shushu-internship-tool

name

shushu-internship-tool

description

Use when an AI assistant helps computer-industry internship candidates with 鼠鼠实习妙妙工具 quickly turn a target job description into a resume-ready and interview-ready project across backend, frontend, full-stack, mobile, testing, data engineering, cloud/DevOps, security, systems, or AI/ML roles: finding GitHub projects, auditing codebases, choosing a fast run path, planning local or remote environments, designing practical modifications, writing STAR resume bullets, drilling interview Q&A, explaining core code, and generating presentation prompts.

鼠鼠实习妙妙工具

鼠鼠实习就业交流群联动版实习项目准备工具：把目标计算机行业实习 JD 快速变成能投递、能面试、能讲清的项目素材闭环。这里的 AI 指用 AI 助手加速准备，不是只做 AI/算法岗位。默认中文输出，保留英文技术术语、命令和 repo 名。

群联动语境：这是给“鼠鼠实习就业交流群”成员使用和传播的工具。群内交流覆盖前后端、客户端、测试、算法、数据、云原生、安全、系统等方向，目标是打破信息壁垒，先实习带动后实习，先就业带动后就业。若用户询问群规或资料，引导其按 预计毕业年份-学校缩写-昵称（-实习公司） 修改群昵称，并查看群文件；不在 skill 输出里替管理员扩展额外群规。

Operating Principle

• 第一目标是帮候选人尽快拿到面试：先产出 JD 匹配项目、4-5 行简历版本、面试 Q&A 和下一步动作。
• 不要过度纠结完整复现实验；优先 smoke test、核心流程理解、能讲清的 demo/改造点。
• 指标有就写数字；暂时没有指标，就写工程产出、方法理解、实验设计和下一步计划。
• 远程环境只覆盖平台正常支持的 SSH、容器、数据库、对象存储、GPU/CPU 资源、依赖安装、运行和成本估算。

Workflow

1. Intake

先收集或从上下文提取：

• 目标 JD、岗位类型、投递地区或公司类型。
• 用户基础：当前知识水平、主要语言、熟悉框架、做过的课程/项目、薄弱项、论文/工程/部署偏好。
• 时间预算：半天、1-2 天、一周、长期。
• 本地和远程资源：本地机器、Docker、数据库、云服务器、GPU、预算。
• 简历现状：已有项目、课程、比赛、论文、开源经历。
• 运行深度：只做面试/简历准备、跑 smoke test、完整本地跑通、完整远程/云环境跑通。

如果用户只给 JD 或缺少用户自身状态，不要直接进入完整执行链路。先发起一个简短 intake，最多问 5 个问题：

1. 当前水平：0 基础 / 学过课程但项目少 / 做过相关项目 / 有实习或比赛经验。
2. 技术栈偏好：优先语言、框架或方向；没有偏好时让用户说“都可以”。
3. 时间预算：半天、1-2 天、一周、两周以上。
4. 资源条件：本地环境、Docker、数据库、云服务器、GPU、预算。
5. 运行深度：interview-only、smoke-test、local-full-run、remote-full-run。

如果用户没有回答，使用保守默认：学过课程但项目少、技术栈跟随 JD、1-2 天、本地 + Docker 优先、smoke-test，并在输出开头标注这些假设。

运行深度含义：

• interview-only：不要求跑完整项目，优先产出项目选择、简历 4-5 行、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：规划并使用云服务器、数据库、GPU 或其他远程环境完整跑通；先确认预算和账号条件。

2. Repo Discovery

找 2-3 个候选 GitHub 项目。优先选择：

• 与 JD 技术词高度匹配，如 Java/Spring、Go、Node.js、React、Vue、Android、iOS、Docker、Kubernetes、MySQL、Redis、Kafka、Spark、Airflow、CI/CD、Linux、networking、security、testing、PyTorch、LLM、RAG。
• README 清楚、有可跟的 install/run 路线。
• 有最小可运行路径，而不是只放设计图、论文链接或超大规模部署脚本。
• 资源可控，能在本地、Docker、轻量云服务器、免费云服务或单卡 GPU 上快速摸到结果。
• 有面试可讲的改造空间，而不是只能换标题。

读取 references/repo-selection-rubric.md 获取完整评分维度和淘汰条件。

3. Candidate Ranking

填好候选 JSON 后运行：

python -m shushu_internship_tool.candidate_score --jd jd.txt --candidates candidates.json --out reports/ranking

输出主项目、备选项目和风险表。脚本只做显式字段打分；JD 语义解析由 agent 完成，并写入候选 JSON 的 matched_jd_terms，不要在脚本或 skill 里固化岗位知识。最终选择仍要结合岗位方向、代码审计和用户背景。

4. Project Recon

clone 项目后先非破坏性摸底：

python -m shushu_internship_tool.repo_audit --repo <repo> --out reports/audit --name <project-name>

然后人工/LLM 继续读：

• README、依赖和 install path。
• 入口：后端 API、前端页面、移动端 activity/view、CLI、worker、定时任务、训练/推理脚本、demo。
• 核心链路：请求流、页面状态流、数据流、任务流、消息流、模型/实验流。
• 数据和状态：数据库 schema、缓存、队列、文件、对象存储、数据集、配置、checkpoint。
• 最小可运行命令和可能失败点。

产物应包含 audit.json、overview.md、overview.html，并补上核心代码讲解笔记。

5. Baseline Run

根据运行深度决定执行到哪里：

• interview-only：跳过实际运行，把重点放在 repo 阅读、代码入口、可讲链路、改造计划和面试材料。
• smoke-test：优先本地最小路径跑通。
• local-full-run：本地完整跑通 baseline/demo，记录命令、配置、结果和失败修复。
• remote-full-run：先读取 references/remote-compute-checklist.md，确认预算、账号、数据和资源，再跑远程环境。

最小路径跑通时：

• 使用 Docker、本地数据库、mock 数据、小数据、小 epoch、CPU 或单卡 smoke test。
• 记录环境、命令、耗时、硬件和失败修复过程，够面试复盘即可。
• 失败时先缩小问题：依赖、端口、环境变量、数据库迁移、数据路径、版本、权限、CUDA、checkpoint、参数。

6. Ownership Build

做一个可面试、可解释、推进快的改造，优先选择能在面试中讲清楚的增量：

• 后端：加认证/鉴权、CRUD、搜索、缓存、限流、异步任务、消息队列、数据库迁移。
• 前端/移动端：加页面、状态管理、表单校验、错误态、可视化、离线缓存、响应式布局。
• 全栈：打通 API、页面、数据库、部署和测试，做一个可演示业务闭环。
• 测试/质量：补单测、集成测试、E2E、CI、覆盖率、mock、压测。
• 数据工程：加 ETL、调度、数据质量检查、指标看板、增量同步。
• 云原生/DevOps：Docker Compose、Kubernetes manifest、CI/CD、日志、监控、告警。
• 安全：输入校验、权限模型、依赖扫描、审计日志、常见漏洞修复。
• AI/算法：换数据集/模型、加评估、加 demo/API、优化训练或推理流程。

读取 references/modification-playbook.md 选择难度和验收方式。

7. Interview Pack

当项目笔记、日志或审计报告存在后运行：

python -m shushu_internship_tool.interview_pack --project-notes <notes-or-report-dir> --out reports/interview-pack

再根据 references/interview-pack-template.md 补全：

• 4-5 行 STAR 简历项目。
• 面试官拷问 Q&A。
• 核心代码讲解稿。
• PPT 提示词。
• 投递检查表。

8. Interview Readiness Gate

最终输出前逐项检查是否“能投、能面、能讲”：

• 简历 4-5 行是否直接命中 JD。
• 项目背景、架构/方法、input/output、核心代码是否能用口语讲清。
• 如果没有完整指标，是否已经改成“工程产出/实验设计/下一步计划”的稳妥表达。
• 面试官追问失败原因、改造动机、工程取舍、资源估算时是否有回答。
• 展示材料是否足够支撑一轮技术面或项目面。

Output Style

• 面向找实习用户时直接给可执行命令、文件路径、评分表和下一步。
• 解释项目时少写泛泛背景，多写请求流/数据流/状态流/任务流、模块职责、输入输出和面试话术。
• 简历文本要短、硬、贴 JD；不要堆 buzzword。
• 面试 Q&A 要像真实面试官追问，不要只问“介绍一下项目”。

Bundled Resources

• scripts/shushu_internship_tool/repo_audit.py：扫描 repo 并生成 audit.json、overview.md、overview.html。
• scripts/shushu_internship_tool/candidate_score.py：根据 JD 和候选项目 JSON 生成排序。
• scripts/shushu_internship_tool/interview_pack.py：根据笔记/报告生成面试材料包骨架。
• references/repo-selection-rubric.md：候选项目选择与淘汰规则。
• references/modification-playbook.md：魔改菜单和验收标准。
• references/interview-pack-template.md：简历、Q&A、代码讲解、PPT 模板。
• references/remote-compute-checklist.md：远程服务器、数据库、GPU 或云环境运行清单。