Communitygithub.com

CV-Wissensdatenbank-Abfrage

Durchsuchen Sie die CV-Wissensdatenbank nach Erfolgen, Geschichten und Metriken nach Thema, Fähigkeit, Unternehmen oder Stichwort. Verwenden Sie dies, wenn der Benutzer nach Erfahrungen fragt, bestimmte Erfolge finden oder Daten zur Inhaltsgenerierung benötigt.

Was ist CV-Wissensdatenbank-Abfrage?

Diese Fähigkeit ermöglicht einen schnellen und strukturierten Abruf von Informationen aus einer CV-Wissensdatenbank. Sie deckt alle Aspekte der Erfahrungsabfrage ab, von der Suche nach spezifischen Leistungen über die Analyse von Fähigkeiten bis hin zur Zusammenstellung von Metriken für Berichte oder Bewerbungen. Die Fähigkeit unterstützt sowohl deterministische Skripte (z.B. `npm run search:evidence`) für schnelle Stichwortabfragen als auch manuelle Abfragen für tiefere, beziehungsorientierte Analysen. Sie ist für Entwickler-Tools wie Claude Code, Cursor oder Codex optimiert und stellt einen wesentlichen Baustein für die Inhaltsgenerierung und Entscheidungsunterstützung dar. Die Struktur basiert auf einem YAML-Schema mit Entitäten (Unternehmen, Themen, Fähigkeiten), Beziehungen und Erfolgen, die über STaR-Erzählungen (Situation, Task, Action, Result) angereichert sind.

Funktioniert mit✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/majiayu000/claude-skill-registry-data/tree/HEAD/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-Wissensdatenbank-Abfrage?

<when_to_activate> Aktivieren, wenn der Benutzer:

  • Fragt: "Was habe ich mit [Technologie/Fähigkeit] gemacht?"
  • Erfolge zu einem bestimmten Thema finden möchte
  • Metriken für ein bestimmtes Unternehmen/einen bestimmten Zeitraum benötigt
  • Fragt: "Zeig mir meine [Art] 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, etc.
      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 Zuerst das Skript verwenden – es ist schneller und konsistent:

# Nach Stichwörtern suchen
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
  • Auszüge zur schnellen Überprüfung

Das Skript verwenden, wenn:

  • Der Benutzer nach bestimmten Stichwörtern fragt
  • Eine schnelle Suche ohne tiefgehende Analyse ausreicht
  • Eine Bewertung der Übereinstimmung für eine Stelle erforderlich ist

Manuelle Abfrage verwenden, wenn:

  • Eine tiefe Beziehungsnavigation erforderlich ist
  • Die vollständige STaR-Erzählung (Situation, Task, Action, Result) benötigt wird
  • Komplexe Querverweise über Entitäten hinweg erforderlich sind

Abfragemuster

Abfrage nach Thema

Benutzer: "Was ist meine institutionelle Krypto-Erfahrung?"

Skript-zuerst-Ansatz:

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

Für eine tiefgehende 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 Metriken zurück

Ausgabeformat:

## Institutionelle Krypto-Erfahrung

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

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

Abfrage nach Fähigkeit

Benutzer: "Zeig mir meine API-Design-Arbeit"

Prozess:

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

Abfrage nach Unternehmen

Benutzer: "Was habe ich bei Microsoft erreicht?"

Prozess:

  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

Benutzer: "Finde Erfolge im Zusammenhang mit Umsatzwachstum"

Skript-zuerst-Ansatz:

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

Für manuelle Suche:

  1. Durchsuche Themenschlüsselwörter nach "revenue"
  2. Durchsuche Erfolgsüberschriften/-ergebnisse nach "revenue"
  3. Gib sortiert nach Relevanz zurück

Abfrage für Rollenpassung

Benutzer: "Welche Erfolge passen zu einer Platform-PM-Rolle?"

Skript-zuerst-Ansatz:

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

Für eine tiefere Analyse:

  1. Analysiere Rollenschlüsselwörter: platform, infrastructure, scale
  2. Ordne Themen zu: infrastructure, developer-experience
  3. Ordne good_for-Arrays in Erfolgen zu
  4. Gib eine sortierte Liste mit Begründung zurück

Antwortformate

Zusammenfassungsformat (Standard)

3 Erfolge gefunden, die auf "[Abfrage]" passen:

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

2. ...

Detailformat (auf Anfrage)

## [Erfolgsüberschrift]

**Kontext**: [Unternehmen] | [Zeitraum] | [Rolle]
**Auswirkung**: [Metrik.Wert] [Metrik.Einheit]

### Situation
[Situationstext]

### Aufgabe
[Aufgabentext]

### Aktion
[Aktionstext]

### Ergebnis
[Ergebnistext]

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

Metrikformat (für Vergleiche)

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

Querverweisabfragen

Verwandte Erfolge finden

Benutzer: "Was hat sonst noch mit der ETH-Staking-Arbeit zu tun?"

Prozess:

  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. Bewerte nach Beziehungsstärke

Lücken finden

Benutzer: "Welche Fähigkeiten haben keine starken Erfolge?"

Prozess:

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

Abfragekürzel

Benutzer sagtAbfrage
"meine Blockchain-Arbeit"themes: [enterprise-blockchain, institutional-crypto]
"Wachstumsgeschichten"themes: [revenue-growth]
"Entwickler-Tools"themes: [developer-experience]
"aktuelle Arbeit"years: [2024, 2025]
"Microsoft-Zeit"companies: [microsoft]
"Startup-Erfahrung"companies: [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 – Belege abfragen, bevor Varianten generiert werden
  • cv-content-generator – Erfolge für Fallstudien finden
  • generate-story-bank – Geschichten nach Kategorie durchsuchen </skill_compositions>

Individual skills in this repo

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

majiayu000/claude-skill-registry-data

Edit existing BMAD agents while maintaining compliance

majiayu000/claude-skill-registry-data

Edit existing BMAD agents while maintaining compliance

majiayu000/claude-skill-registry-data

Edit existing BMAD modules while maintaining coherence

majiayu000/claude-skill-registry-data

Edit existing BMAD modules while maintaining coherence

majiayu000/claude-skill-registry-data

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-data

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-data

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-data

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-data

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-data

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

majiayu000/claude-skill-registry-data

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-data

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-data

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-data

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-data

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-data

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

majiayu000/claude-skill-registry-data

Conduct domain and industry research. Use when the user says "lets create a research report on [domain or industry]

majiayu000/claude-skill-registry-data

Conduct market research on competition and customers. Use when the user says "create a market research report about [business idea]".

majiayu000/claude-skill-registry-data

Conduct technical research on technologies and architecture. Use when the user says "create a technical research report on [topic]".

majiayu000/claude-skill-registry-data

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".

Verwandte Skills