找实习最难受的一段不是面试,是面试之前:JD 摆在眼前,要求 Spring Cloud、Kafka、Redis,自己手上只有课程作业和烂大街的商城项目,简历投出去没回音,也不知道该补哪个项目才和岗位对得上。

鼠鼠实习妙妙工具(SIT,shushu internship tool)想解决的就是这一段。它的思路很直白:拿 JD 去筛现成的 GitHub 项目,跑通最小路径,做一个能讲清的改造,最后产出简历条目和面试问答。Apache-2.0 开源,Python 3.10 以上,脚本本身零运行时依赖。

它到底是什么

先说清楚,它不是一个网页应用,也不是一键生成简历的 SaaS。仓库里主要是一套给 AI 编程助手用的 skill(SKILL.md + 参考文档),外加三个本地 Python 脚本:

脚本 作用 产物
repo_audit 静态扫描已 clone 的项目 audit.json、overview.md、overview.html
candidate_score 按 JD 和候选 JSON 排序 0-100 分的候选排名
interview_pack 根据审计/笔记生成面试材料骨架 简历 STAR、Q&A、代码讲解、PPT 提示词

所以它的实际形态是:你和一个支持 skill 的 agent 对话,agent 按固定流程推进,脚本负责把可核查的部分落成文件。选项目、写 JD 匹配理由这些判断仍然由模型做,脚本只做显式字段的加权计算,不去猜。

它的工作流

README 和 SKILL.md 里的流程大致是这样:

  1. Intake:给出 JD、当前水平、技术栈、时间预算、本地/远程资源,以及想跑到多深。
  2. 偏好确认(taste gate):先弹一次 yes/no,问有没有项目偏好;选“有”再弹三个筛选方向选项,外加自定义输入。偏好只影响候选排序的小权重,不会变成“从零自建项目”。
  3. 候选发现:找 2-3 个 GitHub 项目,填候选 JSON,跑 candidate_score。
  4. 项目摸底:clone 后跑 repo_audit,再人工看 README、入口、请求流/数据流、最小运行命令。
  5. 跑通:按运行深度分四档,从只看代码到本地或远程完整跑通。
  6. 改造:加鉴权、加缓存、加测试、加监控、换数据库、补 demo 之类,选面试官听得懂、自己能讲明白的增量。
  7. 面试包:生成简历 4-5 行、追问 Q&A、代码讲解稿,最后过一遍“能投、能面、能讲”的检查。

四个运行深度值得单独记一下:

  • interview-only:不跑项目,只做选题、简历、代码阅读路线和问答。
  • smoke-test:跑最小路径,证明能启动或主流程能走通。
  • local-full-run:本地完整跑通 baseline 并留下结果。
  • remote-full-run:上云服务器、数据库或 GPU,适合时间预算充足的人。

适合谁

  • 计算机方向找第一份实习,项目列表比较空,需要有人把“从 JD 到能讲的项目”这条路拆开的人。
  • 时间紧(半天到两天),不打算从头造轮子,只需要一个能撑住技术面的项目载体的人。
  • 已经 clone 了一堆开源项目,但读不进去、不知道入口在哪、不知道改哪里的人。
  • 方向覆盖比较广: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,文档里都给了对应的改造菜单和候选偏好。

不太适合:

  • 想直接拿一个成品项目当简历、不打算自己动手的人。工具只负责指路和搭骨架,代码和话术还是得自己过一遍。
  • 需要图形界面、或者指望它自动爬 GitHub 帮你挑项目的人。候选项目要你自己或 agent 去找,JSON 里的匹配字段也要显式填。
  • 完全不用 AI 助手的人。这套东西离开 agent 基本只剩三个命令行脚本。

部署

纯本地,不需要 API key,也不需要 Docker。仓库根目录就是项目根,Python 包配置在 pyproject.toml 里。

1
2
3
4
5
git clone https://github.com/LiuMengxuan04/shushu-internship-tool.git
cd shushu-internship-tool
python3 -m venv .venv
. .venv/bin/activate
python -m pip install -e ".[dev]"

dependencies 是空的,[dev] 只装 pytest 和 PyYAML,所以这一步很快。装完可以用 pytest 自检,仓库里带了四个测试文件和一个 tests/fixtures/tiny_ai_project 小样例,不联网也能跑。

要让 AI 助手真正用上 skill,还得把 skills/shushu-internship-tool/ 整个目录放到对应 agent 的 skills 目录下(不同工具的路径不一样,按各自文档来)。只装 Python 包不装 skill,等于只拿到三个脚本。

验证脚本能用:

1
2
3
shushu-repo-audit --help
shushu-candidate-score --help
shushu-interview-pack --help

使用

1. 让 agent 按流程走

README 给的用法是直接把 JD 和自己的情况丢进去,并且建议用 Codex 并开启 Plan / 计划模式,因为偏好确认那一步依赖 request_user_input 这类结构化控件:

1
2
3
4
5
6
7
8
9
10
11
12
使用鼠鼠实习妙妙工具,根据下面这份 JD 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:smoke-test
- 项目偏好:更想做后端 + AI 应用,不想做纯前端

JD:
...

不开 Plan 模式也能用,但流程里的选择会退化成普通文本问答,体验差一些,也容易答跑偏。

2. 手动跑排序

想自己控制候选项目时,直接写 JSON 再跑脚本。注意脚本不会从自然语言里解析 JD 或偏好,matched_jd_terms、license_score、runnable_score、resource_fit_score 都得显式写进去:

1
2
3
4
python -m shushu_internship_tool.candidate_score \
--jd jd.txt \
--candidates candidates.json \
--out reports/ranking

带偏好就多加一个 --taste:

1
2
3
4
5
{
"taste_text": "更想做后端 + AI 应用,不想做纯前端,希望 Docker 本地跑通",
"prefer_tags": ["backend", "ai-app", "local-docker", "interview-friendly"],
"avoid_tags": ["pure-frontend", "multi-gpu", "cloud-heavy"]
}
1
2
python -m shushu_internship_tool.candidate_score \
--jd jd.txt --candidates candidates.json --taste taste.json --out reports/ranking

打分逻辑是 raw_score 归一化到 0-100:没有有效偏好时分母 104,有正向 prefer_tags 时分母 114,多了 user_preference 这一项。--taste 文件为空、只有空白、或者没有 prefer_tags/avoid_tags,都按无偏好处理。这个设计谈不上聪明,但至少结果可复现,不会每次跑分数都不一样。

3. 摸底和面试包

1
2
3
4
5
python -m shushu_internship_tool.repo_audit \
--repo /path/to/repo --out reports/audit --name my-project

python -m shushu_internship_tool.interview_pack \
--project-notes reports/audit --out reports/interview-pack

repo_audit 输出的是结构、入口、依赖、API/页面/数据流的线索,overview.html 可以直接在浏览器里翻。interview_pack 出的是骨架,简历条目和 Q&A 还得按 references/interview-pack-template.md 往里填。

优点

  • 流程是真的完整。市面上讲“用开源项目充实简历”的帖子很多,但很少有人把选题、跑通、改造、简历表达、面试追问连成一条线。它把每一段都定义成了可执行的步骤。
  • 脚本不装聪明。评分字段必须显式给,candidate_score 不解析自然语言、不猜 license、不猜能不能跑。代价是填 JSON 麻烦,好处是排序结果能解释,也方便复查。
  • 产物是文件。audit.json、overview.md、candidate_score.md 都在磁盘上,可以进 git、可以对比前后的改动,不像纯聊天记录过两天就找不到了。
  • 成本低。零运行时依赖,没有外部服务,不用 API key,跑一遍不花钱。
  • 偏好机制克制。taste 只是小权重,明确写了不覆盖 JD 匹配、可运行性和资源成本,也明确禁止把“从零自建”作为一个选项。这一点比很多同类工具清醒。
  • 带了一点现实主义。文档反复强调第一目标是拿到面试,别死磕完整复现论文结果,先 smoke test 加能讲的改造点,指标没有就写工程产出和实验设计。

缺点

  • 强依赖 agent 质量。skill 本质上是提示词和参考文档,模型不行的时候,流程会走形:候选项目找得敷衍、改造建议空泛、Q&A 像模板填空。脚本只能保证打分和文件格式,保证不了判断。
  • 交互门槛不低。偏好确认要求结构化控件,非 Codex 环境容易降级;README 自己也承认这点。流程里还有 intake 的五个问题,第一次用会觉得啰嗦。
  • 候选 JSON 手工成本高。每个项目要填十几个字段,候选多了很烦,而这些字段又直接影响分数。想省事就会失真。
  • 静态扫描的局限。repo_audit 读的是文件和目录结构,不执行代码,也不判断依赖能不能装上。它告诉你入口在哪,不保证项目真能跑起来。
  • 文档偏长偏硬。SKILL.md 两百多行,加上四份 reference,第一次读要花点时间。里面还有不少“必须”“禁止”的硬规则,是写给模型看的,人读着会觉得重复。
  • 项目还年轻。版本 v1.0.0,主要维护者两位,社区规模不大,issue 和后续维护节奏需要自己观察。
  • 没有自动找项目的能力。Repo Discovery 那一步还是要靠人或者 agent 去搜,工具只提供筛选标准和打分器。

一点判断

它更像是“把有经验的人带实习的套路写成了协议”,而不是一个自动化产品。真正有价值的部分不是那三个脚本,是 repo-selection-rubric.md 里的淘汰条件和 modification-playbook.md 里的改造菜单——这两份东西就算不用这个工具,拿去自己筛项目也不亏。

如果目标是两天内搞出一个能撑住技术面的项目,这套流程比自己瞎逛 GitHub 效率高。但要清楚,最后面试官追问的是你改的那几行代码,不是这几个报告文件。

同类项目还有作者的 VibeResume(HTML + CSS 维护简历,一键导出 PDF),以及两个友情项目:鼠鼠实习简历优化器 和 ProjectProof。前者管简历表达,后者管经历的证据化审核,和 SIT 的定位是互补的,不是替代关系。