默认配图

如何用 AI 给文章挑刺找漏洞

「对抗式内容审稿」是「龙虾部署大师」技能市场中的内容质量审稿技能。它用总指挥、笔杆子、参谋、裁判的角色分工,对文章、公众号草稿和观点内容做对抗式审查:写出初稿后,由反方角色从五个维度系统挑刺,再改稿、再打分,循环 2 到 3 轮,8 分以上才通过,最终输出定稿与审稿摘要。 技能效果 给它一篇标题党的AI副业稿,它先扮反方从标题、结构等维度逐条挑刺并打了低分,再把标题和正文改成可信、能过审的发布版。 稿子发出去之前,问题出在哪 用 AI 写稿最大的隐患,是它写完会"自我感觉良好":通读顺畅,但论据站不站得住、标题有没有吸引力、结构会不会绕,它不会主动跟你较真。作者自己回头检查,也容易因为"是自己写的"而手下留情。结果就是软肋一直藏到发布之后才被读者发现——而那时已经晚了。 这个技能能帮你做什么 它把"写—审—改"拆成几个互相较劲的角色:笔杆子负责写,参谋专门站在反方挑刺,裁判负责打分把关,总指挥统筹流程。给定主题、读者、核心论点和字数要求,它先生成任务简报和初稿,再循环跑 2 到 3 轮挑刺与修订,分数到 8 分以上才算通过——相当于给内容设了一道质量门禁。 ≥ 8 分 · 通过交付 初稿笔杆子 反方挑刺参谋 改稿笔杆子 裁判评分裁判 评分 < 8 分 · 再来一轮 挑刺不是泛泛说"再改改",而是固定从五个维度逐项找问题并指出改稿方向:标题吸引力、结构逻辑、数据支撑、读者视角、篇幅比例。这五项基本覆盖了一篇观点稿"能不能打动人"的主要软肋。每一轮挑了什么、为什么改、打了几分都会留痕,最终交付两份产物:能直接发的定稿(final-draft),以及记录全过程的审稿摘要(review-summary)。 怎么用它 用法是把要审的稿子和要求用自然语言交给它,说清读者、轮次和重点即可。例如可以这样对它说: 可以这样对它说 "这篇公众号稿先让反方挑刺,评分八分以下继续改到能发,标题别太夸张。" "演讲稿需要两轮审稿,重点看标题、逻辑和数据支撑,别只改措辞。" "把这篇观点文过一遍裁判评分,标出站不住的地方和重写原因。" 它适合这些场景:公众号文章发布前先发现标题、结构和论证上的薄弱点;用对抗式流程提升观点文、演讲稿的说服力;长文已有初版、需要多轮批评和打分后再定稿;内容项目需要留下审稿记录以便复盘。反过来,纯信息罗列、通知公告这类不需要"说服"的内容,或赶时间只要一版能用的草稿,就不必动用这套多轮流程。 一篇待发 的稿子 要说服读者 / 发布前把关? 是 交给它 先挑刺把关 否 不必动用 这套流程 大家常问 为什么自己写完读着挺顺的稿子,发出去读者往往看两段就划走? 作者大脑会自动补全背景和逻辑链,对自己的稿天然带确认偏误,读着顺其实是看不见盲点;读者只看纸面文字,信息密度跟不上注意力就划走。需要切换"挑刺者"视角,逐段问这段去掉会损失什么、第一句够不够独立扛注意力、有没有假设读者已经懂的前提。 写作里说的"对抗式审稿"到底是什么意思?跟自己回头改一遍稿子有什么本质区别? 对抗式审稿是把笔杆子、参谋、裁判拆成独立角色循环:参谋只看纸上写了什么、专门找漏洞,笔杆子只读批评不参与辩解,裁判只看结果打分。和自己改稿的本质差别不在认不认真,而在外部视角、维度系统性和评分硬阈值——同一个大脑没法跳出自己的盲区。 为什么写作流程要把写作、批评、修改、评分拆成不同角色循环,而不是一个人一气呵成? 一气呵成相当于让模型在自己挖的地基上检查裂缝,会路径依赖式地觉得自洽;拆角色是制造信息不对称——参谋不知改稿走向、笔杆子不知打分标准、裁判只看结果,让对抗张力真实存在。多轮循环时第一到二轮提升最大,三轮后边际递减,所以通常 2 到 3 轮收敛。 反方挑刺常说的标题、结构、逻辑、数据、读者视角这五个维度,分别盯的是什么? 标题盯的是关键词覆盖了但正文是否真锚定;结构盯段与段是积木式还是链条式,删一段能不能看出断裂;逻辑盯隐含前提和跳跃推理,追问 Because why 几层就断;数据盯是不是装饰品,抹掉数字结论还成不成立;读者视角盯换个身份读同一段时反应是否一致。 想用上这个技能? 「对抗式内容审稿」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。

2026/05/29
默认配图

如何用 AI 优化提示词

「状态化提示词优化」是「龙虾部署大师」技能市场中的提示词改写技能:作用是自动识别并改进复杂、技术、可复用、需求含糊或精度关键的提示词。它结合 APE、OPRO、DSPy 等模式做多轮优化,冷启动模式可直接套用研究驱动的改写策略,状态化模式则借助嵌入索引的历史样本、相似提示检索、反馈记录和质量评分持续学习,输出优化后的提示词、改进依据、迭代次数和收敛判断。 技能效果 丢给它一句含糊的「把用户反馈整理一下」,它改写成可复用的结构化提示词,补上分类维度、优先级标注、成功标准和后续动作。 提示词写得不稳,问题出在哪 同一个任务,提示词措辞稍有不同,输出就忽好忽坏:需求写得含糊,模型自由发挥太多;约束堆得太满,又变得脆弱、一改就崩。更麻烦的是缺少积累——每次都从头调,调好的版本没沉淀下来,下次遇到类似任务又得重来。对于代码生成、分析报告这类需要稳定结构和验收标准的任务,提示词不稳定,直接拖累产出的可靠性。 含糊提示 自由发挥太多 堆满约束 脆弱、一改就崩 清晰、可测量、可复用 约束简洁有效 这个技能能帮你优化什么 它把"凭手感调提示词"变成"有方法、可积累的优化过程"。核心能力有四块:一是识别复杂、多步骤、技术输出、模板和精度关键型的提示词,判断哪些值得优化;二是调用优化流程,生成改写版本、改进说明和迭代建议,并控制迭代次数与收敛条件,避免过度优化反而变脆;三是在状态化模式下,基于历史向量检索、相似提示、反馈记录和成功率持续学习,让后续改写越用越准;四是结合 APE、OPRO、DSPy 等研究驱动的策略,把含糊需求改写成清晰、可测量、可复用的指令。优化结果会附上改进依据和迭代次数,让你看清"为什么这样改"。 原提示词含糊/脆弱 多轮优化APE/OPRO/DSPy+ 历史检索 迭代收敛 优化后提示词清晰 / 可测量附改进依据 用前须知 冷启动模式无需安装即可使用。若要启用状态化学习(基于历史样本持续改进),需要 Node.js 18+、Docker、Qdrant、Redis 以及 prompt-learning MCP,并配置 OPENAI_API_KEY 用于嵌入与评估。 怎么用它 用法是把你要优化的提示词和期望的稳定效果用自然语言交给它,它会改写并说明依据。例如可以这样对它说: 可以这样对它说 "把这个长任务提示词优化成可复用版本,并设清楚成功标准。" "这段代理提示老跑偏,按历史效果压缩约束,减少无关发挥。" "改进这个代码审查提示词,让输出稳定覆盖关键风险点和缺失测试。" 它适合这些场景:要把含糊需求改写成可复用的系统提示词或任务模板;代码生成、分析报告或结构化输出需要更稳定的约束和验收标准;长期项目希望记录提示词表现并基于成功案例持续改进;复杂代理流程要在不增加脆弱性的前提下提升指令清晰度。 大家常问 为什么同一个任务,提示词措辞稍微改一下,模型输出就忽好忽坏? 大模型每次调用都是无状态的独立计算,没有对上一次输出好坏的记忆,措辞稍变就走到不同的生成路径上,输出自然不稳。状态化提示词优化的做法是在调用之间建一条反馈回路:把历史输入、输出和评分累积起来,挑高分样本做滚动 Few-shot,再用反思-改写循环抑制随机波动,让"忽好忽坏"收敛成稳定输出。 什么是提示词的冷启动模式和状态化模式,它们的差别是什么? 冷启动模式是每次都从零构建提示词,不查、不留任何历史,效果完全取决于本次写得好不好。状态化模式则把每次提示词、响应和质量评分记录下来,建嵌入索引和成功率统计,新任务先检索相似的高分历史样本作参考。差别在于学习能力:冷启动每次原地重来,状态化越用越准,但需要存储和检索基础设施。 为什么提示词不能一次写好,需要多轮迭代和收敛判断? 因为你写提示词时脑子里的"理想输出"模型并不知道,模型对模糊指令的默认倾向也要等它真的产出文本才能看见。多轮迭代实际上是用实测数据反向修正你对模型的假设:上下文累积灌入你的标准,反思-改写分离诊断和修复,A/B 替换让数据决定哪种措辞活下来。收敛判断(连续几轮改进幅度低于阈值、评分达标、Token 预算耗尽等)则避免越改越脆的过度优化。 怎么判断一段提示词是『含糊型』还是『精度关键型』,对应的改写策略有什么不同? 把提示词套入「80% 正确是否仍然有用」这一问:写产品介绍、做主观分析这类回答"是"的属于含糊型;代码生成、信息抽取、SQL 查询这类回答"否"的属于精度关键型。含糊型改写重点在风格引导和方向一致——上下文用追加式累积偏好,Few-shot 选风格范例,预算可宽松;精度关键型重点在压缩误差——规则约束严格优先于历史,Few-shot 滚动覆盖易错边缘案例,强制开启链式思维做审计追踪。 想用上这个技能? 「状态化提示词优化」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。

2026/05/29
默认配图

量化策略怎么建模回测?算VaR和最大回撤做组合优化

「量化分析师」是「龙虾部署大师」技能市场中的量化研究技能:它面向金融建模、交易策略回测、风险指标计算、组合优化、时间序列预测、期权定价和统计套利,围绕数据质量、交易成本、滑点和样本外验证构建分析,输出向量化策略实现、回测结果、风险报告和敏感性分析。 技能效果 回测配对交易时,它自己模拟了60个交易日的两只蓝筹股行情,按z-score开平仓,算出夏普2.43、最大回撤、胜率和换手率。 量化研究的坑,多半在"严谨"二字 写一段策略代码不难,难的是让回测结果可信。很多研究在回看时收益亮眼,一到样本外或实盘就失效——往往是因为没扣手续费和滑点、没做样本外验证、过拟合了参数,或者把研究代码直接当成了实盘系统。风险这一侧同样容易被忽略:只看收益不看回撤、不算 VaR 和夏普、不做参数敏感性,结论的稳健性无从判断。「量化分析师」要解决的,是把这些容易踩空的严谨性要求前置进流程,让研究结论站得住。 一条可信回测的必经环节 数据清洗 含成本/滑点回测 样本外验证 风险调整收益VaR / Sharpe / 回撤 敏感性分析 这个技能能帮你做什么 它覆盖量化研究的主要环节。策略层面,构建交易策略、回测框架和市场数据的清洗处理流程;风险层面,计算 VaR、夏普比率、最大回撤等风险收益指标;组合层面,执行 Markowitz、Black-Litterman 等组合优化分析;模型层面,研究时间序列预测、期权希腊值和统计套利的模型假设。它会要求先明确执行环境、数据来源、目标市场和用途,再围绕数据质量、交易成本、滑点、样本外验证和风险调整收益展开,并明确区分研究代码与实盘系统的边界。 策略回测向量化实现 风险指标VaR/Sharpe 组合优化Markowitz 模型研究期权/套利 要求明确假设与风险披露 用前须知 该技能无需固定 API Key,但需要你明确市场数据来源;推荐 Python 环境及 pandas、numpy、scipy 等库。它的输出仅作研究与教育用途,要求明确假设与风险披露,区分研究代码与实盘系统,不构成投资建议,也不承诺任何策略在实盘中的表现。 怎么用它 用法是把研究目标、数据来源和约束条件用自然语言说清楚。例如可以这样对它说: 可以这样对它说 "用 CSV 行情回测一个配对交易策略,算夏普、回撤、胜率和换手,要含手续费。" "这个期权组合估一下 Greeks,再做一份风险暴露报告和情景压力测试。" "按 Markowitz 做组合优化,加入交易成本、仓位上限和约束条件。" 它适合这些场景:研究美股、A 股、加密货币或期货策略并验证历史表现;在回测中加入手续费、滑点、仓位限制和样本外测试;评估组合的风险暴露、收益稳定性和参数敏感性;以及实现配对交易、因子模型或期权定价的研究代码。适合量化研究员、金融工程学生、交易策略开发者和数据科学团队,用于研究与教育场景。 想用上这个技能? 「量化分析师」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。

2026/05/29
默认配图

怎么用AI查航班动态

「飞常准航班查询」是「龙虾部署大师」技能市场中的航班动态查询技能:作用是基于飞常准官方接口,查询实时航班动态和两个机场之间的航班列表——它识别你是要查某条航班的实时状态,还是查某日某起降机场之间有哪些航班,再把结果整理成表格或简洁说明,展示航班号、航司、计划与实际起降、机型、准点率、延误原因和当前位置等关键信息。 技能效果 查一条航班时,它用一个示例航班展示能拿到的字段——航班号、计划与实际起降、状态、航站楼等及返回格式。 查个航班状态,为什么总要来回切好几个地方 麻烦在于信息分散且口径不一。临出行或接送人时常遇到三种情况:一是动态查得零碎,航班是否延误、实际几点落地、停哪个航站楼,往往要在好几个页面里翻;二是按城市找航班费劲,只知道"深圳到西安明早",却要先查机场代码、再逐个比对班次和准点率;三是要整理给别人看时格式杂乱,客服或差旅人员把计划起降和当前状态汇总成一张清楚的表,靠手抄又慢又容易错。基于官方民航数据、一次问清,才省去这些来回。 一条航班,关键状态一次看清 出发 计划 / 实际 航站楼 ✈ 在途 / 准点率 到达 实际落地 延误原因 这个技能能帮你查到什么 它把航班查询统一到官方数据上,分两种意图自动处理。给出一个航班号时,它返回该航班的实时动态;给出某日和起降机场(或城市)时,它返回这两地之间的航班列表。它会先把城市名映射成常用机场代码、补全查询参数,再调用官方接口取数,最后把返回的 JSON 整理成表格或简洁的状态摘要。展示的字段包括航班号、航司、计划起降时间、实际状态、机型、准点率、延误原因和当前位置,让"延误了吗、几点落地、停哪个航站楼"这类问题一次说清。 说出查询意图 航班号 / 城市+日期 补全机场代码 映射 + 取官方数据 整理 JSON 表格 / 状态摘要 关键 状态 用前须知 该技能需要 Node.js 运行环境和飞常准的 VARIFLIGHT_API_KEY,可参考 .env.example 配置好 VARIFLIGHT_API_KEY 后再运行查询脚本。它的数据来自官方民航接口,建议以官方公布信息为准;航班状态实时变动,出行前请以航司和机场的最新通知为准。 怎么用它 用法是把航班号或出发到达城市和日期用自然语言说清楚,它会判断意图、补全参数并取数。例如可以这样对它说: 可以这样对它说 "查今天 CA1202 的实时状态,起飞延误、落地时间和航站楼都要看。" "深圳到西安明早有哪些航班,按起飞时间排,准点率也放进表格。" "看一下 CZ3101 今天到没到,如果延误就把原因和实际落地时间说清楚。" 它适合这些场景:旅客想查某个航班今天是否延误、取消、起飞或到达;出行规划时想看指定城市或机场之间某日有哪些航班;客服或差旅人员要快速整理一批航班的计划起降和当前状态;以及只提供城市名、需要自动映射机场代码并补全查询参数的情况。 大家常问 航班状态显示"前方起飞"和"已起飞"在含义上有什么区别? "已起飞"指你预订的这班飞机已经离开出发机场地面;"前方起飞"指执行你这班航班的飞机(同一机尾号)正在执行上一段航程,已经从上一个机场起飞、但还没飞到你所在机场。前者是你这班的最终确认,后者只表示"飞机在路上、还要等"。 同一个航班号在不同来源看到的状态为什么会对不上? 因为多个独立系统在描述同一架飞机的不同侧面:空管看的是"是否已获放行许可",机场运控看的是"是否已关舱门、推出",ADS-B 信号源看的是"是否已离地"。同一个"延误"标签,在不同来源指向的事件阶段不同,加上各系统更新延迟不一致,自然会对不上。 航班动态里的 ETD 和 ETA 为什么会一直跳变? ETD 和 ETA 是预估值,由前序航班实际起降、空域流量管制、目的地气象、地面保障进度等多源数据实时融合算出。任何一项变化都会让推算起点改变,所以本质上是一个随新证据不断收敛的概率值,而不是固定时刻——每次跳变都意味着系统拿到了新信息并修正了预测。 想用上这个技能? 「飞常准航班查询」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。

2026/05/29
默认配图

SEO 关键词怎么研究?分类搜索意图评估机会看竞对

「SEO 关键词研究」是「龙虾部署大师」技能市场中的关键词与内容机会技能:作用是根据种子词、目标域名或地区,识别搜索意图,结合搜索量、难度和商业价值评估关键词机会,分析竞对的排名词与内容缺口,并解读 SERP 格局,最终给出可执行的关键词优先级、内容缺口和入局或放弃建议。 技能效果 搭跑步鞋关键词体系时,它按搜索意图分类,标注了月搜索量、竞争难度和内容机会级别。 为什么内容做了不少,自然流量却不见涨 问题往往不在写得多不多,而在写之前选错了词。常见的三种偏差:一是凭感觉挑关键词,搜的人很少或难度极高,内容做出来也排不上去;二是只看搜索量,忽略了词背后的搜索意图,把信息型流量误当成能成交的交易型流量;三是不清楚竞品靠哪些词拿到流量,缺口在哪、差距有多大,盲目铺量。三种偏差叠加,内容投资就成了撞运气。 同样写一篇内容,词选得对不对决定结果 搜索量大 + 难度极高 投入大,排不上 有量 + 意图不对 来了人,不转化 适中难度 + 意图匹配 + 竞对缺口 值得投入的内容机会 这个技能能帮你研究出什么 它把关键词研究拆成可决策的几层。意图层面,它按信息型、商业调研型、交易型和导航型给关键词分类,让选词不再只看量;机会层面,它结合搜索量(MSV)、难度(KD)、点击成本(CPC)和意图权重综合评估每个词的价值;竞对层面,它抓取竞品域名的排名词、内容形式和内链策略,找出对方有排名而你缺失的词和页面;SERP 层面,它解读前十结果的规律和精选摘要、FAQ、视频等特性,提出能进入这些位置的机会。 针对不同需求,它提供三种模式: 关键词研究 种子词 → 主题集群 竞对分析 域名 → 关键词差距 SERP 分析 查询 → 入局判断 输出不止是一张词表,而是带优先级的关键词机会、长尾词拓展、主题集群规划,以及"这个词值不值得继续投入内容资源"的明确结论,直接支撑内容投资决策。 用前须知 该技能依赖 web search 与 web fetch 能力,无需 API Key,本地也无需额外运行环境。若需要第三方工具给出的精确搜索量或难度值,可另接 SEO 工具补充数据;技能本身侧重意图判断、机会排序和策略建议。 怎么用它 用法是把研究目标用自然语言说清楚——种子词、目标地区、竞品域名或某个具体查询,它会自动选择合适的模式。例如可以这样对它说: 可以这样对它说 "从零做跑步鞋的关键词体系,按搜索意图、难度和搜索量排出内容机会,关键项标出来。" "分析这三个竞品域名,找出他们有排名、而我们缺失的关键词和页面,重点标注差距。" "看看 best crm software 这个词的 SERP 格局,判断值不值得入局。" 它适合这些场景:从零规划博客或落地页,需要先搭起关键词与内容集群;竞品持续拿到自然流量,要弄清关键词差距和页面策略;某个核心词排名困难,要判断是否继续投入;希望内容进入 AI 摘要或精选摘要,需要优化问答与结构化表达。 大家常问 为什么关键词难度(KD)数字很低,但实际上还是排不上去? KD 只衡量排名靠前页面的域名权威与外链强度,是单维度估算。它反映"入口有没有强敌把守",并不告诉你 SERP 的搜索意图匹配、页面级相关性、内容质量阈值这些更决定排名的信号。 关键词聚类和单独围绕一个关键词做优化有什么区别? 单关键词优化是"一篇页面追一个词",覆盖窄、易语义孤立。聚类是把一组语义相近的词组织成"支柱页+子话题页"的中心-辐射结构,向搜索引擎传递领域系统性覆盖信号,更契合语义搜索。 搜索意图里的商业调研型和交易型怎么区分? 核心看用户处在哪个决策阶段。商业调研型带比较逻辑——"对比 / vs / 哪个好 / 评测",还在选哪个;交易型不带比较——"买 / 购买 / 官网 / 价格",已决定买谁、只剩去哪买。 看一个关键词的 SERP 格局判断要不要入局,主要从哪几件事看? 看前十的内容类型一致性、域名集中度、内容格式与时效分布,再看精选摘要、其他人还问、视频轮播等特型区块占位;综合搜索意图匹配、内容差距、权威度门槛与差异化空间决定是否入局。 想用上这个技能? 「SEO 关键词研究」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。

2026/05/29
默认配图

如何用 AI 批量筛简历并排序

「招聘流程助手」是「龙虾部署大师」技能市场中的简历筛选技能:作用是按职位描述批量解析简历、给候选人评分、输出排序报告,并为每位候选人生成定制化面试问题。它会先引导建立 jobs 目录、职位文件夹和简历资料结构,再读取 JD、提取硬性要求,解析 PDF、DOC、DOCX、HTML、TXT 简历,按技能、经验、项目和加分项打分,最后生成 HTML 或 Markdown 报告。 技能效果 给它一个前端岗位的简历批次,它生成十份样本并按React深度、大型项目等六个维度打分排序,输出了一份可直接面试的名单。 一堆简历压过来,筛选凭什么不漏、不偏 一个岗位收到几十份简历是常态,人工逐份读、对照 JD 打分,既慢又难一致:同一份简历,上午看和下午看的判断可能不同;不同面试官的口径也各不相同,排序难以服众;JD 一改,又得把所有候选人重新评一遍。到了面试环节,临时想问题,往往问得泛、问不到候选人的真实项目细节和风险点。整个流程既费时,又依赖个人状态。 JD 简历 1 简历 N 对照 JD统一口径打分 排序报告 定制面试问题 这个技能能帮你做什么 它把"读简历—打分—排序—出面试题"这条链路标准化。核心能力有四块:一是引导你建立职位文件夹、职位描述文件和简历资料结构,让筛选有规整的输入;二是解析 JD 里的硬性要求、核心技能、软性素质和加分项,明确评分标尺;三是批量提取每份简历的基础信息、工作经历、技能栈和项目亮点;四是按匹配度给候选人排序,并为每人生成一套定制化的面试问题清单。它支持 PDF、DOC、DOCX、HTML、TXT 多种简历格式,最终输出 HTML 或 Markdown 报告。同一把标尺套在所有候选人上,排序口径就一致了。 读 JD提取硬性要求 解析简历经历/技能/项目 匹配排序按打分 报告 + 面试题 用前须知 该技能无需外部 API Key,简历解析在本地完成。使用前需准备好本地的 jobs 目录、职位描述和简历文件;支持 PDF、DOC、DOCX、HTML、TXT 格式。首次使用时它会引导你把目录结构和 JD 备齐再开始。 怎么用它 用法是把岗位文件夹的位置和你的筛选目标用自然语言说清楚,无需手动逐份对照。例如可以这样对它说: 可以这样对它说 "这个前端岗位的文件夹在这里,批量筛简历并排序,输出一份可面试名单。" "针对张三这份产品经理简历,准备一套追问面试题,重点问项目细节。" "JD 刚改过,重新按硬性要求给候选人打分排序,淘汰不合门槛的。" 它适合这些场景:收到多份简历,需要根据同一 JD 快速筛选排序;针对单个候选人准备技术、项目、软实力和风险澄清问题;更新职位描述后要重新评估候选人与新要求的匹配度;想把面试官偏好纳入问题设计,形成更一致的面试风格。 大家常问 简历筛选里说的「硬性要求」和「加分项」分别是什么意思?怎么区分? 硬性要求是不可妥协的准入条件,客观可验证,不满足就直接淘汰(如学历、年限、必备资格证、常驻地);加分项是锦上添花的优先级条件,不满足不淘汰,但在合格候选人之间用来排序择优。判断口诀:如果其他都好但唯独这条不满足,仍然拒录用就是硬性要求,否则是加分项。 JD 拆解里说的「硬性要求 / 核心技能 / 软性素质 / 加分项」这四类怎么区分? 本质是按"不可妥协性"和"评估时序"分层:硬性要求回答"这人能不能来",二值判断、漏斗最前置;核心技能回答"能不能干活",连续谱评估、面试主战场;软性素质回答"好不好共事",情境依赖、通过行为题观察;加分项回答"如果都好谁更好",只在最终择优阶段发挥作用,前置使用会引入虚假区分。 为什么同一份简历不同人读出来的评分会差很多?口径不一致的根源是什么? 根源是评分标准的"私有化、隐性化"——每个评估者用自己的经验公式打分,再叠加锚定效应、维度权重偏好、信号解读差异、归因风格和历史经验萃取这五类系统性偏差,最终结果就大相径庭。方法论解法是把评估维度公开化、建立锚点样本统一基准、要求每条评分附带举证,并定期做盲测校准。 结构化面试的「定制化追问题」是什么意思?跟随便问几句有什么本质区别? 定制化追问题是在结构化框架内、针对候选人特定回答按预设"如果-那么"规则进行的标准化追问,每条追问都有明确测评目标。与随便问的区别在三处:系统性(锚定胜任力维度而非临场好奇)、一致性(给相同回答的候选人问同样追问)、可追溯性(事后能复盘评估依据)。 想用上这个技能? 「招聘流程助手」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。

2026/05/29

客服
扫描与客服沟通

回顶部
提示

正在拉起鸿蒙应用市场,如遇无法拉起/无法下载的情况,可使用鸿蒙设备,自行前往应用市场,搜索「Win解压缩」安装。

知道了