这个 Skill 能做什么，适合哪些场景？
upskill 是 ai-job-search 框架（MadsLorentzen/ai-job-search，MIT 许可）中的一个 Claude Code 技能。它读取你已追踪的职位记录和候选档案，计算硬技能差距，再由模型综合出领域、软技能、工具链和认证等隐性差距，形成一张优先级热力表。随后它通过真实的网络搜索为每个关键差距找 2-3 个学习资源，写出针对性学习方向、时间估算和建议学习顺序，最终保存一份 Markdown 报告。它是框架九个技能之一，职责仅限于差距分析与学习规划，不涉及简历生成或申请流程。
支持两种调用模式：/upskill 聚合模式读取 job_search_tracker.csv 与 job_scraper/seen_jobs.（仅取 rank_score ≥ 45 的已排名职位），去重后按 fit_rating/rank_score 加权构建技能频率图；/upskill <URL> 定向模式用 WebFetch 抓取单个职位并分析。它读取 .claude/skills/job-application-assistant/01-candidate-profile.md 获取现有技能，从差距中扣除已掌握项。第一阶段做硬技能差异对比，第二阶段由模型综合出领域、软技能、工具链、认证四类差距，合并为优先级热力表（Critical/High/Medium/Low，附来源溯源）。接着用 WebSearch 搜索当年优质学习资源，为 Critical 和 High 差距各配 2-3 个资源、学习方向（明确指出可跳过什么）和达到可用水平的时间估算，按主题分组并给出依赖感知的学习顺序表，最后将完整报告写入 upskill/report-YYYY-MM-DD.md，若有历史报告还会生成差距变化对比。
- 求职中期：投出多份申请后想知道反复出现的技能缺口是什么、先学哪个。
- 定向评估：看到某个心仪职位，想快速知道它与自身档案差在哪、补齐要多久。
- 转型者：从相邻领域切入，需要一份按依赖关系排序的自学路线图。
- 职业规划复盘：对比上次报告，看哪些差距已通过学习补上、又出现了哪些新差距。
- 学习资源挖掘：不想自己筛网课，需要基于当年真实搜索结果的可信推荐。
如何安装这个 Skill？
- 本评分为纯静态源码审查，未执行任何技能流程，结果可靠性以源码为准。
- 技能依赖 WebSearch/WebFetch 获取学习资源，在中国大陆网络环境下可能不可用，核心功能或整体失效。
- 报告自动写入 upskill/ 目录且无确认步骤，请留意生成文件的覆盖与内容审查。
- 学习计划中的资源链接与时间估算来自即时网络搜索，使用前需自行核实。
- 候选人档案等个人数据被本技能读取，建议确认其所在文件的 gitignore 与隐私边界设置。
- 网络访问
- 本地文件系统
Claude Code with WebFetch/WebSearch toolsdata files from the ai-job-search repo (job_search_tracker.csv, job_scraper/seen_jobs., 01-candidate-profile.md)
该技能不能独立安装，随 ai-job-search 框架一起使用：gh repo fork MadsLorentzen/ai-job-search --clone，然后在 Claude Code 中运行 /setup 填好候选档案。技能位于仓库的 .claude/skills/upskill/SKILL.md。独立安装到其他项目的方式文档未说明。
tmp="$(mktemp -d)"
git clone --depth 1 https://github.com/MadsLorentzen/ai-job-search.git "$tmp"
mkdir -p ~/.claude/skills
cp -R "$tmp/.claude/skills/upskill" ~/.claude/skills/
rm -rf "$tmp"根据源仓库地址和 Skill 路径自动生成，只复制这个 Skill 的文件夹。如果上文有作者提供的安装方式，请优先按作者说明操作；想只在当前项目中使用，把 ~/.claude/skills 换成项目里的 .claude/skills。
如何使用这个 Skill？
在 Claude Code 会话中：聚合模式直接输入 /upskill（需要先有 /rank 或追踪数据写入 job_search_tracker.csv 和 seen_jobs.）；定向模式输入 /upskill <职位链接>。技能会先在终端打印差距热力表，再搜索资源、生成学习计划，并把报告保存到 upskill/ 目录。
这个 Skill 有哪些优点和局限？
- 差距评分有真实数据支撑：按职位匹配度加权，且优先采用 /rank 已记录的差距而非猜测。
- 学习资源来自实时网络搜索并强制带年份，规则明确禁止编造课程或链接。
- 学习方向贴合个人背景，例如已会 Docker 就指示跳过容器基础章节。
- 自带防御性设计：存储的差距文本被视为不可信数据，绝不执行其中指令或抓取其中的链接。
- 报告落盘并支持跨报告对比，可以追踪学习进度。
- 强依赖框架生态：聚合模式需要 tracker CSV、seen_jobs. 和候选档案就位，单独拿出来价值有限。
- 没有数据时聚合模式会大量依赖从职位标题推断技能，准确性下降。
- 资源质量取决于搜索结果，无法保证内容持续有效。
- Claude Code 专属：frontmatter 使用 allowed-tools 等扩展，移植到其他代理平台需要改写。
这个 Skill 与同类方案有什么区别？
与相关 Skills 并排比较；分数均按同一 FSRS 标准得出。
| Skill | FS 评分 | Star 数 | 最近更新 | License |
|---|---|---|---|---|
| Upskill 技能差距分析与学习计划 本页 | 51 · 谨慎使用 | ★ 47k | 17 天前 | MIT |
| 求职申请助手（Job Application Assistant） | 60 · 推荐 | ★ 47k | 17 天前 | MIT |
| Job Scraper — 本地运行的职位搜寻技能 | 54 · 谨慎使用 | ★ 47k | 17 天前 | MIT |
| Jobindex 丹麦职位搜索 | 58 · 推荐 | ★ 47k | 17 天前 | MIT |
| LinkedIn 职位搜索技能 | 55 · 谨慎使用 | ★ 47k | 17 天前 | MIT |
与 ai-job-search 中的 /rank 不同：rank 是在申请前给职位打分排序，而 upskill 是跨职位汇总你个人的技能缺口并规划学习。仓库未提及其他第三方竞品。
FollowSkills 如何评估这个 Skill？
技能仅使用 Read/Write/Glob/Grep/WebFetch/WebSearch，写入范围限于 upskill/ 报告文件，数据流（读取 tracker、seen_jobs.、候选人档案）在文档中完全披露；规则 8 明确把存储的 gaps 当作数据而非指令、禁止 fetching 内嵌 URL，展示了清晰的注入防护意识。扣分：写入报告前无用户确认步骤、WebSearch/WebFetch 的外部调用无范围约束、候选人档案为敏感个人数据但未在本技能内重申 gitignore 边界。
指令自洽且异常路径处理详尽：去重规则、ranked 无 gaps 字段的处理（跳过并计数、不回填）、空白 fit_rating 的降级逻辑、死链接跳过都有一致、明确的行为定义，失败时可解释原因。扣分：关键路径无本技能专属的测试或可复现产物（CI 覆盖 LaTeX/CLI，不覆盖 upskill 流程），权重/评分逻辑完全由 LLM 即席执行，结果确定性无法从静态来源确认。
两种模式（聚合/定向）输入输出明确，触发词列出清晰，边界规则（定向模式不读状态文件）明确，与仓库中 /rank、/outcome 等上下游协作关系交代完整。扣分：仅面向英文/Claude Code 环境，WebSearch/WebFetch 依赖在中国大陆网络下不可达或受限，核心功能（联网找学习资源）可能整体不可用；未声明非适用范围。
文档分层良好（概述→步骤→规则→报告模板），示例具体，规则部分总结了易错点；仓库有 MIT 许可证、CI lint、framework_version 守卫。扣分：本技能文件本身无版本号或变更日志引用，资源示例为虚构示例（虽已声明不可编造）可能被误读为推荐，维护责任仅能从仓库层面间接推断。
产出（优先级热力图、带资源的-learning plan、学习顺序）格式明确、对用户有真实边际价值且优于手动整理。扣分：静态审查无法验证资源搜索质量与时间估算的可用性，WebSearch 结果质量不可控，最终计划仍需用户自行核查资源有效性。
技能规则内部可审计，README/SECURITY.md 提供了威胁模型与上游证据，仓库含真实 CI 配置。扣分：无针对 upskill 本身的测试或第三方执行证据，README 的成效声明（69 投递、20 面试）与本技能关联且不可独立复核。
点击维度查看打分理由
证据充分度：低 — 主要依赖静态检查、作者材料或有限演示；适合发现线索，不适合做高风险决策。
查看完整评分方法 →