1. 基本信息
| 项目 | 内容 |
|---|---|
| 名称 | LLMInternSkill |
| 项目自述名称 | LLMInternSkill / LLM Intern Skill（大模型实习简历与求职工具箱） |
| 作者/维护者 | wanyichen06（GitHub 个人开发者） |
| 来源链接 | https://github.com/wanyichen06/LLMInternSkill |
| 许可证 | MIT（数据来自 GitHub API） |
| GitHub Stars | 264（数据来自 GitHub API） |
| Forks | 11（数据来自 GitHub API） |
| 最新版本 | 未使用 Git Tags/Releases，以最近一次提交为准（2026-08-04） |
| 安装方式 | git clone 至 Agent 的 skills 目录一条命令；也可完全不安装，直接把方法论贴给 AI 对话使用 |
2. 功能介绍与亮点
LLMInternSkill 是一个专注 LLM / RAG / Agent / Post-training 等大模型方向实习与校招简历的求职 skill，核心主张是“先诊断证据，再润色表达”：
- 证据红线（Evidence Guard）：对简历里的每一句话先做 claim 提取与证据核查，明确区分“可以写 / 谨慎写 / 补证据后写 / 不能写”，拒绝把“做过 RAG demo”直接包装成“主导企业级智能知识库系统上线”这类夸大表达。
- 十一段产出链路：JD 分析 → 材料审计 → 真实性边界 → Evidence Contract → 简历润色 → 定制简历 → 面试拷打 → 回答卡 → 补证据计划 → 开源项目推荐（Project Scout）→ 最终交付包，每一步都落地为独立文件，可单独复用。
- 面向细分技术方向：内置 RAG/知识库、Agent/Tool Use、Agentic RL、Post-training/Alignment、Pretraining、搜索排序、AIGC、多模态等十余个大模型子方向的针对性检查点（如 RAG 方向会重点核实 chunk/retrieval/rerank/citation/eval 是否有真实证据）。
- LaTeX 简历导出：内置 Bill Ryan 中文 LaTeX 简历模板与配套的 FontAwesome 图标转换脚本，可直接产出排版好的 PDF 简历草稿。
- 零安装可用：不想安装的用户可以直接把方法论文本贴给任意 AI 对话使用，不强制要求走 Codex Skill 安装流程。
3. 适用场景
固定分类：内容创作与知识管理。
适合准备申请 LLM 算法、RAG 工程、Agent 开发、post-training/对齐、搜索推荐排序、AIGC、多模态等大模型相关实习与校招岗位的求职者，尤其是项目经历单薄、担心简历表述被面试官当场问穿、需要在投递前系统性补齐证据的候选人。
4. 跨 Agent 兼容性
- Codex：原生支持，README 明确标注为 Codex Skill，提供
git clone至~/.codex/skills/的专属安装路径。 - Claude Code：需适配——SKILL.md 采用标准 Agent Skills 格式（YAML front matter + 指令正文），理论上可手动复制进
~/.claude/skills/使用，但抓取到的文档未给出 Claude Code 专属安装说明。 - OpenClaw：未验证，抓取到的材料未提及。
- Hermes Agent：未验证，抓取到的材料未提及。
5. 推荐理由
多数简历润色工具止步于“把话说漂亮”，LLMInternSkill 多做三步——这句话有没有证据、面试官会怎么追问、补什么证据后才能写——并把这套判断落地成可追溯的产出文件链，同时针对 RAG、Agent、post-training 等十余个大模型细分方向给出具体核查点，对项目经历单薄、需要在投递前查漏补证据的大模型方向求职者价值明确。
6. 评分
| 维度 | 分数 | 说明 |
|---|---|---|
| 受欢迎程度 | 5 | GitHub 264 stars（API 数据），落在 200–1k 区间；仓库创建约两个月，star 数稳步增长，但尚未见到独立第三方媒体或博客的具名评价 |
| 可用性 | 9 | 提供一条命令安装，也支持完全不安装、直接把方法论贴给 AI 对话使用；README 含完整 Before/After 示例与一份端到端旗舰案例（含 JD、材料、最终产出三份真实文件）；最近一次代码推送为 2026-08-04，维护活跃；核心流程无任何付费依赖 |
| 安全性 | 8 | 见下方安全检查清单 |
安全检查清单：
| 检查项 | 结果 |
|---|---|
| ① Shell 命令及权限范围 | 仅含两个小型本地脚本（fs_sty.py/fs_sty.sh），用于把 FontAwesome 图标样式转换成 LaTeX 宏定义，供简历模板排版使用，无系统级操作 |
| ② 运行时联网外发 | 未发现将用户简历、项目材料等隐私内容回传第三方服务器的行为 |
| ③ API key / 凭据 | 不需要任何 API key 或凭据 |
| ④ 可疑指令 | 未发现提示注入或隐藏指令；核心规则明确写着“不能把没有证据的经历润色成事实”，主动约束输出不去夸大或编造 |
| ⑤ 作者/组织信誉 | 独立开发者维护，LaTeX 图标转换脚本明确注明 fork 自已知开源项目（schischi-a/fontawesome-latex），来源透明；未见 star 异常暴涨痕迹 |
| ⑥ License | MIT，条款明确 |
| ⑦ 最近维护时间 | 最近一次代码推送为 2026-08-04，持续活跃维护 |
综合评分 = 三项均值 ≈ 7.3。
7. 跟同类 Skills 相比的优势
| 方案 | 定位 | 与 LLMInternSkill 的差异 |
|---|---|---|
| get-job.skill（agentenatalie） | 覆盖调研岗位→改简历→面试准备全链路，面向校招社招转行等通用求职场景 | 通用求职工具，不区分技术方向；LLMInternSkill 专精大模型细分方向（RAG/Agent/post-training 等），针对每个方向给出具体证据核查点 |
| ResumeSkills（Paramchoudhary） | 多技能合集，覆盖 ATS 优化、面试准备、求职策略等通用职场场景 | 面向通用职场求职者；LLMInternSkill 聚焦大模型/AI 实习这一细分赛道，且强制做证据核查而非直接润色表达 |
| Offer Toolkit Skill | 聚焦拿到 offer 后的对比与决策阶段 | 覆盖求职流程的后段（选 offer）；LLMInternSkill 覆盖前段（简历诊断到面试准备），两者阶段不重叠 |
8. 用户评价
该技能目前在第三方平台尚无独立、具名的用户评价；仓库自身 issue 区的两条记录分别是英文 README 支持的功能请求与一条第三方目录/聚合工具的通用收录留言，均非针对该技能实际使用体验的评价内容。
9. 其他补充
仓库正文为中英双语（简体中文为主，附 README_EN.md），examples/ 目录提供一份完整的旗舰案例（豆包 Seed 搜索排序方向），包含目标 JD、候选人材料输入、最终产出包与模拟 LaTeX 简历 PDF 四份真实文件，可直接对照效果。
10. 安装使用方式
方式一（零安装，直接对话使用）：
使用 LLMInternSkill。
请帮我做简历润色，但不要编造经历。
目标岗位：
[贴 JD 或写岗位方向]
我的原始简历：
[贴简历内容]方式二（安装为 Codex Skill）：
mkdir -p ~/.codex/skills
git clone https://github.com/wanyichen06/LLMInternSkill.git ~/.codex/skills/llm-intern-skill安装后重启 Codex 或开启新会话，说“使用 LLMInternSkill，读取我的 materials/ 文件夹”即可触发完整流程；也可仅要求“帮我做简历润色”触发轻量版。
使用：准备 materials/ 文件夹（含目标 JD、原始简历、项目代码/笔记/论文等佐证材料）交给 Agent，或直接粘贴简历文本与目标岗位方向，即可获得诊断、润色、定制简历、面试拷打与补证据计划等产出。
11. 注意事项
- 面向 Codex 生态给出了专属安装路径，Claude Code / OpenClaw / Hermes Agent 用户需要手动按 Agent Skills 标准格式复制安装，官方文档未给出专属说明。
- LaTeX 简历导出功能需要本地 LaTeX 排版环境；不使用该功能时可跳过，不影响核心的简历诊断与润色流程。
- 定位是大模型方向的求职材料辅助工具，不替用户核实项目经历真实性，最终内容真实性仍由用户本人负责。