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 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：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：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，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：

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

安装本地脚本

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：

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）：

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）：

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：

{
  "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：

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：

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

[
  {
    "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

cd shushu-internship-tool
. .venv/bin/activate
pytest

核心作者

Liu Mengxuan 发起者 owner

GateJustice collaborator

License

Apache-2.0