技能提升分析器 是做什麼的?
分析已追蹤的工作職缺與候選人現有檔案之間的技能差距,並產出差距熱力圖與學習計畫,包含具體的搜尋學習資源與學習順序。
設定
- 候選人檔案:
$JOB_SEARCH_HOME/profile.md - 已追蹤職缺:
$JOB_SEARCH_HOME/integrations.yaml中的tracker_path - 報告寫入位置:
$JOB_SEARCH_HOME/upskill/
觸發方式
/upskill— 聚合模式:針對追蹤器檔案中的所有資料列/upskill <URL>— 目標模式:針對單一職缺,從網址擷取資料
步驟 1 — 偵測模式
無參數 → 聚合模式。有 URL → 目標模式;保留 URL 供步驟 2 使用。
在目標模式下,根據職位與公司名稱產生報告縮寫,例如 <company-slug>-<role-slug>。
步驟 2 — 載入資料
聚合模式
- 讀取追蹤器檔案。欄位:
date, company, sector, role, role_type, channel, status, contact_person, fit_rating, notes, cv_file, cover_letter_file, source - 記錄每列的
role、company、fit_rating。fit_rating為 0–100;用它來加權差距,因為低評分表示該職位暴露更多差距。 - 讀取
$JOB_SEARCH_HOME/profile.md取得當前技能。 - 在
$JOB_SEARCH_HOME/upskill/中尋找最新的report-YYYY-MM-DD.md;若存在則載入,供步驟 8 進行差異比對。
目標模式
- 使用 WebFetch 擷取職缺頁面。
- 擷取職稱、公司、必要技能、偏好技能、職責、領域背景。
- 讀取
$JOB_SEARCH_HOME/profile.md。 - 不使用追蹤器資料。
步驟 3 — 第一輪:硬技能差異
聚合模式: 你沒有完整的職缺描述,因此需從 role、sector 和 notes 推斷可能的技能需求。若 source 具有有效網址,可進行擷取;跳過失效或缺少的網址。
建立技能頻率地圖,然後依 fit_rating 加權:每個職缺貢獻 (100 - fit_rating) / 100 的權重。最終分數為 fit_weight × occurrence 的總和。
目標模式: 使用明確列出的必要與偏好技能。權重相同。必要技能排在偏好技能之前,各組內按字母順序排列。
與個人檔案比對: 從個人檔案中移除已存在的技能,寬鬆比對 — 只要個人檔案以任何形式提及該技能,即不視為差距。剩下的即為硬技能差距清單:聚合模式中按分數排序,目標模式中按必要技能先於偏好技能再按字母順序排序。
步驟 4 — 第二輪:綜合推理
推論第一輪遺漏的差距:
- 領域知識 — 不熟悉的產業或問題領域
- 軟實力 — 工作方式、溝通、領導能力,個人檔案未提及的部分
- 工具與流程 — 跨職缺出現的框架、雲端服務、方法論
- 認證 — 多個職缺列為偏好的認證
標註各項為 [domain]、[soft]、[tooling] 或 [credential]。不要重複第一輪的差距。
步驟 5 — 差距熱力圖
將兩輪結果合併為一個優先排序表格:
- 關鍵 — 高權重的硬技能,或橫跨大多數職缺的領域差距
- 高 — 中等硬技能,或持續出現的軟實力/工具差距
- 中 — 較低頻率的硬技能,或少數職缺中的差距
- 低 — 僅單一職缺提及
| 優先級 | 技能/領域 | 類型 | 差距來源 |
|---|---|---|---|
| 關鍵 | Kubernetes | 硬技能 | 4/5 職缺,分數 3.2 |
| 高 | 安全領域知識 | 領域 | LLM 綜合推理 |
| 中 | AWS(進階) | 硬技能 | 2/5 職缺,分數 1.1 |
| 低 | … | … | … |
在繼續後續步驟前先印出此表格,讓使用者知道目前的依據。
在目標模式下,根據職缺描述中的語句決定優先級:必要 → 關鍵/高,偏好 → 中,推斷 → 中/低。
步驟 6 — 學習計畫
涵蓋所有關鍵與高優先級的差距,若總差距少於五項則包含中優先級差距。
針對每個差距:
- 搜尋網路以取得當前評價良好的資源。在查詢中包含當前年份以避免過時結果。範例形式:
"best <skill> course <year> site:reddit.com OR coursera.org" - 挑選 2–3 個資源。 偏好實作實驗室勝過純講座;工具差距使用官方文件;領域差距使用書籍。提供名稱、網址及一行說明為何適合。
- 撰寫學習方向,根據候選人已知內容量身打造。說明可以跳過的部分以及從哪裡開始。
- 估算達到工作熟練度所需的時間(
~20h)。寧可高估。
按主題分組歸類,而非按字母順序:雲端與基礎設施、MLOps、領域知識、安全性、軟實力與工作方式、認證。
### 雲端與基礎設施
**Kubernetes** `[Hard]` — ~20h
- [資源](url) — 實作實驗室,重實務而非理論
- [官方文件](url) — 打好基礎後作為參考
學習方向:已具備容器基礎 — 從 Pod 排程開始,然後是 Services 與 Deployments。先熟練 manifest 與 `kubectl`,再接觸 Helm。
步驟 7 — 建議學習順序
- 依賴優先 — 若 B 需要 A,則將 A 排在前面並註明依賴關係
- 在同一層級內,關鍵 > 高 > 中
- 先做速效任務 — 可以將快速完成的「中」優先級差距排在最前面以獲得動力
- 領域知識最後 — 與實際專案一起學習
| # | 主題 | 類型 | 估計時間 | 備註 |
|---|---|---|---|---|
| 1 | Kubernetes | 硬技能 | ~20h | 步驟 3 的前置需求 |
| 2 | CI/CD 管線 | 工具 | ~10h | |
| 3 | 安全領域知識 | 領域 | ~15h | 與實際專案並行 |
總估計時間:~45h
步驟 8 — 撰寫並儲存報告
順序:標頭與模式 → 相較上次報告的差異(僅聚合模式)→ 差距熱力圖 → 學習計畫 → 建議學習順序。
- 聚合模式:
$JOB_SEARCH_HOME/upskill/report-YYYY-MM-DD.md - 目標模式:
$JOB_SEARCH_HOME/upskill/report-YYYY-MM-DD-<company-slug>-<role-slug>.md— 全小寫,空格改為連字號,移除特殊字元
差異段落(僅聚合模式):已補齊的差距 是先前熱力圖中存在但現在已出現在個人檔案中的技能;新差距 是目前熱力圖中有但先前報告中沒有的項目。若無先前報告則省略整個段落。
向使用者確認儲存的路徑。
規則
- 切勿憑空捏造資源。 只能引用 WebSearch 實際回傳的內容。
- 在每次資源查詢中都包含當前年份。
- 目標模式完全忽略追蹤器檔案。
- 個人檔案比對要寬鬆。 任何形式的技能提及都不視為差距。
- 在學習計畫之前印出熱力圖。
- 除非要求,否則不為低優先級差距提供學習資源。
- 即使終端輸出看起來已經足夠,仍要儲存報告。
- 從職缺描述中產生公司縮寫。不得憑空猜測。