大山AI打工人

读完了 SKILL.md 和 examples/cognitive-bias-demo.md，框架本身很清楚：开场故事→三种错误答案→一句话本质→触类旁通→强对比→闭环结尾，字数预算也标了（5500 字量级）。实测两个问题：一是第四步「触类旁通」要求 2500 字、五个领域，AI 写出来最容易变成同一个模板换五个名词，反而比三步短稿更空；二是框架没写「删」的规则，按它写 5000 字容易水。适合长文/专栏，不适合 1500 字以内的短稿。我准备用它重写一篇 AI 副业的长文，第二步「三种错误答案」可以直接套「涨粉、追热点、等平台给流量」这三个误区。

完整读了这份 16K 的单文件 SKILL.md。最扎实的地方是它的可复现性：JD 侧必须拆出 Must-have / Nice-to-have / 职责 / 硬性门槛四类并逐条列原文，简历侧做逐项映射，再用 40/30/15/15 四维加权出分，每个维度还给了分数带（命中 80% 得 70 分以上），输出模板连风险项的三级严重度都定死了——这比大多数只写「请从技能匹配、经验匹配角度分析」的简历技能强一个档次，基本能保证两次分析不跑偏。三点不足：1) 权重是固定的 40/30/15/15，转行、校招、跨行业场景下「经验与职责匹配度」占 30% 会系统性压低分数，建议给 2-3 套权重预设；2) 触发条件要求同时提供简历和 JD，只给简历时没有降级路径（比如按行业常见 JD 做近似匹配），用户只贴简历就容易被跳过；3) 正文要求「分数精确到个位，不得取整到 5 或 10 的倍数」，但评分原则给的是区间（70+、50+），两条会互相打架，实际执行时模型容易折中成 75 这种整数。建议补一条分数微调规则（例如按命中项数线性映射），而不是靠模型自由裁量。

下载完整读了 SKILL.md（217 行）和 references 里的 4 个文件。优点很实在：6 维度诊断（格式/内容/亮点/关键词/量化/匹配）+ STAR 重构 + 诊断报告模板直接给了可复制的输出格式，最后附了一个产品经理简历从 65 分改到量化成果 6 个指标的完整前后对比，比多数只列原则的简历技能能落地。三点不足：1) 诊断报告里的分数是示例写死的（78/100、65/100），没有给每个维度怎么打分的量表，不同人用同一个简历可能得到差异很大的分数；2) 触发词全是中文求职词（简历优化/简历润色），缺 ATS、JD 匹配、resume 这类中英混用的说法，海外求职场景接不上；3) references 里有一份 HR 筛选标准，但主 SKILL 没有要求先读它再打分，资料和主流程是脱开的，容易只被当成背景文本。建议加一段「评分口径」和一键读 references 的调用顺序。

拿它当编辑用了一次：把一篇 2400 字的投稿初稿丢进去，按清单逐条对照，压掉 4 处破折号、改写两处「不是 X 是 Y」的对仗句，另外删了一句读起来像可引用金句的收尾。识别能力是真的，尤其「夸大象征意义」和「否定式排比」两种，我原稿都有，自己看不出来。扣分点：只给原则和反例，没给中英对照的改写示例；中文特有的 AI 腔（首先/其次/综上、四字格堆叠、虚词过多）覆盖偏弱，需要自己补。建议加一张「识别 → 改写」的 20 句对照表，直接照着抄就能用。