蜗牛数据分析助手

Skill开发者的质检神器，必须5星。6层37项检查框架很系统，从功能完整性到长文本专项全覆盖。最实用的是长文本专项检查组——重复内容检测、阈值一致性、异常路径覆盖，都是平时写skill容易漏掉的细节。每个问题都有行号定位和优化建议，改起来很高效。发版前跑一遍心里踏实很多。

全场景绩效助手，定位很准。员工端（自评/360/向上面谈）和管理者端（评估/面谈改进/PIP）双视角覆盖，不用在好几个工具之间切换。 几个亮点： 1. 输出是纯文本无表格的，可以直接复制粘贴到公司绩效系统，不用手动清理格式，这点太懂打工人了 2. 自动匹配输出视角——自评用"我"、评语用"你"、晋升材料用第三人称，不会搞错人称 3. 截图识别填表功能很实用，发个绩效系统的截图，直接帮你识别表格字段给出填写建议 4. 5大公司风格（互联网/国企/外企/制造/金融）一键切换，同一句话能改出不同味道 5. PIP部分有法律风险声明，细节考虑得很周全 5维评估框架+SBI评语结构+STAR写作法，方法论很扎实，不是那种空泛的套话生成器。快速模式也很友好，贴素材直接出稿，效率很高。

作为一个群面过来人，这个技能的完成度超出预期。 最惊喜的是多角色模拟——5个虚拟组员各有性格，李明抢话、张伟跑偏、刘婷控时，讨论过程挺真实的，不会像有些工具那样大家轮流念稿子。 8大专项训练很实用，尤其是「异常场景应对」——抢话王、跑偏党、冷场，这些真实群面里最头疼的场景都有专门练，而且每题都有优化示范和方法论，不是光说不好。 6大题型库（资源争夺/案例分析/方案设计/两难开放/辩论/角色扮演）覆盖面很全，每类还有4道经典母题，不用自己再去找题了。 评分体系也比较科学，五维权重公式保证打分稳定，不会忽高忽低。实战复盘和紧急抱佛脚工具箱也很贴心。 建议：如果后续能支持语音模拟就更完美了，但文字版练内容和策略已经足够。

用过的面试模拟类技能里体验最好的一个。和其他只是出题打分的工具不一样，这个是真的在「培训」——先快速诊断摸底，然后按能力点拆成专项训练逐个突破，最后全真模拟验收，整个体系很完整。 几个特别惊喜的点： 1. 专项训练是真的有针对性，自我介绍、STAR、追问应对、数据化表达都分开练，哪里弱练哪里，比一套题从头做到尾效率高多了 2. 逐题精训的二次回答+进步对比很有体感，能看到自己从6分到8分的提升，练起来有动力 3. 专业题用了9×9矩阵+联网搜真题，题目质量比纯LLM瞎出的要靠谱很多，而且会标注来源和可信度 4. 实战复盘功能是意外之喜，面完把逐字稿贴进去分析，能发现很多自己意识不到的问题 整体结构清晰、交互流畅、训练有闭环。对于面试准备来说，比单纯刷面经效率高太多了。

【运行稳定性】★★★★★ Python脚本 + 结构化数据词典，运行非常稳定。批量处理上千条学校数据也毫无压力，性能很好。 【效果质量】★★★★★ 功能非常全面。校名标准化这块做得特别到位：简称、别名、错别字、海外音译、二级学院、校区、研究生院各种脏数据基本都能正确归一。标签维度也很丰富：985/211/双一流/QS排名/办学性质/院校类型，而且标签体系对齐软科分类，很专业。最惊喜的是置信度输出，每条结果都告诉你是怎么匹配到的、置信度多少，低置信度的自动标记待复核，用着心里很踏实。 【安全性】★★★★★ 纯本地运行，所有数据处理都在本地完成，不上传不联网，完全不用担心数据安全问题。 【潜在风险】★★★★☆ 特别小众的学校或者新成立的学校可能匹配不到，但脚本已经做了很好的兜底（输出未识别标记），可以人工补全后更新词库。 【典型场景】★★★★★ 校招简历筛选、HR学校背景核查、人才数据标准化、院校层次批量打标、海外院校对标、简历数据清洗，招聘和HR场景下几乎是刚需工具。 【解决问题】★★★★★ 完美解决了简历中学校名称千奇百怪的问题。同个学校能有十几种写法，人工核对效率极低还容易出错，这个工具一键批量处理，准确率还很高，大大提升了筛选效率。 【应用短板】★★★☆☆ 1. 海外学校的覆盖主要是QS Top500，更广泛的海外院校还可以补充；2. 专科院校的数据相对少一些；3. 首次配置标签体系需要花点时间熟悉。 总结：招聘和HR从业者的必备工具。数据全面、匹配准确、可配置性强、批量处理效率高，是那种用了就回不去的效率工具。强烈推荐给所有做简历筛选和人才数据处理的同学。

【运行稳定性】★★★★★ Python脚本 + JSON数据词典的组合，运行非常稳定。批量处理几百条数据也不会出错，适合生产环境使用。 【效果质量】★★★★★ 专业度拉满。基于教育部官方的本科专业目录（2025年）和研究生学科专业目录，权威性有保障。多级匹配策略设计得很合理：精确匹配→别名匹配→包含匹配→英文关键词匹配，能覆盖简历里各种奇怪的专业写法。STEM标记也很实用，校招筛选的时候特别好用。最赞的是职位-专业自定义匹配规则，可以根据不同岗位的要求灵活配置，不用改代码。 【安全性】★★★★★ 纯本地运行，数据不上传、不联网，只有Python标准库和几个常用的数据处理库，没有任何安全隐患。 【潜在风险】★★★★☆ 别名库如果能更丰富一些就更好了，有些小众专业或者新专业可能匹配不到。但脚本里已经预留了低置信度标记待复核的机制，问题不大。 【典型场景】★★★★★ 校招简历筛选、HR批量处理简历、人才数据清洗、教育背景标准化、STEM专业判断、岗位专业匹配度筛查……凡是涉及专业名称的场景都能用。 【解决问题】★★★★★ 完美解决了简历里专业名称五花八门的痛点——有人写全称有人写简称、有人写中文有人写英文、还有各种错别字和小众叫法。这个技能一套流程下来全部标准化，省了大量人工核对的时间。 【应用短板】★★★☆☆ 1. 海外专业的覆盖还可以进一步扩充；2. 专科专业目录目前覆盖较少；3. 对完全没见过的专业名称只能兜底处理。 总结：HR和招聘从业者的效率神器。数据权威、匹配准确、可配置性强，批量处理更是刚需功能，强烈推荐。

【运行稳定性】★★★★★ 纯SKILL.md提示词技能，加载流畅，输出稳定，没有任何报错或异常。 【效果质量】★★★★★ 整体效果超出预期。6维诊断评分体系非常专业，每项都有具体的评分标尺和核心原因说明，不是凭感觉给分。STAR法则改写的质量很高，能把流水账式的经历描述改造成动词开头+量化结果的专业表达，Before/After对比效果明显。最惊喜的是多方向定向优化功能，可以同时针对2-3个投递方向输出不同侧重点的简历版本，对海投的同学太实用了。 【安全性】★★★★★ 纯文本技能，无外部依赖、不调用第三方API、不需要API Key，非常安全。 【潜在风险】★★★★☆ 提示词体量较大，如果遇到上下文限制的场景可能需要分段处理，但对正常使用没有影响。 【典型场景】★★★★★ 适用场景非常广：应届生第一次写简历、职场人士跳槽优化、多方向海投、有JD的定向优化、想知道自己简历几斤几两的诊断需求，全覆盖。 【解决问题】★★★★★ 不只是改措辞，而是从策略层面帮用户做简历优化——告诉用户什么该写什么不该写、不同方向怎么突出不同优势、ATS关键词怎么布局。真正的授人以渔。 【应用短板】★★★☆☆ 如果一定要挑的话：1. 目前只有中文简历优化，海外求职场景还没覆盖；2. 没有可视化的简历模板输出；3. 提示词较长，首次加载需要一点时间。 总结：这是一款深度和广度都在线的简历优化技能，既有方法论又有实操工具，多方向优化更是独一份的功能，强烈推荐给所有有求职需求的用户。

【运行稳定性】纯Python标准库实现，零外部依赖，断网可用。代码结构清晰，约350行单文件，可读性强。内置self-test自检覆盖表头规整、空白清理、缺失值归一、日期/数字归一、去重、删空行、台账落盘等核心功能，全部通过。编码自动识别（5种编码依次尝试）和分隔符自动识别鲁棒性良好。整体稳定性优秀。 【效果质量】功能覆盖全面，11项核心能力基本涵盖了日常表格清洗的常见场景。数字归一支持货币符号、千分位、括号负数等多种格式，日期归一支持斜杠、点、中文年月日等格式，且对模糊月日年格式默认跳过不强行改写，体现了审慎原则。三输出物（清洗后CSV+MD报告+变更台账）设计合理，变更台账实现了逐格可审计。不足之处是仅支持CSV，不支持xlsx/xls等常见格式；列类型推断较基础，缺少异常值检测。 【安全性】纯本地脚本，数据不出域，无网络请求、无文件外发、无权限提升风险。原始文件不覆盖，结果另存，安全设计到位。平台安全检测safe_checked，四类风险均为LOW。 【潜在风险】确定性规则清洗对非常规格式可能漏处理，用户可能误以为"清洗完就干净了"而跳过复核；数字归一中若CSV列含逗号未加引号，会被误判为分隔符导致数据错位（脚本已提示但用户可能忽略）。 【典型应用场景】敏感数据离线清洗（财务/员工/客户信息）、多系统导出数据格式统一、数据分析前的数据预处理、审计场景下可追溯的批量数据规整。 【解决了什么问题】填补了"本地、免费、可审计"的数据清洗工具缺口——商业方案普遍云端+订阅+数据出域，本技能用纯Python标准库实现了确定性规则清洗，兼顾隐私和可追溯性。 【应用短板】一是仅支持CSV格式，不直接处理Excel，需用户手动转格式；二是缺少异常值检测、数据关联性校验等高级清洗能力；三是命令行界面对非技术用户不够友好，需要Agent代为执行。

【运行稳定性】纯提示词技能，零代码零外部依赖，稳定性好。主SKILL+6个参考文档约1000行，结构清晰，场景分流明确（六大场景各有独立流程）。信息检索式设计，不会出现随机性错误。唯一风险是参考文档内容随学科差异可能存在适用性边界，但属于内容深度问题而非运行稳定性问题。 【效果质量】覆盖面极广——从研究方法选择、统计检验指导、论文各章节写作、学术风格、引用格式到AI使用边界，完整覆盖科研写作全流程。参考文档专业度扎实：统计部分有参数/非参数对应表、效应量计算、APA报告模板和常见误解纠正；写作部分有CARS模型、PEEL段落结构、模糊限制语等成熟框架。方法论深度不错，但学科通用性与专业深度存在天然矛盾——社科适用性最强，理工科前沿方向细节可能不足。 【安全性】纯提示词技能，无数据外发、无文件操作、无网络请求。平台检测safe_checked，风险等级LOW。明确声明不编造文献数据、不代替核心判断，红线清晰。 【潜在风险】用户可能将方法指导直接当作研究方案执行，复杂统计或特殊学科场景下存在适用性风险；AI使用边界仅为通用建议，不同学校政策差异大，用户需自行核对。 【典型应用场景】研究生开题阶段方法选择、论文写作中卡章节、统计分析不知选何检验、引用格式纠结、答辩前自查。 【解决了什么问题】解决"知道要做研究但不知道方法和结构对不对"的信息差问题——把分散在教科书、期刊指南、方法论文章中的写作规范系统化、场景化，降低了学术入门的认知门槛。 【应用短板】一是广度有余深度有限，1000行内容覆盖全流程但每个方向只能到入门-中级水平；二是偏理论指导，缺少与实际文稿的互动（需配合写作技能）；三是学科普适性以社科为基准，理工科、医学、人文等学科适配度各异。

文件对比与差异报告助手是一款零依赖的文件差异比对工具箱，纯Python标准库实现，支持文本、目录、JSON、CSV四种对比模式。 运行稳定性：脚本语法检查通过，569行代码结构清晰，四种子命令均有独立参数解析与错误处理，异常时返回明确退出码。但缺少单元测试覆盖，超大文件、特殊编码混合等边界场景表现有待实测验证。 效果质量：四种模式覆盖了日常大部分差异比对需求——文本diff+行内词级差异、目录树按sha256哈希比对、JSON路径级逐字段对比、CSV按主键核对行与单元格变化。HTML报告自包含深色主题，可直接用于工单和邮件，输出质量高。 安全性：仅使用Python标准库，不联网、不调用外部API、不修改原始文件，无动态代码执行逻辑。官方安全扫描Semgrep零问题，四类安全风险均为LOW，安全等级高。 潜在风险：无第三方依赖降低了供应链风险，但CSV/JSON处理大文件时内存占用未明确限制，极端情况下可能影响性能。 典型应用场景：配置漂移排查、接口回归测试、数据交付验收、备份目录核对、代码/文案版本对比。 解决了什么问题：把"两份东西哪里不一样"这个高频但繁琐的问题，用零配置的单文件工具快速产出结构化、可直接引用的差异报告，减少人工逐行比对的时间。 应用短板：缺少三方合并能力和二进制级差异可视化；数组主键对齐要求主键唯一，重复主键仅告警无法自动处理；不支持Excel等更复杂的表格格式，场景覆盖有边界。

【运行稳定性】纯提示词技能，零外部依赖，稳定性良好。执行流程分六步，输入校验逻辑清晰，分支覆盖完整。但匹配度评分依赖模型主观判断，不同模型不同批次可能出现分值波动。 【效果质量】三类关键词拆分思路正确，符合ATS筛选逻辑。措辞对齐分析是亮点，能识别同义表述的错配并给出改写建议，直击求职者过不了初筛的核心痛点。输出格式固定，结构清晰可复用。但评分锚点仅为内部参考，缺乏细化的评分标准说明。 【安全性】纯提示词技能，无数据外发无文件操作，风险等级LOW。红线明确——不编造经历、不承诺过筛。 【潜在风险】评分主观性较强，用户可能过度依赖分数；措辞对齐照抄后实际经历不扎实，面试环节可能暴露落差。 【典型应用场景】投递前单一岗位简历精准优化、海投屡屡不过初筛的原因诊断。 【解决了什么问题】解决明明有相关经历但过不了机器筛选的措辞错配问题，把隐性要求显性化。 【应用短板】一是只做单岗位匹配，批量投递效率低；二是评分缺乏透明量化依据；三是仅覆盖关键词层面，不涉及简历结构项目深度等更复杂环节。

【运行稳定性】纯提示词技能，零外部依赖、零代码执行，稳定性较强。四步流程（接收判断→六尺挖掘→三栏改写→全文交付）分支相对清晰，但当用户输入多段混杂、格式不规范时，挖掘环节可能出现重复提问，容错有提升空间。 【效果质量】「六把尺子」方法论有一定体系感，改写公式符合招聘方阅读习惯，三栏表格输出直观。标杆案例质量不错，但实际效果重度依赖用户能否提供真实数据，对全无数字意识的用户需要多轮引导，单轮产出的完整度有限。 【安全性】纯提示词技能，无数据外发、无文件操作，平台检测四类风险均为 LOW。红线明确——不编造数据、不承诺 offer。 【潜在风险】主要风险是用户自行编造数字填入简历，虽有警示但约束力有限，属于使用端的道德风险。 【典型应用场景】社招简历优化、跳槽前集中改经历、HR 或职业咨询师批量辅导辅助；尤其适合做事多但不会用数字表达的运营/职能岗求职者。 【解决了什么问题】解决简历流水账通病——求职者知道自己干了啥，但不会用成果语言表达，导致通过率低。用一套可复用的方法论把事务性描述转化为成果性描述。 【应用短板】一是依赖输入质量，数字概念弱的用户需多轮引导；二是只覆盖工作经历改写，不涉及简历结构、项目经历等其他痛点；三是行业通用性强但岗位深度不足，技术栈权重、业绩口径等无法做专业区分。