Communitygithub.com

CV-Wissensabfrage

Durchsucht die CV-Wissensdatenbank, um Erfolge, Geschichten und Kennzahlen nach Thema, Fähigkeit, Unternehmen oder Stichwort zu finden. Verwende dies, wenn der Nutzer nach Erfahrungen fragt, bestimmte Erfolge finden oder Daten für die Inhaltserstellung sammeln möchte.

Was ist CV-Wissensabfrage?

Diese Fertigkeit ermöglicht KI-Agenten den schnellen Zugriff auf eine strukturierte Wissensdatenbank mit Lebenslauf-Informationen, um Nutzeranfragen zu Berufserfahrung, Erfolgen und Kennzahlen zu beantworten. Sie unterstützt eine Vielzahl von Suchmethoden – nach Stichworten, Themen wie 'institutionelle Kryptos' oder 'Entwicklererfahrung', Fähigkeiten wie 'API-Design', Unternehmen wie 'Microsoft' oder spezifischen Zeiträumen. Die Fertigkeit bietet sowohl ein schnelles, skriptbasiertes Suchwerkzeug (`npm run search:evidence -- --terms ...`) für direkte Stichwortabfragen als auch manuelle Abfragemuster tief in die Beziehungen zwischen Unternehmen, Fähigkeiten und Erfolgen. Die Antworten können in verschiedenen Formaten ausgegeben werden (Zusammenfassung, detaillierte STAR-Narrative, Metrikvergleiche), und es können gezielt Lücken in den vorhandenen Erfolgen identifiziert werden. Die Fertigkeit lässt sich ideal mit anderen Tools wie 'generate-variant' oder 'cv-content-generator' kombinieren, um evidenzbasierte Inhalte zu erstellen.

Funktioniert mit✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/majiayu000/claude-skill-registry/tree/HEAD/skills/analysis/cv-knowledge-query-fotescodev-portfolio

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

Dokumentation

Was macht CV-Wissensabfrage?

<when_to_activate> Aktivieren, wenn der Nutzer:

  • Fragt: „Was habe ich mit [Technologie/Fähigkeit] gemacht?“
  • Erfolge zu einem bestimmten Thema finden möchte
  • Kennzahlen zu einem bestimmten Unternehmen/Zeitraum benötigt
  • Fragt: „Zeig mir meine [Art der] Erfahrung“
  • Zusammenhänge zwischen Erfahrungen verstehen möchte

Auslösephrasen: „finden“, „suchen“, „was ist meine Erfahrung“, „zeig mir“, „Erfolge auflisten“ </when_to_activate>

Schema der Wissensdatenbank

Entitäten (content/knowledge/index.yaml)

entities:
  companies:
    - id: string       # anchorage, microsoft, usw.
      name: string
      period: string
      role: string
      domain: string

  themes:
    - id: string       # institutional-crypto, developer-experience
      label: string
      keywords: [string]

  skills:
    - id: string       # ethereum, api-design
      label: string
      category: string

Beziehungen

relationships:
  - from: achievement:id
    to: company:id | skill:id | theme:id
    type: achieved_at | demonstrates | belongs_to | contains | generated_from

Erfolge (content/knowledge/achievements/*.yaml)

id: string
headline: string
metric:
  value: string
  unit: string
  context: string
situation: string
task: string
action: string
result: string
skills: [string]
themes: [string]
companies: [string]
years: [number]
good_for: [string]

Schnellsuche (Deterministisches Skript)

Für stichwortbasierte Suchen VERWENDE ZUERST DAS SKRIPT – es ist schneller und konsistent:

# Suche nach Stichworten
npm run search:evidence -- --terms "crypto,staking,institutional"

# Mit JSON-Ausgabe für die Weiterverarbeitung
npm run search:evidence -- --terms "crypto,staking" --json

Das Skript gibt zurück:

  • Passende Erfolge und Geschichten, sortiert nach Relevanz
  • Relevanzbewertungen (stark ≥70 %, moderat 40-70 %, schwach <40 %)
  • Passende Begriffe, Fähigkeiten und Themen
  • Ausschnitte für eine schnelle Durchsicht

Verwende das Skript, wenn:

  • Der Nutzer nach bestimmten Stichworten fragt
  • Eine schnelle Suche ohne tiefgehende Analyse benötigt wird
  • Eine Bewertung der Übereinstimmung für eine Stellenbesetzung erforderlich ist

Verwende manuelle Abfragen, wenn:

  • Eine tiefgehende Beziehungsnavigation erforderlich ist
  • Die vollständige STAR-Erzählung (Situation, Task, Action, Result) benötigt wird
  • Eine komplexe Querverweisung über mehrere Entitäten hinweg nötig ist

Abfragemuster

Abfrage nach Thema

Nutzer: „Was ist meine Erfahrung mit institutionellen Kryptos?“

Skript-zuerst-Ansatz:

npm run search:evidence -- --terms "institutional,crypto,custody"

Für die detaillierte Analyse:

  1. Finde das Thema institutional-crypto im Index
  2. Frage Beziehungen ab, bei denen to: theme:institutional-crypto
  3. Lade die passenden Erfolge
  4. Gib eine Zusammenfassung mit Kennzahlen zurück

Ausgabeformat:

## Erfahrung mit institutionellen Kryptos

### Erfolge:
1. **ETH Staking – Null Slashing** (Anchorage, 2024-25)
   - Null Slashing-Ereignisse, Galaxy + institutionelle Kunden
   - Fähigkeiten: ethereum, staking, compliance

2. **L2-Protokollintegrationen** (Anchorage, 2024-25)
   - 7+ Protokolle ausgerollt, 40 % schnellere Integration
   - Fähigkeiten: l2s, compliance

Abfrage nach Fähigkeit

Nutzer: „Zeig mir meine Arbeit im API-Design“

Vorgehen:

  1. Finde die Fähigkeit api-design im Index
  2. Frage Erfolge ab, bei denen skills api-design enthält
  3. Gib mit Kontext und Kennzahlen zurück

Abfrage nach Unternehmen

Nutzer: „Was habe ich bei Microsoft erreicht?“

Vorgehen:

  1. Finde das Unternehmen microsoft im Index
  2. Frage Erfolge ab, bei denen companies microsoft enthält
  3. Füge Zeitraum und Rollenkontext hinzu

Abfrage nach Stichwort

Nutzer: „Finde Erfolge im Zusammenhang mit Umsatzwachstum“

Skript-zuerst-Ansatz:

npm run search:evidence -- --terms "revenue,growth,ARR"

Für die manuelle Suche:

  1. Durchsuche die Stichworte der Themen nach „Umsatz“
  2. Durchsuche die Überschriften/Ergebnisse der Erfolge nach „Umsatz“
  3. Sortiere nach Relevanz zurück

Abfrage zur Rollenpassung

Nutzer: „Welche Erfolge passen zu einer Plattform-PM-Rolle?“

Skript-zuerst-Ansatz:

npm run search:evidence -- --terms "platform,infrastructure,api,scale"

Für eine tiefere Analyse:

  1. Analysiere die Rollenstichworte: Plattform, Infrastruktur, Skalierung
  2. Gleiche Themen ab: Infrastruktur, Entwicklererfahrung
  3. Gleiche good_for-Arrays in den Erfolgen ab
  4. Gib eine nach Relevanz sortierte Liste mit Begründung zurück

Antwortformate

Zusammenfassungsformat (Standard)

3 Erfolge gefunden für „[Abfrage]“:

1. **[Überschrift]** ([Unternehmen], [Jahr])
   Kennzahl: [Wert] [Einheit]
   Themen: [Thema1], [Thema2]

2. ...

Detailformat (auf Anfrage)

## [Erfolgsüberschrift]

**Kontext**: [Unternehmen] | [Zeitraum] | [Rolle]
**Auswirkung**: [metric.value] [metric.unit]

### Situation
[Situationsbeschreibung]

### Aufgabe
[Aufgabenbeschreibung]

### Aktion
[Aktionsbeschreibung]

### Ergebnis
[Ergebnisbeschreibung]

**Am besten geeignet für**: [good_for-Elemente]

Metrikformat (für Vergleiche)

| Erfolg | Kennzahl | Wert | Unternehmen | Jahr |
|--------|----------|------|-------------|------|
| [Überschrift] | [Einheit] | [Wert] | [Unternehmen] | [Jahr] |

Querverweis-Abfragen

Verwandte Erfolge finden

Nutzer: „Was hat sonst noch mit der ETH-Staking-Arbeit zu tun?“

Vorgehen:

  1. Lade den Erfolg eth-staking-zero-slashing
  2. Finde gemeinsame Themen: institutional-crypto, infrastructure
  3. Finde gemeinsame Fähigkeiten: ethereum, compliance
  4. Frage andere Erfolge mit Überschneidungen ab
  5. Sortiere nach Beziehungsstärke

Lücken finden

Nutzer: „Welche Fähigkeiten haben keine starken Erfolge?“

Vorgehen:

  1. Liste alle Fähigkeiten im Index auf
  2. Zähle die Erfolge pro Fähigkeit
  3. Markiere Fähigkeiten mit <2 Erfolgen
  4. Schlagen Bereiche für die Inhaltsentwicklung vor

Abfragekürzel

NutzersagtAbfrage
„meine Blockchain-Arbeit“Themen: [enterprise-blockchain, institutional-crypto]
„Wachstumsgeschichten“Themen: [revenue-growth]
„Entwickler-Tools“Themen: [developer-experience]
„aktuelle Arbeit“Jahre: [2024, 2025]
„Microsoft-Zeit“Unternehmen: [microsoft]
„Startup-Erfahrung“Unternehmen: [ankr, forte, dapper]

<file_locations>

Dateipfade

AbfragezielDateipfad
Entitätsdefinitionencontent/knowledge/index.yaml
Erfolgecontent/knowledge/achievements/*.yaml
Geschichtencontent/knowledge/stories/*.yaml
Metrikencontent/knowledge/metrics/*.yaml
</file_locations>

<skill_compositions>

Funktioniert gut mit

  • generate-variant – Erfolge vor dem Generieren von Varianten abfragen
  • cv-content-generator – Erfolge für Fallstudien finden
  • generate-story-bank – Suche nach Geschichten nach Kategorie </skill_compositions>

Individual skills in this repo

This repo contains 20 individual skills — each has its own dedicated page.

majiayu000/claude-skill-registry

Builds, edit or validate Agent Skill through conversational discovery. Use when the user requests to "Create an Agent", "Optimize an Agent" or "Edit an Agent".

majiayu000/claude-skill-registry

Edit existing BMAD agents while maintaining compliance

majiayu000/claude-skill-registry

Edit existing BMAD agents while maintaining compliance

majiayu000/claude-skill-registry

Edit existing BMAD modules while maintaining coherence

majiayu000/claude-skill-registry

Edit existing BMAD modules while maintaining coherence

majiayu000/claude-skill-registry

Analyzes current state and user query to answer BMad questions or recommend the next workflow or agent. Use when user says what should I do next, what do I do now, or asks a question about BMad

majiayu000/claude-skill-registry

Build AI agents with Google ADK Python (Agent Development Kit). Use for multi-agent systems, workflow agents (sequential/parallel/loop), Vertex AI deployment, tool integration, human-in-the-loop.

majiayu000/claude-skill-registry

Build AI agents with Google ADK Python (Agent Development Kit). Use for multi-agent systems, workflow agents (sequential/parallel/loop), Vertex AI deployment, tool integration, human-in-the-loop.

majiayu000/claude-skill-registry

Portfolio allocation and rebalancing optimizer. Manages asset allocation across stocks/cash/bonds, performs periodic rebalancing, and ensures diversification according to market regime and risk tolerance.

majiayu000/claude-skill-registry

Create a hilarious and ultra-realistic video of an anthropomorphic animal acting like a human vlogger in a real-world setting.

majiayu000/claude-skill-registry

Speech-to-text transcription and translation via OpenAI Audio API -- models, response formats, timestamps, prompting, streaming, chunking, and diarization

majiayu000/claude-skill-registry

BlockRun works with Claude Code and Google Antigravity.

majiayu000/claude-skill-registry

This skill should be used when the user asks about libraries, frameworks, API references, or needs code examples. Activates for setup questions, code generation involving libraries, or mentions of specific frameworks like React, Vue, Next.js, Prisma, Supabase, etc.

majiayu000/claude-skill-registry

小省导购员数字人带货版即梦视频提示词生成系统,基于四大智能体协同(提示词生成师、质量管控师、知识库运维师、跨环节适配师),按照"主体+运动+场景+(镜头语言+光影+氛围)"公式输出中英文双版提示词,适配5s短视频。确保人物一致性、视觉连贯性、情绪连贯性,支持知识库智能复用和跨工具适配(Suno音乐、AI绘画),为数字人带货视频提供高质量提示词生成服务。

majiayu000/claude-skill-registry

Upload and manage files using Google Gemini File API via scripts/. Use for uploading images, audio, video, PDFs, and other files for use with Gemini models. Supports file upload, status checking, and file management. Triggers on "upload file", "file API", "upload image", "upload PDF", "upload video", "file management".

majiayu000/claude-skill-registry

CRITICAL: Use for MolyKit AI chat toolkit. Triggers on: BotClient, OpenAI, SSE streaming, AI chat, molykit, PlatformSend, spawn(), ThreadToken, cross-platform async, Chat widget, Messages, PromptInput, Avatar, LLM

majiayu000/claude-skill-registry

AI and machine learning workflow covering LLM application development, RAG implementation, agent architecture, ML pipelines, and AI-powered features.

majiayu000/claude-skill-registry

Analyze images/audio/video with Gemini API (better vision than Claude). Generate images (Imagen 4), videos (Veo 3). Use for vision analysis, transcription, OCR, design extraction, multimodal AI.

majiayu000/claude-skill-registry

Analyze images/audio/video with Gemini API (better vision than Claude). Generate images (Imagen 4), videos (Veo 3). Use for vision analysis, transcription, OCR, design extraction, multimodal AI.

majiayu000/claude-skill-registry

Skill for discovering and researching autonomous AI agents, tools, and ecosystems using the AgentFolio directory.

Verwandte Skills