# 鼠鼠实习妙妙工具
SIT —— shushu internship tool
中文 | English
> 把岗位描述变项目，把项目变简历，把简历变面试。
> **推荐使用方式：优先使用 Codex，并开启 Plan / 计划模式，以获得完整的 yes/no gate、偏好选择弹窗和自定义输入体验。** 其他 coding agent 如果支持 Plan / Planning / Ask 这类交互式规划模式，也建议先开启；否则项目偏好流程可能降级成普通文本输入。
鼠鼠实习妙妙工具是一个AI驱动的实习项目准备工具包（skill）：把目标 JD（Job Description，岗位描述/招聘需求）快速转成能投递、能面试、能讲清的项目素材闭环。这里的 JD 通常包括岗位职责、任职要求、技术栈、业务方向、地点、学历/毕业时间限制等信息。
它适合后端、前端、全栈、移动端、测试开发、数据工程、云原生/DevOps、安全、系统、AI/算法等计算机方向，旨在帮 0 经验或低经验候选人（鼠鼠）用最短路径完成：选题、理解、复现、简历表达、面试拷问和展示材料。
如果只给 JD（岗位描述/招聘需求），工具会先做 JD 初步理解，再补一个短 intake：你的知识水平、技术栈现状、时间预算、资源条件，以及希望运行到什么深度。近期新增的“项目偏好”流程可作为开源项目筛选和排序的小权重使用。
> 欢迎加入鼠鼠实习就业交流群，QQ群号：976187338。
## 强联动新项目：VibeResume
**[VibeResume](https://github.com/LiuMengxuan04/vibe-resume)** 是一个 AI 友好、网页优先、可稳定导出 PDF 的简历模板：把简历维护成 `HTML + CSS`，让 AI 直接改内容和排版，再一键导出一页 PDF。
它可以作为 SIT 的“最后一公里”联动项目：SIT 负责把 JD 转成项目与面试材料，VibeResume 负责把最终简历内容沉淀成漂亮、可版本管理、可持续迭代的网页简历。
## 友情链接与灵感来源
- 友情链接：[鼠鼠实习简历优化器](https://github.com/Sunanzhe2004/shushu-internship-resume-optimizer)：把实习代码仓库、项目总结和业务背景材料整理成简历成果、STAR 草稿和面试复盘材料。
- 友情链接：[ProjectProof](https://github.com/YingaoWang-casia/shushu-ProjectProof)：面向单薄实习和 AI 项目的证据化审核与面试追问补强工具，帮助把真实经历讲深讲透。
- 灵感来源：[leilon](https://github.com/leilon)，本 skill 的想法受到其相关实践与分享启发。
## 它能做什么
- 根据 JD（岗位描述/招聘需求）找 2-3 个合适的 GitHub 项目，并按岗位匹配度、上手速度、可讲亮点、运行成本和改造空间排序。
- 审计已 clone 的项目，生成 `audit.json`、`overview.md` 和 `overview.html`，帮助快速理解代码结构、入口、依赖、API/页面/数据流/任务流。
- 规划 baseline run：优先本地最小路径跑通，不够再设计云服务器、数据库、对象存储、GPU/AutoDL 或其他远程环境方案。
- 推进可面试的改造点：加 API、加页面、换数据库、加缓存、加测试、加监控、加 CI/CD、改数据流、优化性能、补 demo 或做 AI/算法实验。
- 生成面试包：STAR 简历项目、核心代码讲解、面试官拷问 Q&A、PPT 提示词和投递检查表。
## 项目偏好
项目偏好是近期新增流程，用来在找开源项目之前确认用户是否有筛选偏好。建议在支持交互式规划的 coding agent 中打开 Plan / Planning / Ask 模式；在 Codex 中对应 Plan mode，并通过 `request_user_input` 获得最完整的弹窗体验。不开启这类模式时，偏好确认可能降级成普通文本输入。
流程是：先弹出“有 / 没有偏好”，选择“没有”就走原 workflow；选择“有”后再弹出 3 个开源项目筛选建议，并把客户端自带的自定义输入作为第 4 个选项 D。推荐使用 Codex 以获得最稳定、最完整的结构化选择体验。
偏好只影响后续 GitHub 开源仓库筛选和排序中的小权重，不改变“找 2-3 个开源项目，再做可面试改造”的主流程。带有“不要 / 不想 / 避免 / 不希望”的内容会被当成避雷项，而不是正向偏好。
## 推荐用法
把目标 JD（岗位描述/招聘需求）和自己的基础情况发给 AI 助手，并说明想要的运行深度；如果你已经有明确项目偏好，也可以直接写在初始输入里，工具仍会先确认后再使用：
```text
使用鼠鼠实习妙妙工具，根据下面这份 JD（岗位描述/招聘需求）帮我规划一个能投递、能面试、能讲清的计算机实习项目。
我的情况：
- 当前水平：学过课程但项目少
- 熟悉语言/框架：Python、FastAPI、一点 React
- 时间预算：2 天
- 本地/远程资源：本地电脑 + Docker，无 GPU
- 希望运行深度：interview-only / smoke-test / local-full-run / remote-full-run
- 项目偏好 / taste：更想做后端 + AI 应用；希望能本地跑通，适合面试讲；不想做纯前端，不想依赖多机多卡或复杂云服务。
JD（岗位描述/招聘需求）：
...
```
如果你暂时没有偏好，可以写“项目偏好 / taste：无，按 JD 推荐”，或者只给 JD。工具会在 JD 初步分析后一定先问一次 yes/no：你是否有自己的项目偏好 / taste？如果你已经在初始输入里写了偏好，工具会先确认是否将这段内容作为自定义偏好。
## Star 趋势
[](https://www.star-history.com/#LiuMengxuan04/shushu-internship-tool&Date)
## 安装本地脚本
```bash
cd shushu-internship-tool
python3 -m venv .venv
. .venv/bin/activate
python -m pip install -e ".[dev]"
```
## 脚本
审计本地项目：
```bash
python -m shushu_internship_tool.repo_audit --repo /path/to/repo --out reports/audit --name my-project
```
给候选项目排序（无 taste，兼容旧用法）：
```bash
python -m shushu_internship_tool.candidate_score --jd jd.txt --candidates candidates.json --out reports/ranking
```
给候选项目排序（带可选项目偏好 / taste）：
```bash
python -m shushu_internship_tool.candidate_score --jd jd.txt --candidates candidates.json --taste taste.json --out reports/ranking
```
`candidate_score` 会先计算 `raw_score`，再按 `max_raw_score` 归一化到 0-100：无有效 taste 时分母为 104；带正向 `prefer_tags` 的有效 taste 会新增 `user_preference` 小权重，分母为 114。`--taste` 未传、文件为空、只有空白，或文件里没有结构化 `prefer_tags` / `avoid_tags` 时，都按无有效 taste 处理；脚本不解析自然语言偏好。
候选项目排序同样不从自由文本里猜 JD、license、可运行性或资源分：AI 助手需要在候选 JSON 中显式写入 `matched_jd_terms`、`license_score`、`runnable_score` 和 `resource_fit_score`。
`taste.json` 示例：
```json
{
"taste_text": "更想做后端 + AI 应用，不想做纯前端，希望 Docker 本地跑通，适合面试讲",
"prefer_tags": ["backend", "ai-app", "local-docker", "interview-friendly"],
"avoid_tags": ["pure-frontend", "multi-gpu", "cloud-heavy"]
}
```
生成面试材料包骨架：
```bash
python -m shushu_internship_tool.interview_pack --project-notes reports/audit --out reports/interview-pack
```
安装后也可以使用命令入口：
```bash
shushu-repo-audit --repo /path/to/repo --out reports/audit --name my-project
shushu-candidate-score --jd jd.txt --candidates candidates.json --out reports/ranking
shushu-candidate-score --jd jd.txt --candidates candidates.json --taste taste.json --out reports/ranking
shushu-interview-pack --project-notes reports/audit --out reports/interview-pack
```
## 候选项目 JSON 示例
```json
[
{
"name": "tiny-ticket-system",
"repo_url": "https://github.com/example/tiny-ticket-system",
"license": "MIT",
"license_score": 4,
"stars": 320,
"last_commit": "2026-04-20",
"tags": ["fastapi", "postgresql", "docker", "rest-api"],
"matched_jd_terms": ["后端开发", "接口设计", "数据库", "容器化部署"],
"jd_match_score": 20,
"runnable": true,
"runnable_score": 20,
"resources": "local Docker smoke-test",
"resource_fit_score": 10,
"mod_ideas": ["add JWT auth", "add Redis cache", "add integration tests"],
"risk_notes": ["database migration needs setup"],
"taste_tags": ["backend", "local-docker", "interview-friendly", "api", "database"],
"project_taste_notes": [
"偏后端工程落地形态",
"Docker 本地 smoke test 路径清楚",
"API / 数据库 / 缓存改造适合面试讲"
],
"avoid_tags": ["cloud-heavy"]
}
]
```
候选项目的 taste 字段都是可选字段：`taste_tags` 用于匹配用户正向偏好，`avoid_tags` 表示项目自身可能让部分用户避雷的属性，`project_taste_notes` 只做展示说明，不参与脚本打分。
## 求职效率原则
- 第一目标是帮候选人尽快拿到面试：JD（岗位描述/招聘需求）命中、项目标题、4-5 行简历表达、面试问答要优先产出。
- 不要把时间耗在“完整复现论文级结果”或“重写整个系统”上；先做 smoke test、核心流程理解和能讲清的 demo/改造点。
- 魔改不追求大而全，优先选面试官听得懂、自己说得明白、能快速推进的增量，比如 API、页面、测试、缓存、部署、性能、数据处理或算法实验。
- 指标有就写具体数字；暂时没有指标就改写成工程产出、方法理解、系统设计、实验设计和下一步计划。
- 面试准备比完美实验更重要：让 AI 助手扮演面试官反复拷问，直到能讲清 input/output、方法选择、失败原因和改进方向。
## 运行深度
- `interview-only`：不完整跑项目，优先做项目选择、简历、核心代码阅读路线、面试 Q&A、PPT 提示词。
- `smoke-test`：跑最小可运行路径，只证明项目能启动或核心流程能走通。
- `local-full-run`：在本地完整跑通 baseline/demo，并尽量产出可展示结果。
- `remote-full-run`：使用云服务器、数据库、GPU 或其他远程环境完整跑通，适合时间和预算更充足的情况。
## 开发
```bash
cd shushu-internship-tool
. .venv/bin/activate
pytest
```
## 核心作者
## License
Apache-2.0
