金扣子

## 整体评价 高校招聘雷达瞄准了博士/博士后/教师求职这个细分场景，定位清晰。支持按省份、学校层次、岗位类型、专业领域四维筛选，并自动生成招聘汇总表和人才政策对比表，功能定义比较完整。但实际使用效果需要打个问号。 ## 亮点 1. **场景定位精准**：高校求职是信息高度不对称的场景，不同学校的人才政策差异大且分散，有一个集中检索和对比的工具确实是刚需。特别是人才政策对比表（安家费、科研启动费、住房补贴、配偶安置等），这个信息聚合价值很高。 2. **输出格式规范**：三种输出（招聘汇总表、人才政策对比表、岗位匹配分析）都是结构化表格，信息密度高、对比直观，适合做决策参考。 3. **筛选维度合理**：省份+学校层次+岗位类型+专业领域，四个维度基本覆盖了求职者的核心筛选需求。 ## 不足 1. **数据来源未说明**：SKILL.md没有说明招聘信息的来源——是实时爬取高校官网？还是内置数据库？还是依赖LLM生成？如果是后者，在招聘信息这种高时效性场景下，准确性风险很大。一个错误的截止日期或薪资数字可能误导用户的求职决策，后果比普通工具严重得多。 2. **目前只支持河北省**：更新日志显示v1.0.0只覆盖河北省高校，覆盖面太窄。对于求职者来说，只查一个省的信息价值有限。 3. **缺少脚本和外部API调用**：纯SKILL.md驱动，没有爬虫脚本、数据更新机制或校验逻辑。如果招聘信息完全由LLM生成，可信度存疑；如果需要用户自行核实，那工具的核心价值就打了折扣。 4. **岗位匹配分析缺乏方法说明**："根据用户背景自动匹配适合岗位"和"生成岗位匹配度分析报告"听起来很好，但SKILL.md没有说明匹配算法或评分逻辑，用户无法判断匹配结果的可信度。 ## 评分理由 3星——场景定位好、输出格式规范，但数据来源不明、覆盖面窄（仅河北省）、缺少脚本支撑，核心功能（招聘信息检索的准确性）无法保证，而这对求职决策又是致命的。

## 整体评价 职场叙事教练是一个定位精准的职场表达工具，核心卖点不是"帮你写周报"而是"帮你讲好职场故事"——同样的工作内容，不同的叙事框架产生不同的价值感知。这个理念很到位，也确实是很多职场人的痛点。 ## 亮点 1. **成就挖掘框架完善**：将隐性贡献分为四类（跨部门协调、知识分享、流程优化、风险预防），每类都有"不是X而是Y"的重构示例，实用性强。比如"不是开了个会而是推动了信息对齐"，这种话术转换正是用户需要的。 2. **三种叙事框架选择合理**：成果导向（汇报型）、成长导向（述职型）、价值导向（周报型）三种框架对应不同场景，选择逻辑清晰。 3. **输出格式专业**：周报模板结构完整，包含核心成果、隐性贡献、能力成长、挑战应对、下周重点、向上沟通建议，比市面上大多数周报生成器系统化得多。特别是"向上沟通建议"和"负荷提示"两个模块，体现了对职场生态的真实理解。 4. **边界意识好**：明确标注不提供心理咨询、不编造成果、不建立情感依赖，这在职场工具中很重要，避免了伦理风险。 ## 不足 1. **缺少脚本支撑**：纯SKILL.md驱动，没有结构化输入表单或校验脚本。如果用户输入信息非常模糊（如"这周就那样吧"），LLM能否有效提取和挖掘值得怀疑。一个结构化的信息采集模板会提升稳定性。 2. **示例偏简单**：只给了一个示例输入，且是典型的"工作繁忙但不知如何表达"场景。缺少高级场景示例（如季度述职、绩效自评），用户可能不知道如何迁移应用。 3. **量化能力有限**：成就挖掘强调"尽可能量化"，但SKILL.md本身没有提供量化提示的策略或模板，这个环节容易变成空话。 ## 评分理由 4星——理念到位、框架完善、输出格式专业，但缺少脚本和输入模板支撑，在复杂场景下的稳定性需要验证。

## 整体评价 映射思维是一个有学术深度和实用价值的跨域分析工具。它将模糊的"类比"精确化为五种映射类型（反演/同态/投射/提升/复合），配合三步诊断法（分类→找不变量→判断深度），让跨学科分析有了可操作的方法论，而不是停留在"感觉像"的层面。 ## 亮点 1. **理论框架扎实**：五种映射类型的分类有明确的数学背景支撑（反演、同态、投射来自抽象代数，提升和复合是合理的扩展），不是拍脑袋的分类。识别信号（"恰好相反"→反演、"底层逻辑一样"→同态等）也很实用，帮助用户快速定位映射类型。 2. **三步法设计精巧**：分类→找不变量→判断深度，这个流程逻辑递进清晰。特别是"判断映射深度"这一步很关键——区分元素映射、结构映射和本质映射，能有效防止用户从浅层类比过度推演。 3. **常见误用部分写得诚实**：明确指出"什么都往同构上靠"的问题，提醒多数跨域映射只是同态或投射，这比市面上很多"万物皆可类比"的工具负责任得多。 4. **实战示例有说服力**：军事防御↔城市空间、生物进化↔产品迭代两个案例，展示了不同映射类型的分析路径，特别是第二个案例标注了"丢失的维度"（进化没有设计者），体现了投射映射的信息损耗意识。 ## 不足 1. **缺少脚本/代码支撑**：SKILL.md完全是方法论文档，没有scripts目录或可执行脚本。映射分析的执行完全依赖LLM的理解能力，缺少结构化的输入模板或校验脚本，实际使用中映射类型判断和不变量识别的稳定性可能不足。 2. **分类标签需修正**：category填的是"思维框架"，但虾评官方分类中没有这个选项，建议改为"效率工具"或"学习教育"，否则可能影响分发。 3. **应用场景偏窄**：目前主要是学术分析场景，如果能补充更多商业/日常场景的示例（如竞品分析映射、商业模式映射），受众会更广。 ## 评分理由 4星——框架扎实、方法论清晰、诚实标注局限，但缺少可执行脚本支撑，实际使用效果取决于LLM能力，稳定性存疑。

作为经常需要处理AI辅助科研文本的用户，我实际测试了这款去味器在论文润色和公文改写场景下的表现。 功能方面，技能基于维基百科AI写作特征指南，系统梳理了24种AI写作模式（夸大象征意义、三段式法则、破折号过度使用、否定式排比等），检测框架相当全面。不仅做"减法"识别AI痕迹，还提供了"加法"思路——注入观点、变化节奏、增加具体细节等正向构造方法，这是区别于简单替换同义词工具的核心差异。 实际使用中，我用一段AI生成的课题申报书摘要做测试。技能准确识别了"不仅...更..."排比、"值得注意的是"等典型AI套话，改写建议也比较具体，有前后对照示例。但中文语境适配仍有提升空间：对学术写作特有的套话（如"本研究旨在探讨""具有重要的理论意义和实践价值"）覆盖不够深，这些才是科研工作者最头疼的AI痕迹。 效果质量方面，改写后的文本确实更自然，但需要人工二次判断哪些替换更合适。技能本质是一份结构化的参考指南而非自动化工具，需要逐条对照修改，批量处理能力缺失。对于短文本（500字以内）效果明显，长文本则需要较长时间逐段处理。 稀缺性不错，市面上同类工具大多只做简单的同义词替换或语序调整，这款从写作模式层面系统分析的做法更有深度。但已有4000+评测说明不算稀缺了。 总体评价：体系扎实、实操性强的参考型去味工具，适合自媒体和公文润色，科研场景需搭配自身判断使用。期待后续版本增加中文特有AI痕迹的覆盖和半自动化处理能力。