作品集策略
核心原则
你的 GitHub 不是半成品的墓场。它是精心策划的展览。每个固定的仓库都应回答招聘经理对你的一个疑问——而每个答案都应让他们想要安排面试。
区分平庸与出众
平庸的作品集 出众的作品集
───────────────── ────────────────────
30 个仓库,大部分是 fork 5 个仓库,全是原创作品
没有 README 每个 README 都讲述一个故事
没有在线演示 每个项目都已部署
克隆的随机教程 清晰的主题和进步轨迹
最后一次提交:8 个月前 持续、近期的活动
仓库没有描述 每个仓库都有一句话简介
"我的第一个React应用" "AI 驱动的代码审查工具"
区别不在于天赋。在于策划。最棒的作品集看起来像是有计划的人,而不是什么代码都往上放的人。
质量胜于数量
三到五个精良项目胜过三十个被遗弃的仓库。每次都如此。
关键数字
| 仓库数 | README 数 | 已部署数 | 招聘经理的想法 |
|---|---|---|---|
| 30 | 2 | 0 | "开始事情,但不完成它们" |
| 15 | 5 | 1 | "浅尝辄止。不清楚他们擅长什么" |
| 5 | 5 | 4 | "专注。能交付。懂行" |
| 3 | 3 | 3 | "他们经手的一切都很精良" |
清理规则
在添加任何新内容之前,先审计已有的:
1. 将未完成且无法挽救的内容归档或设为私有。
2. 删除你从未修改过的 fork 仓库。
3. 为你保留公开的所有内容添加 README。
4. 为每个可见仓库设置描述。
5. 剩下的应该是值得展示的。
如果你不会把它放在简历上,那它就不应该出现在你的公开 GitHub 上。
在你的仓库间讲述一个故事
你固定的仓库不是随机样本。它们是章节。安排它们,让访问者看到一段叙事。
行之有效的故事结构
专家型路线:
"我深入研究 AI/ML,并且我能证明。"
仓库 1: 针对特定领域任务微调的 LLM
仓库 2: 带评估框架的 RAG 流水线
仓库 3: 使用工具的智能体工作流
仓库 4: 对 LangChain/LlamaIndex 的开源贡献
全栈构建者路线:
"我从数据库到部署构建完整产品。"
仓库 1: 全栈 SaaS 应用 (Next.js + API + 数据库 + 认证)
仓库 2: AI 驱动的 CLI 工具(展示后端/系统能力)
仓库 3: 开源库(展示 API 设计思维)
仓库 4: 个人自动化工具(展示你也为自己构建)
AI 原生开发者路线:
"我不仅使用 AI——我还用 AI 构建,并为 AI 构建。"
仓库 1: 智能体工作流 / 多智能体系统
仓库 2: 在生产级应用中的 LLM 集成
仓库 3: 利用 AI 的开发者工具(linter、审查器、生成器)
仓库 4: 对 AI 框架或工具链的贡献
进展信号
招聘经理会注意到你的仓库是否显示出成长:
| 信号 | 说明 |
|---|---|
| 早期仓库:简单的 CRUD 应用 | 你在某个地方开始了 |
| 中期仓库:带测试和 CI 的 API | 你学习了工程实践 |
| 近期仓库:带评估的 AI 智能体 | 你在前沿领域构建 |
| 对主要开源项目的贡献 | 你可以在大型代码库中协作 |
固定什么以及为什么
你可以固定六个仓库。策略性地使用它们。
理想的固定布局
| 插槽 | 固定什么 | 为什么 |
|---|---|---|
| 1 | 全栈项目 | 证明你能构建一个完整产品 |
| 2 | AI/ML 项目 | 展示你在前沿领域工作 |
| 3 | 开源贡献 | 证明你在真实代码库中协作 |
| 4 | 开发者工具或 CLI | 展示你解决自己的问题 |
| 5 | 领域项目(你的专长) | 为你目标岗位提供深度信号 |
| 6 | 万能卡 — 个人或创意 | 展示个性和真正的好奇心 |
固定规则
要固定:
- 带有在线演示或部署链接的项目
- 带有详尽 README 和截图的仓库
- 与你申请的岗位匹配的工作
- 你最近、最精良的工作
不要固定:
- 你没有实质性修改过的 fork 仓库
- 教程跟随项目(即使完成了)
- 没有 README 的仓库
- 任何你在面试中无法解释的东西
README 作为你的作品集推销辞
每个固定的仓库都需要一个能在 30 秒内推销项目的 README。招聘经理花的时间可能更少,然后决定是否继续阅读。
作品集仓库的 README 结构
# 项目名称
一句话描述它的功能以及为什么重要。
## 演示
[在线演示链接] | [视频演示链接]
显示应用运行中的截图或 GIF。
## 问题
这解决了什么问题?谁有这个问题?
## 工作原理
架构概览。关键技术决策。
如果系统有多个组件,请提供图表。
## 技术栈
列出技术——但只列出有意义的技术。
不要列出 HTML/CSS。但要列出你的 AI 集成、数据库、部署目标。
## 主要特性
- 特性 1 — 为什么它在技术上很有趣
- 特性 2 — 构建它最难的地方是什么
- 特性 3 — 你接下来会改进什么
## 快速开始
清晰的设置说明。别人应该能在 5 分钟内运行它。
## 我学到了什么
简要反思最困难的技术挑战以及你如何解决它。
README 反模式
| 糟糕的 README | 更好的 README |
|---|---|
| "一个 React 应用" | "AI 驱动的会议摘要器,将录音转化为行动项" |
| 没有截图 | 首屏上方有主打截图或 GIF |
| 设置:"克隆并运行" | 设置:分步说明,列出前置条件 |
| 没有架构解释 | 显示组件如何连接的系统图 |
| 列出每个 npm 包 | 突出 3-4 个关键技术 |
在线演示和部署链接
代码是一个假设。已部署的应用是证据。
为什么部署很重要
招聘经理看到没有演示的仓库:
"有趣的代码... 它真的能用吗?"
招聘经理看到有在线链接的仓库:
"让我试试。" → 2 分钟后 → "这个人能交付。"
按项目类型的部署选项
| 项目类型 | 免费部署 | 适合 |
|---|---|---|
| 全栈 Web 应用 | Vercel, Railway, Fly.io | 有生产感的应用 |
| API / 后端 | Railway, Render | 展示后端技能 |
| 静态站点 / 文档 | GitHub Pages, Netlify | 文档、落地页 |
| AI/ML 演示 | Hugging Face Spaces, Streamlit Cloud | 模型演示、数据应用 |
| CLI 工具 | npm publish, Homebrew tap | 分发信号 |
如果无法部署,录制演示
并非所有东西都能在云端运行。对于仅限本地的工具、CLI 应用或复杂系统:
1. 录制一个 60-90 秒的视频演示。
2. 上传到 YouTube(非公开也可以)。
3. 制作关键交互的 GIF。
4. 将两者都放入 README。
视频演示比没有演示好十倍。
贡献图
一致性传递的信号
招聘经理会扫一眼你的贡献图。以下是他们实际从中解读的信息:
| 模式 | 解读 |
|---|---|
| 稳定的绿色,大部分日子 | "这个人经常写代码。好习惯。" |
| 围绕项目聚集 | "以集中的冲刺方式工作。正常。" |
| 只有工作日是绿色 | "有工作,仍然交付个人作品。" |
| 混合自己的仓库和贡献 | "善于协作。不只是个人项目。" |
作假的迹象
有经验的审查者可以立刻发现这些:
危险信号:
- 完美均匀的绿色(每一天,相同强度)
- 仅包含 README 编辑或空白字符更改的提交
- 一天内向空仓库提交 500 次
- 一周内创建数十个仓库,每个都只有一次提交
- 自动生成的提交机器人
伪造你的图比有缺口更糟。它表明绝望和判断力差。真正的持续性意味着以规律的节奏从事你关心的事情——有缺口也没关系。
建立真实的图
与其假装,不如:
1. 选择一个项目,每天工作 30 分钟。
2. 为开源做贡献——即使是文档、测试或错误报告也算。
3. 保留一个学习仓库,你在其中提交笔记和实验。
4. 构建你实际使用的工具。你会自然地不断改进它们。
让你的作品集与你想要的角色对齐
你的作品集应该看起来像你被雇佣后会做的工作的预览。根据你的目标进行定制。
AI 原生开发角色
这些角色希望看到你能用 AI 构建并为 AI 构建:
| 信号 | 示例仓库 |
|---|---|
| 在你的工作流中使用 AI 工具 | 包含 .claude/ 配置、AI 辅助提交、Claude Code 斜杠命令的项目 |
| 智能体工作流 | 能够研究、规划和执行任务的多步骤智能体 |
| LLM 集成 | 具有结构化输出、提示工程、模型路由的应用 |
| RAG 和检索 | 带有嵌入搜索和评估指标的知识库 |
| 评估和测试 | LLM 输出评估框架、提示回归测试 |
| AI 辅助开发 | 记录 AI 工具如何加速开发的项目 README |
针对特定角色的作品集目标
| 目标角色 | 必备仓库 | 加分项 |
|---|---|---|
| AI/ML 工程师 | 微调模型、评估框架、数据流水线 | 论文实现、模型比较 |
| 全栈 AI 开发者 | 集成 LLM 的应用、RAG 系统、已部署的 SaaS | 开源贡献、CLI 工具 |
| 平台/基础设施工程师 | CI/CD 流水线、IaC 仓库、监控设置 | 性能基准、开源贡献 |
| 开发者工具/DX | CLI 工具、SDK/库、VS Code 扩展 | 文档站点、开发者社区工具 |
作品集审查清单
在每次求职前执行此审计。要诚实。
第一印象(30 秒)
- 头像照片是专业的(或故意有特色)
- 个人简介说明你做什么以及你在找什么
- 固定的仓库有对陌生人来说有意义的描述
- 至少 3 个固定的仓库在 README 中有截图或演示链接
- 第一页没有令人尴尬的仓库名称
深度检查(2 分钟)
- 每个固定的仓库都有解释是什么、为什么以及怎么做的 README
- 至少有一个项目有在线演示或部署链接
- 固定仓库中的代码质量反映你当前的技能水平
- 提交历史显示真正的开发(不是单一的 "initial commit" blob)
- 至少有一个仓库展示了测试或 CI/CD
故事检查(5 分钟)
- 你固定的仓库讲述了一个关于你技能的连贯故事
- 从旧项目到新项目有可见的进步
- 你的作品集与你目标角色对齐
- 你能在 60 秒的电梯演讲中解释每个固定的仓库
- 你会根据这个 GitHub 雇佣你自己
终极测试
在无痕窗口中打开你的 GitHub。假装你是一个从未见过你的招聘经理。花 60 秒。你会把这个候选人推进到下一轮吗?
如果答案不是立即的“是”,请继续迭代。
反模式
| 反模式 | 为什么有害 | 修复 |
|---|---|---|
| 没有更改的 fork 仓库 | 看起来像是填充 | 删除或设为私有 |
| 教程克隆("todo-app", "weather-app") | 表示你遵循了指令,而不是你能构建 | Fork 它,然后大幅扩展超越教程 |
| 空仓库或只有 README 的仓库 | 表示被放弃的想法 | 归档或删除它们 |
| 公开仓库没有 README | "我不交流我的工作" | 为你保留公开的所有内容添加 README |
| 50+ 个可见仓库未经策划 | 压倒性的噪音,没有信号 | 积极归档,策略性地固定 |
| 过时的固定仓库(2 年以上) | "他们最近什么都没构建" | 轮换固定的仓库以展示近期工作 |
| 只有自动生成统计信息的个人资料 README | 不个性化,低努力 | 写下真实的个人简介,包含你的专注点和目标 |
| 名为 "test", "temp", "asdf" 的仓库 | 粗心大意 | 重命名或移除 |
强力行动
"在我的 GitHub URL 处审查我的 GitHub 作品集。假装你是一个 AI 原生开发岗位的招聘经理来评估它。根据 README 质量、技术深度、部署状态以及与 AI/ML 岗位的相关性对每个固定的仓库进行评分。然后给我一个优先行动计划:什么东西要归档、什么要改进、缺少什么,以及哪一个新项目能带来最大的改变。"
这个智能体成为了你的作品集批评者——给你诚实、具体的反馈,将你的 GitHub 从代码墓场转变为职业资产。
相关技能
| 技能 | 何时使用 |
|---|---|
github-profile | 实现 GitHub 平台机制——个人资料 README、仓库固定、主题、活动图 |
career-resume | 完整的职业生命周期——求职、面试、入职、绩效评估 |