常问 本体知识建模到底是什么？用实体、属性、关系来表示知识是什么意思？ 本体是对一个领域的概念及其关系所做的形式化、明确的规格说明，它定义"知识应该长什么样"。建模时把世界里有身份的事物建成实体，用属性描述实体自身的特征，用关系连接实体之间的连线，于是知识不再是散乱词语，而是一张可计算、可共享、可校验的网。 本体和知识图谱有什么区别？ 本体是模式层，规定有哪些概念、属性、关系和约束，相当于一张带规则的蓝图；知识图谱是在这张蓝图上填充大量实例数据所形成的关系网络，是数据层。一句话：本体定义知识结构，知识图谱把真实数据装进去。知识图谱可以基于本体构建，也可以没有严格本体约束。 is-a（是一种）关系和 part-of（是一部分）关系有什么区别？ is-a 是分类归属，子类的每个实例也是父类实例，并自动继承父类属性，判断靠"替代性测试"——能不能用子类替换父类。part-of 是组成结构，部分不继承整体的属性，判断靠"删除测试"。常见错误是把方向盘建成"是一种汽车"，正确应是"汽车的一部分"。 为什么要给本体知识建模加 schema 一致性约束（必填、枚举、基数、无环依赖）？ 约束是本体区别于术语表和松散图谱的本质特征。必填属性保证实例的最低知识完整度，枚举值把取值限定在有界集合避免语义漂移，基数约束让关系网络有确定拓扑，无环依赖保证层次结构有效、推理能终止。没有约束，知识虽自由却无法被一致地计算。 想用上这个技能？ 「本体知识建模」就在「龙虾部署大师」的技能市场里，打开 技能市场 就能一键安装使用。 还没装龙虾？先 一键部署「龙虾部署大师」，在本地跑起来后再装技能即可。 注：技能的实际效果与所选用的 AI 模型能力有关，不同模型下的表现可能存在差异。
数据叙事方法，把原始指标整理成决策故事线，以关键洞察开头
「数据叙事」是「龙虾部署大师」技能市场中的汇报沟通技能：它面向分析汇报、经营复盘、投资人材料和高管沟通场景，把原始指标整理成有决策指向的故事线。它先确认数据、受众、目标和输出格式，再按"问题解决、趋势变化或方案比较"选择叙事框架，套用幻灯片、执行摘要或一页报告模板，输出强调先给关键洞察、再用数字与上下文支撑、最后落到行动项。 技能效果 把季度经营数据讲给老板听时，它先列原始指标，再翻译成不堆术语、突出关键变化的口语汇报。 数据都对，为什么老板还是没听懂 问题往往不在数据本身，而在表达顺序。常见的汇报是把图表和指标按统计逻辑一股脑铺开，留给听众自己去拼"所以呢、然后该怎么办"。对非技术的管理层、董事会或投资人来说，他们要的不是"发生了什么"的全量罗列，而是"关键变化是什么、为什么、接下来该做什么"。当结论被埋在第十页、术语盖过含义时，再扎实的分析也推不动决策。 堆指标 结论藏在最后 先讲洞察 关键变化 + 原因 下一步行动 这个技能怎么把数据讲成决策 它把"整理数据"换成"组织叙事"。第一步，它确认数据、受众、目标和交付格式，让内容始终对着决策场景而非泛泛分析；第二步，按场景在"问题解决、趋势变化、方案比较"三类框架中选一个合适的叙事骨架；第三步，套用执行摘要、数据故事流或一页仪表盘模板来组织内容；第四步，生成以关键洞察开头的标题、段落过渡语和行动建议。它的核心取向很明确：先给结论，再用数字、上下文和可视化建议支撑，最后把"发生了什么"转成"接下来该做什么"。 确认数据 / 受众 选框架问题/趋势/比较 套模板摘要/一页报告 洞察 + 行动先结论后支撑 用前须知 该技能无需 API Key。使用时需要你提供可分析的数据、受众和目标；如需套用具体框架或模板，会依赖技能目录内的 references 文件。它负责把数据组织成叙事，结论是否成立仍取决于你给的数据本身。 怎么用它 用法是把数据、对象和这次汇报要达成的目的用自然语言交给它。例如可以这样对它说： 可以这样对它说 "把这份季度数据改成老板能听懂的汇报，先讲关键变化，别堆术语。" "这组留存曲线做成一页故事，说明为什么要改定价，让管理层能拍板。" "投资人会前需要一版数据叙事，突出增长和风险，也解释现金压力。" 它适合这些场景：为季度经营复盘提炼指标变化原因并形成高管可读的结论页；把产品、增长或财务数据整理成董事会或投资人材料；将复杂分析报告改写成非技术团队能看懂的一页摘要；以及基于多个方案的指标差异，输出可支撑业务决策的推荐理由。 大家常问 数据叙事是什么意思 数据叙事是把数据、图表与上下文按逻辑线串起来，先抛关键洞察、再用证据支撑、最后落到行动建议，让受众听懂"发生了什么、为什么重要、接下来该做什么"。 数据可视化和数据叙事的区别是什么 可视化是把数据画成图表的表达手段，受众自行解读；叙事是在可视化之上加入上下文、逻辑线和行动指向，结论由叙事者预先明示。可视化是"画图"，叙事是"用图讲道理"。 为什么数据汇报要先讲关键变化、再讲数字 人脑先收"框架"再填"细节"。先讲变化等于告诉听众该关注什么，数字只作佐证；反过来要让听众自己拼结论，既慢又易错。倒金字塔结构能在前30秒锁定关键信息。 经营复盘汇报怎么让管理层听懂数据背后的业务含义 把数据当论据而非论点：先抛核心判断、再用数字支撑。每个关键变化做"发生什么—哪块导致—为何这样"三层归因，配同比环比等对比维度，结尾给出需决策事项与建议。 想用上这个技能？ 「数据叙事」就在「龙虾部署大师」的技能市场里，打开 技能市场 就能一键安装使用。 还没装龙虾？先 一键部署「龙虾部署大师」，在本地跑起来后再装技能即可。 注：技能的实际效果与所选用的 AI 模型能力有关，不同模型下的表现可能存在差异。
SEO 优化分阶段执行，检查页面要素并规划关键词分层
「SEO 优化」是「龙虾部署大师」技能市场中的综合性 SEO 执行技能：它提供自然搜索增长的分阶段指南，按技术基础、内容与关键词、外链建设、数据监控四个阶段推进，输出技术检查清单、关键词分层表、内容日历、外链资源清单和监控指标，把整站的自然搜索优化拆成有先后、可分工的执行计划。 技能效果 排查新站不收录时，它按robots.txt、站点地图、标题配置的顺序，逐项讲清该查什么。 整站 SEO，难在没有章法 和优化单篇文章不同，整站 SEO 是个系统工程，最容易出问题的是缺乏阶段和章法。常见状况有三种：新站上线后迟迟不收录，却不知该先查 sitemap、robots 还是基础标签；老站自然流量停滞，技术和内容两边都有欠账，不清楚先补哪头；想围绕关键词系统布局，却没有一份能让开发、内容、运营各自认领任务的执行清单。结果是动作零散，长期看不到自然流量的稳定增长。 四阶段：从地基到持续监控 技术基础收录/标签 内容关键词分层/集群 外链建设资源清单 数据监控看板 明确排除 SEM 和社媒运营 这个技能能帮你规划什么 它给整站 SEO 一套分阶段的执行框架。开始前，它先收集目标站点、搜索市场、当前状态、核心目标、操作权限和既有关键词或流量数据，再按四个阶段推进：技术基础阶段，检查 Title、Description、H1-H3、canonical、robots 和 sitemap；内容与关键词阶段，规划核心词、长尾词、品牌词与内容集群的建设路径；外链阶段，建立外链资源清单；监控阶段，建立索引率监控和持续优化看板。它会根据你的目标——提升排名、增加收录、做关键词布局还是全面诊断——选择从哪个阶段切入。 收集站点现状 目标/权限/数据 选择执行阶段 提升排名/增加收录 / 全面诊断 可分工的交付物 技术清单/关键词分层 内容日历/外链清单 它的产出是一组能落到团队的清单：技术检查清单、关键词分层表、内容日历、外链资源清单和监控指标列表，方便把 SEO 修复任务按优先级拆给开发、内容和运营。它明确聚焦自然搜索，排除 SEM 和社媒运营。 用前须知 核心流程无需密钥。其中可选的页面检测脚本需要 Python 并安装 requests、beautifulsoup4、lxml；公开 URL 可自动检测，内网或登录后的页面需人工核对。 怎么用它 用法是把站点情况和 SEO 目标用自然语言交给它，由它来定阶段。例如可以这样对它说： 可以这样对它说 "新站一直不收录，排查 sitemap、robots 和标题配置问题。" "这个站自然流量跌了，先做一次技术 SEO 和内容布局诊断报告。" "我们有后台权限，按关键词分层规划专题页、内容日历和监控指标。" 它适合这些场景：新站上线后收录缓慢、需要排查 sitemap、robots 和基础标签；已有站点自然流量停滞、需要同时补齐技术与内容策略；团队希望围绕关键词布局制定专题页、FAQ 和内容日历；需要为开发、内容和运营团队拆分 SEO 修复任务与优先级。它适用于站长、SEO 负责人、增长团队、内容团队，以及想建立长期自然搜索机制的中小企业或产品团队。 大家常问 为什么有些新站做了 sitemap 也迟迟不被收录？ sitemap 只是把 URL 推荐给搜索引擎，并不等于收录通行证。新站没有外链、用户行为和历史信任，sitemap 链接在抓取队列里优先级最低；即便爬虫来过，质量评估和价值判断这一关仍要看内容是否原创、是否避免站内重复以及服务器和渲染是否正常。 技术 SEO 和内容 SEO 的边界是怎么划分的？ 技术 SEO 面向爬虫，解决"能不能找到、能不能读懂"，包括 robots、sitemap、canonical、结构化数据、Core Web Vitals 这些；内容 SEO 面向用户，解决"是不是想要的、值不值得排名"，落在搜索意图匹配、E-E-A-T 和信息质量。两者交叉在标题、内链和速度上，缺一不可。 canonical 标签是用来解决什么问题的？ canonical 解决的是同一份内容散落在多个 URL 时的重复问题：URL 参数、http/https、www 与非 www、分页、打印版、跨域转载都会产生分身。它把分散的外链信号和索引优先级集中到一个权威版本，避免权重稀释和搜索结果碎片化。它是建议而非强制指令，搜索引擎仍会自行判断。 怎么辨别一条外链是高质量还是低质量？ 看四件事：来源站本身有没有真实品牌和稳定收录、主题与你的网站是否相关、链接位置是不是嵌在正文（页脚侧栏评论区都偏弱）、锚文本是不是品牌词或自然短语（精确匹配关键词反而是负面信号）。一个简单判断：如果删掉这条链接对引用方内容毫无影响，它就是低质量外链。 想用上这个技能？ 「SEO 优化」就在「龙虾部署大师」的技能市场里，打开 技能市场 就能一键安装使用。 还没装龙虾？先 一键部署「龙虾部署大师」，在本地跑起来后再装技能即可。 注：技能的实际效果与所选用的 AI 模型能力有关，不同模型下的表现可能存在差异。
小红书内容怎么检索采集？按关键词筛选笔记导出表格
「小红书内容检索」是「龙虾部署大师」技能市场中的内容研究技能：它通过浏览器自动化访问小红书，按关键词、排序方式、时间范围和笔记类型搜索热点内容，整理出标题、发布时间、作者、点赞、评论、收藏、粉丝数、标签和链接等字段，结果可在对话里展示，也能导出为 Markdown、Excel 或 CSV，并附带趋势观察和数据概览。 技能效果 检索「通勤穿搭」的爆款时，它抓取实时笔记后先按点赞量排出热门标题并归纳套路，再把话题标签按人群、场景、品牌分类，并给出每篇 6–8 个标签的组合建议。 想摸清小红书热点，手动翻笔记够吗 选题调研和竞品观察前，常要先看清某个关键词下哪些笔记互动最高、标题用了什么套路、话题标签集中在哪。手动翻：要一条条记标题、点赞、收藏、评论和作者，还要不断下滑加载；想按近七天、视频类型或最新排序筛选，又得反复改条件；几十条数据抄完，再自己排序、归类、找规律。等清单成形，热点已经换了一轮，留档和复盘也难。 手动翻小红书 · 字段散乱 笔记 A 点赞? 收藏? 笔记 B 作者? 标签? 笔记 C 评论? 时间? 下滑加载 · 反复改筛选条件 抄完已过时，难排序难留档 这个技能能帮你拿到什么 它把手动翻找变成一次结构化检索。核心做四件事：解析你给的关键词、排序方式、时间范围、笔记类型和字段需求；检测小红书登录状态，功能受限时提示你处理登录；通过浏览器自动化完成搜索、筛选、滚动和热门笔记数据的提取；最后生成对齐的表格、趋势分析和数据概览，并可按需导出文件。它能整理的字段相当完整：标题、发布时间、作者、点赞、评论、收藏、粉丝数、标签和链接。 关键词 + 排序 时间 / 类型 浏览器自动化 搜索 · 滚动 · 提取 点赞 / 收藏 / 评论 作者 / 标签 / 链接 表格 + 趋势 MD/Excel/CSV 它会如实报告数据情况：流程内置登录态检测、反爬节奏控制和异常处理，当数据不足时会照实说明，而不是凑数。 用前须知 该技能需要可用的浏览器自动化环境和能访问小红书网页的条件。多数功能依赖登录态，无需平台 API Key，但可能遇到登录弹窗、验证码、反爬限制或数据提取不足等情况，请按提示处理登录并控制检索节奏。 怎么用它 用法是把关键词、排序、时间范围和想要的字段用自然语言说清楚。例如可以这样对它说： 可以这样对它说 "搜小红书近七天的健身餐视频，按最新排序取前十条，点赞和评论都带上。" "查护肤关键词的热门笔记，把点赞、收藏、评论数和作者昵称都带上。" "看小红书上通勤穿搭的爆款，整理标题套路和话题标签，按热度排行。" 它适合这些场景：内容团队要搜某关键词下点赞最高的小红书热点笔记；品牌调研想按近七天、视频类型或最新排序筛选内容；创作者想分析高赞标题、互动指标和常见话题标签；以及账号运营需要把搜索结果保存成 Markdown、Excel 或 CSV 留档。 大家常问 为什么小红书的搜索流量和推荐流量要分开看？背后的分发机制有什么区别？ 推荐流量按"兴趣向量×内容向量"主动猜你喜欢，靠互动率赛马；搜索流量按"关键词+文本相关性+点击反馈"被动响应需求，生命周期更长，两条入口的优化路径完全不同。 小红书搜索结果默认的综合排序，主要按哪些信号排？ 综合排序是多维加权：文本相关性（标题最重>正文>话题标签）打底，互动率（收藏权重高于点赞）做实时调节，再叠加完读率、账号垂直度、时效性和个性化信号。 什么是小红书的笔记权重？为什么会影响搜索曝光？ 权重是算法给每篇笔记的综合评分，决定召回后排在搜索结果第几位。新笔记进入初级池后按权重逐级晋级，权重不够即使关键词命中也会被压到十几页后，几乎没人能看见。 在小红书搜索里，长尾关键词和大词下的笔记表现有什么本质区别？ 大词供给充裕、意图模糊，排序比拼互动积累和作者权威，存在马太效应；长尾词供给有限、意图精确，拼的是标题语义匹配度，入场门槛低，凭精准命中就能拿到稳定曝光。 想用上这个技能？ 「小红书内容检索」就在「龙虾部署大师」的技能市场里，打开 技能市场 就能一键安装使用。 还没装龙虾？先 一键部署「龙虾部署大师」，在本地跑起来后再装技能即可。 注：技能的实际效果与所选用的 AI 模型能力有关，不同模型下的表现可能存在差异。
PDF 怎么生成？从网页或文本出版式稿并处理中文字体
「PDF 生成」是「龙虾部署大师」技能市场中的文档生成技能：它从 HTML、Markdown、字符串或结构化内容直接产出排版规范的 PDF，适配报告、发票、合同、证书和简历等场景，能自动选择渲染引擎、处理中日韩字体并规避乱码，保证在 Windows、macOS、Linux 上输出稳定。 技能效果 把Markdown周报生成PDF时，它内嵌中文字体输出A4文档，保留了表格样式和页眉。 把文档导成 PDF，为什么总不省心 生成 PDF 看似简单，落地时却常踩坑：把 Markdown 或 HTML 转成 PDF，表格错位、分页断在奇怪的地方；正式文档要页眉页脚、品牌样式，临时拼出来的工具往往支持不全；最常见的是中文 PDF 出现乱码或方块字——很多渲染引擎默认不嵌入 CJK 字体。同一份文档在不同系统上跑，结果还可能不一致，交付前总要反复检查。 直接导出 □□□□ 乱码 + 表格错位 技能生成 正式标题 字体正确 + 版式整齐 这个技能能帮你产出什么 它把"内容"和"稳定输出 PDF"两件事接上。来源上，它能从 HTML、Markdown 或短文本生成带版式控制的 PDF；引擎上，它统一通过脚本执行，自动在 weasyprint、xhtml2pdf、reportlab、fpdf2 之间选择，并检测 CSS 支持程度、报告降级等级和风险；字体上，它专门处理中文、日文、韩文的字体检测、嵌入和乱码规避；模板上，它为报告、合同、证书、发票和简历提供版式指引。它还强调先写完整 HTML 文件、用 ASCII 文件名、嵌入 CSS 与 @page 设置，以此保证跨平台输出稳定。 HTML / MD / 结构化内容 自动选引擎 weasyprint / reportlab + CJK 字体检测 规范 PDF 报告 / 发票 / 合同 证书 / 简历 · 跨平台稳定 用前须知 该技能无需外部 API Key，但需要 Python 环境。它会按 setup 流程检查 weasyprint、xhtml2pdf、reportlab、fpdf2 以及 CJK 字体；在 Windows 上要支持完整 CSS 渲染，可能还需 GTK3。 怎么用它 用法是把内容和对成品的要求用自然语言交给它，不必指定用哪个引擎。例如可以这样对它说： 可以这样对它说 "把这份 Markdown 周报生成中文 PDF，保留表格样式和页眉。" "用这些订单数据做一份发票 PDF，标题、抬头、金额和税号都标清楚。" "把这份 HTML 合同导出成 PDF，中文换行别乱掉，版式要正式可打印。" 它适合这些场景：把结构化业务报告或 Markdown 文档转成可交付的 PDF；生成带品牌样式、表格、页眉页脚和分页控制的正式文档；中文 PDF 出现乱码或方块字、需要可靠选择 CJK 渲染引擎；在 Windows、macOS 或 Linux 上批量生成合同、证书或简历。它适合需要本地生成正式 PDF 的运营、财务、法务、教育、HR 和开发团队，尤其适合有中文排版和跨平台要求的工作流。 大家常问 HTML 转 PDF 时中文为什么会出现乱码或方块字，字体嵌入到底是在做什么 HTML 是流式渲染、能动态回落字体；PDF 是固定页面，每个字符都写死「用哪个字体、哪个字形编号、画在哪」。字体没嵌入或 ToUnicode CMap 映射错，PDF 阅读器找不到对应字形就退回 .notdef 方块，或映射到错字成乱码。字体嵌入就是把字形数据（多用子集化）打包进 PDF，让文件不再依赖阅读器本地字体。 可搜索 PDF 和扫描型 PDF 是什么意思，怎么区分双层 PDF 和单层 PDF PDF 页面由文本对象和图像对象组合。扫描型 PDF 整页只有图像，字符被拍平成像素，无法选中或搜索；可搜索 PDF 含文本对象，能选词复制。双层 PDF 是图像在底层做视觉、OCR 文字层透明叠在顶层（Tr 3 不可见），看着像扫描件但可全文检索。选词时高亮贴合单字＝有文本层，整页框选不到字＝纯图像。 PDF/A 是什么格式，和普通 PDF 相比为什么更适合长期归档 PDF/A 是 ISO 19005 定义的 PDF 严格子集，把所有「依赖外部环境才能确定的渲染决策」全部砍掉：强制嵌入所有字体、禁止 JavaScript / 音视频 / 加密、禁止透明与图层、必须声明输出意图固化颜色、强制 XMP 元数据、压缩算法限定稳定的 FlateDecode。普通 PDF 几十年后字体丢失或解码器停更就会花屏，PDF/A 自包含、确定性渲染。 HTML 转 PDF 时表格、标题经常断在页底是什么原理，@page 和 page-break 解决的是什么问题 HTML 是无限流，PDF 是定长分页，引擎用贪婪填充把流压进有限页框，表格行被截成上下两半、标题孤悬页底就是这么来的。@page 定义页框（A4 尺寸、页边距、页眉页脚 margin box），决定「能装多大」；page-break-inside: avoid 让表格/代码块尽量整块下移、page-break-after: avoid 防止孤儿标题，配合 widows/orphans 收敛断行位置。 想用上这个技能？ 「PDF 生成」就在「龙虾部署大师」的技能市场里，打开 技能市场 就能一键安装使用。 还没装龙虾？先 一键部署「龙虾部署大师」，在本地跑起来后再装技能即可。 注：技能的实际效果与所选用的 AI 模型能力有关，不同模型下的表现可能存在差异。
如何用 AI 写简历
「简历助手」是「龙虾部署大师」技能市场中的求职材料准备技能：作用是从经历挖掘开始，覆盖职位推荐、简历优化、模拟面试和能力提升五个环节，帮还没想清楚"投什么、写什么"的求职者，从零梳理出经历档案、职位方向、针对 JD 的定制简历，以及面试演练反馈，最终生成 PDF、DOCX 或 HTML 格式的投递材料。 技能效果 说自己经历很散不知投什么岗，它把运营、客服、文案、数据这几段拆成对应能力，归拢出电商加内容运营的复合方向。 不知道简历该写什么，问题出在哪？ 很多人卡住的环节不是"写得不够好看"，而是更靠前的一步：不知道自己有什么值得写，也不确定该往哪个方向投。应届生和转行者尤其常见——经历看起来零散，社团、实习、课程项目混在一起，既挖不出亮点，也说不清哪些能力可以迁移到目标岗位。 就算硬着头皮写出来，材料和岗位也常常对不上：一份简历投所有岗位，关键词覆盖不到位，连 ATS（简历筛选系统）这一关都过不去；好不容易拿到面试，又因为没基于自己的简历演练过，被追问项目细节时露怯。求职准备本该是一条从"发现经历"到"投递、面试"的链路，却被拆成了几件互不衔接的事。 零散经历，挖不出方向 实习 社团 课程 竞赛 ? 投什么岗? 写什么? 这个技能能帮你做什么？ 这个技能通过五个协作环节，把求职准备串成一条完整链路。故事挖掘环节，它从你描述的经历里发现亮点和可迁移技能的证据，形成经历档案；职位推荐环节，它结合你的背景、兴趣和限制条件，给出职位方向并做能力差距分析；简历优化环节，它解析 JD、重写经历、自然融入关键词，并生成标准的简历 JSON；模拟面试环节，它基于你的简历追问，反馈回答质量，再反向指出材料里的薄弱点。这几步既可以完整走一遍做系统辅导，也可以挑其中一步快速使用。 经历挖掘 职位推荐 简历优化 模拟面试 能力提升 最终它能输出经历档案、职位推荐报告、针对某个 JD 的简历优化报告、标准 JSON 简历、面试反馈和能力提升计划，并支持把简历导出成 PDF、DOCX 或 HTML 投递。 用前须知 该技能无需外部 API Key。但生成 PDF、DOCX 等文件依赖本地 Python 环境，并需安装 fpdf2、python-docx、openpyxl 等库；技能会先运行环境检查（check_env.py）和简历 JSON 验证（validate_resume_json.py），通过后才生成文件，以保证格式正确。 怎么用它？ 用法是把你的处境用自然语言讲清楚——经历多散、想投什么方向、有没有具体 JD、要不要练面试，剩下的环节它会自己衔接。例如可以这样对它说： 可以这样对它说 "我经历很散，不知道投什么岗位，先从经历亮点梳理到职位方向，重点标出来。" "这份简历和 JD 一起看，改成适合产品实习投递的网页版简历和 PDF。" "下周有面试，按我的简历追问项目细节，再指出回答和简历里的漏洞。" 它适合这些场景：应届生或转行者不知道简历写什么、需要先挖掘真实经历；不确定自己适合哪些岗位、想结合背景找方向；针对某个 JD 定制简历、提升关键词覆盖和 ATS 通过率；面试前想基于简历练习问答，并顺带发现材料里的薄弱点。 大家常问 STAR 法则在简历项目经历里最容易被忽略的是哪一环？ 最容易被忽略的是 R——Result。多数人写完 Action 就停笔，用"项目顺利完成""得到领导认可"收尾，这只是任务的自然结束，不是结果。Result 需要量化指标和第三方可验证的锚点，没有它，整段经历的说服力闭环就不成立。 为什么同一段经历投不同岗位，HR 的回应差很多？ 原始经历是无序数据，HR 是在 JD 定义的能力空间里找匹配信号。同一段"做了竞品调研"，投策略岗要写成"构建竞品分析框架"，投执行岗要写成"收集并整理市场数据"。AI 做的是按岗位能力空间重新选叙事视角，不是美化文字。 HR 用 ATS 筛简历时关注哪些关键词信号？ ATS 看的不止是关键词出现没有。它分六层：格式能否被解析、JD 核心词的覆盖率、同义词与上下位词的语义匹配、STAR 结构完整度、量化结果是否存在、动词强度与主被动语态。同一份简历在不同企业的 ATS 评分会有差异。 想用上这个技能？ 「简历助手」就在「龙虾部署大师」的技能市场里，打开 技能市场 就能一键安装使用。 还没装龙虾？先 一键部署「龙虾部署大师」，在本地跑起来后再装技能即可。 注：技能的实际效果与所选用的 AI 模型能力有关，不同模型下的表现可能存在差异。
提示