Skills Portfolio de IA: Destilador de Estilo + Avaliação Emocional + Assistente de Busca de Emprego
MiaIria/skills-portfolio
Três skills produção-ready: escrever como você, entender seu padrão emocional, pesquisar emprego com estratégia
Ver no GitHubPortfólio de três skills Claude especializados em resolver problemas reais: destilação de estilo de escrita pessoal para manter sua voz autêntica em conteúdos gerados por IA, avaliação de padrões emocionais em relacionamentos através de 18 questões estruturadas, e um pipeline de 5 etapas para pesquisa estratégica de oportunidades de emprego. Cada skill passou por ciclos completos de design de produto, com mecanismos de validação, feedback contínuo e aprimoramento iterativo.
Instalação
npx convez-ai MiaIria/skills-portfolio1 comando no terminal: detecta o formato do repositório (marketplace ou plugin avulso) e instala via Claude Code. Requer Node 18+ e o Claude Code instalado.
Métricas
Casos de uso
- Manter coerência de estilo pessoal ao usar IA para redigir conteúdo em redes sociais (Xiaohongshu, posts, threads)
- Autoconhecimento emocional estruturado antes ou durante relacionamentos amorosos
- Pesquisa sistemática de mercado de trabalho com pipeline de validação de informações
- Engenharia de prompts e design de produtos com LLM em escala
- Construção de sistemas de feedback contínuo e loops de aprendizado para skills de IA
Veredito

Portfolio técnico sólido que demonstra ciclos reais de produto: prototipagem, validação com falhas explícitas, iteração por feedback. O destilador de estilo é a peça mais robusta (5 guardrails de qualidade, 7 validações automáticas, recuperação de desvio), mas a documentação está em chinês—requer esforço de localização. Útil para quem quer aprender engenharia de prompts com rigor de produção.
README
A tradução para o português deste README ainda está na fila.
Claude Code Skills · 作品集
自研 Claude Code Skill 集合 —— 用 AI 解决真实问题,每个 Skill 都经历了从"为什么做"到"做成了什么"的完整产品周期。
👤 关于我
AI 产品经理学习者,专注于将 LLM 能力转化为可用的产品体验。我的 Skill 不是玩具 Demo——每个都瞄准一个明确的用户痛点,有自己的设计哲学、质量标准和迭代历程。
核心能力标签:AI产品设计 提示词工程 用户研究 质量体系 端到端落地
📋 Skill 总览
| # | Skill | 一句话 | 规模 | 状态 | 链接 |
|---|---|---|---|---|---|
| 1 | style-distiller | 训练 AI 按「你的风格」写文章 | 6 目录 / 18 文件 / ~2500 行 | 🟢 v0.1.0 | GitHub |
| 2 | love-match | 18 题看清你在恋爱里的样子 | 1 SKILL.md (729行) + H5 部署 | 🟢 已上线 | GitHub · 体验 |
| 3 | ai-job-search-assistant | 5 步流水线完成求职调研 | 1 SKILL.md (大型) | 🟢 稳定使用 | GitHub |
📖 Skill 1: style-distiller(写作风格蒸馏器)
让 AI 写出来的东西"像你",而不是"像模板"。
| 维度 | 内容 |
|---|---|
| 解决的问题 | AI 写文章总是"模板味儿"——小红书体、知乎体千篇一律。用户想让 AI 按自己的风格写,但 AI 不认识他。 |
| 目标用户 | 经常写短文(小红书/即刻/朋友圈/微博),想让 AI 辅助创作但不想失去个人风格的写作者 |
| 核心能力 | 喂入喜欢的文章 → 自动蒸馏风格特征 → 按档案生成文章 → 打分反向校准 → 档案持续进化 |
| 技术亮点 | ① 动作级提取("开头 67% 用对话"而非"文笔好")② 5 道质量护城河 ③ 7 维自动验证 + 偏离自动修复 |
| 关键数据 | 3 正样本 + 1 反样本 → 95% 风格还原度;3 轮迭代后从 30%→92% 实际匹配 |
| 链接 | GitHub · 开源、含完整 README 和安装指南 |
🎯 产品设计思路
核心洞察:用户说"写得像我",但 LLM 不理解"我"是谁。fine-tuning 太重,模板化 prompt 太浅。需要一个轻量但持续进化的"个人写作 LoRA"——不改模型参数,靠上下文工程 + 检索增强 + 规则蒸馏 + 反馈循环达到"准训练"效果。
关键决策:
- 选"风格蒸馏"而非"模板套用":从 6 个候选方向中选定,因为用户的核心诉求是"持续进化"而非"快速出稿"
- 短文优先:聚焦小红书/即刻/朋友圈(100-800 字),长文可用但不优化——先做深一个场景
- 自建反样本机制:用户不光知道喜欢什么,也知道讨厌什么("空洞大道理""网络梗堆砌"),反样本让档案有一半是靠"不要什么"来定义的
- 数据与逻辑分离:工具代码开源(GitHub),个人风格数据永不上传(本地
~/.claude/styles/)
🏗️ 架构亮点
5 个公开 Skill(各 ~120 行入口文件,轻量)
↓ 全部引用
1 个共享库 style-lib(13 文件 / ~2500 行,真正的引擎)
↓ 读写
1 份本地风格档案(8 维画像 + 正/反样本库 + 草稿 + 备份)
5 道质量保证护城河(防止"训练 50 篇白费"):
| # | 护城河 | 作用 |
|---|---|---|
| 1 | 检索要准 | 从 50 个样本中挑 3-5 个最相关的(主题 + 维度 + 时效 多路召回) |
| 2 | 档案翻译要硬 | 软描述 → 🚨🟡🟢 三层硬约束(如"22 个禁用词,0 容忍") |
| 3 | Prompt 组装要全 | 嵌入完整原文 + 7 维特征签名,不只是摘要 |
| 4 | 生成后自动验证 | 7 维核对 + 反样本扫描 + 样本特征还原度检查 |
| 5 | 偏离自动修复 | 偏离 10-25% 自动改,>50% 自动重写(最多 2 次) |
📊 效果验证
2026/06/03 全流程测试:冷启动 → 喂 3 正 + 1 反样本 → 试写 → 评分 → 反向校准,全流程跑通。
关键发现——一次"失败"暴露了系统的真实边界:
| 版本 | 评分 | 发现 |
|---|---|---|
| 草稿 #005 | 1-3/10 | "表面匹配 ≠ 内容准确"。7 维验证能守住形式约束(禁用词、句长、开头类型),但抓不住"主题理解偏差"。 |
| 草稿 #006 | 4-6/10 | 修复了形式问题,但"中间缺案例支撑"——用户反馈催生了"双案例堆叠"新范式。 |
| 草稿 #007 | 7-8/10 | 3 轮迭代后实际匹配从 30% → 92%,反馈闭环验证有效。 |
这个 crash-and-recovery 过程恰恰是产品最值得说的部分:不是一上来就完美,而是有机制能从失败中学习。
📖 Skill 2: love-match(情感人格测评)
"这说的明明就是我啊" —— 让用户在 18 道题后发自内心说出这句话。
| 维度 | 内容 |
|---|---|
| 解决的问题 | MBTI/星座太泛泛,不触及情感领域的深层模式。用户想要"看清自己在恋爱里的样子",而不是一个笼统的人格标签。 |
| 目标用户 | 对自我认知有需求、正在或准备进入亲密关系的年轻人 |
| 核心能力 | 18 道递进式选择题 → 5 个情感阶段 → 7 维情感分析 → 12 条洞察规则 → 3 维专属标签(64 种组合) |
| 技术亮点 | ① 12 条洞察规则防止 LLM 分析质量波动 ② 3 维标签系统类似 MBTI 但聚焦情感领域 ③ 逐题呈现降低参与门槛 ④ 巴纳姆效应主动规避 |
| 关键数据 | 5 轮设计迭代 / 18 题 4 选项 / 7 维 × 12 规则 × 64 标签组合 / 已部署 H5 在线体验 |
| 链接 | GitHub · 在线体验 |
🎯 产品设计思路
核心洞察:市面上的情感测试要么太娱乐化("测测你的恋爱运势"),要么太学术化(ECR 依恋量表,普通人看不懂)。需要一个有心理学依据、但呈现方式轻量友好的中间态产品。
关键决策:
- 选择题而非开放式对话:降低参与门槛,保证题目一致性,让分析结果可复现
- 逐题呈现而非一页展示:每次只看 1 题,用户不用面对"还有 17 题"的心理压力
- 75% 自我解析 + 25% 理想型画像:先让用户看清自己,再谈匹配——不做"你适合找什么样的人"的主导叙事
- 12 条规则硬编码:不让 LLM 自由发挥分析——规则库充当"护栏",保证每次输出都达到最低质量标准
🏗️ 架构亮点
问卷模式(默认) 对话模式(可选)
18 题逐题呈现 开放式情感收集
↓ ↓
7 维情感评分引擎(加权映射)
↓
12 条规则库检测(跨维度模式匹配)
↓
3 维标签生成(64 种组合)
↓
报告输出:自我解析(75%) + 理想型(25%)
12 条洞察规则分为 5 类:防御/保护(A)、矛盾/张力(B)、爱的语言(C)、安全感(D)、连接深度(E)。每条规则都检测特定的跨维度答案组合,例如:
规则 A1「三重保护壳」:当 Q7=隐藏情绪 + Q10=压抑情绪 + Q16=高度警觉 → 触发"你习惯把脆弱藏得很深,可能需要很长时间才能信任一个人"的深层解读。
H5 部署:分析引擎(LoveMatchAnalyzer 类)完全在浏览器端运行,无服务器依赖,所有评分和洞察生成都在本地完成。
📊 设计迭代
| 轮次 | 改动 | 原因 |
|---|---|---|
| V1 → V2 | 从 5 题扩展到 18 题 + 5 阶段递进 | 5 题太浅,无法支撑深度分析 |
| V2 → V3 | 删除 6 种"恋爱人格原型",改为 7 维分析框架 | 人格标签太笼统,维度分析更精准 |
| V3 → V4 | 重写第 1 阶段为"心动原点"(从生活画像改为情感触发) | 用户反馈"前面的题不像在做情感测评" |
| V4 → V5 | 新增 3 维标签 + 12 条洞察规则库 | 维度分析好但缺"一句话总结",规则库防 LLM 波动 |
📖 Skill 3: ai-job-search-assistant(AI 求职助手)
从"搜岗位"到"面建议",5 步流水线完成一次完整的求职调研。
| 维度 | 内容 |
|---|---|
| 解决的问题 | 投简历前最耗时的是调研——搜公司、筛匹配、查背景、改简历、准备面试。每个环节都要在不同平台跳转,信息碎片化严重。 |
| 目标用户 | 正在找 AI/互联网方向工作的求职者(应届生到 3-5 年经验) |
| 核心能力 | 输入目标岗位 + 城市 + 简历 PDF → 自动搜索 50 家公司 → 匹配评分筛选 20-25 家 → 深度调研 15 家 → 输出 8 家优先投递建议 + STAR 简历改写 + 面试预测题 |
| 技术亮点 | ① 5 步流水线每步有独立 LLM 角色定义 ② 100 分匹配量表(硬要求/经验/软匹配三轴)③ 5 维企业深度调研框架 ④ 支持排除已调研公司(增量使用) |
| 关键数据 | 5 步完整流程 / 50→25→15→8 漏斗筛选 / 100 分匹配量表 / 已实际使用 74+ 次 |
| 链接 | GitHub |
🎯 产品设计思路
核心洞察:求职调研的本质是一个信息聚合 + 匹配分析问题。传统做法是手动在不同平台搜索、用 Excel 整理、凭感觉筛选。LLM 在这类"结构化搜索 + 评分 + 报告"任务上天然擅长。
关键决策:
- 分步执行而非一步到位:5 步设计让用户可以在每一步检查结果、调整方向——"50 家里有没有漏掉的?""这 8 家优先级排序合理吗?"
- 量化的匹配量表:硬要求 30 分 + 经验 40 分 + 软匹配 30 分 = 100 分。避免 LLM 凭"感觉"推荐,强制量化思考。
- 角色化提示词:每一步给 LLM 不同的角色身份(招聘顾问 → HR 专家 → 企业研究员 → 职业教练 → 报告撰写师),触发更专业的回答模式
- 增量使用设计:支持传入"已调研公司列表"排除重复,让用户可以在几天内分多次使用而不重复劳动
🏗️ 架构亮点
Step 1: 搜索筛选(50 家公司,多平台聚合)
↓
Step 2: 简历解析 + 匹配评分(50 → 20-25 家,100 分量表)
↓
Step 3: 深度调研(15 家,5 维框架:基础/文化/制度/薪酬/AI团队)
↓
Step 4: 匹配分析 + 简历优化(8 家优先,STAR 改写 + 面试预测题)
↓
Step 5: 最终报告(候选人画像 + 公司列表 + 深度报告 + 投递建议 + 附录)
100 分匹配量表(用于 Step 2):
| 维度 | 分值 | 考察内容 |
|---|---|---|
| 硬要求匹配 | 30 分 | 学历、年限、必需技能 |
| 经验相关性 | 40 分 | 行业、职能、项目经验 |
| 软性匹配 | 30 分 | 公司阶段、技术栈、成长空间 |
评分 ≥ 90 强烈推荐 / 75-89 推荐 / 60-74 可行 / <60 不推荐。
🧠 贯穿所有 Skill 的设计理念
回头看这 3 个 Skill,它们不是 3 个独立的玩具——背后有一条一致的产品哲学:
1. "AI 不做全部,AI 做加速器"
style-distiller 不替你写,它学你怎么写;love-match 不告诉你该爱谁,它帮你看清自己;job-search 不帮你投简历,它帮你把调研时间从 3 天压缩到 30 分钟。每个 Skill 的边界都很清晰:AI 做信息处理和模式识别,人做决策。
2. "软描述 → 硬约束"
LLM 最擅长说"文笔细腻"这种漂亮但不可执行的话。我的做法是把它翻译成具体动作:不是"开头要抓人",而是"67% 的文章用对话开场,33% 用场景锚定"。让模糊的审美变成可验证的规则,这是这 3 个 Skill 共有的技术基因。
3. "先量化,再优化"
love-match 有 12 条硬编码洞察规则不依赖 LLM 自由发挥,style-distiller 有 7 维自动验证 + 偏离度评分,job-search 有 100 分量表。不能度量的东西就无法迭代——每个 Skill 都内置了量化反馈机制。
4. "轻量但严肃"
这些都是纯 prompt 工程(没有训练模型、没有向量数据库、没有后端服务),但不代表它们是"玩具"。style-distiller 的 v0.1.0 包含了 2,500+ 行经过精心设计的提示词、5 道质量护城河、11 条待修复问题的优先级 backlog。工程严肃性不取决于用了多少技术栈,取决于设计者多想清楚。
🔮 后续计划
- style-distiller:从 3 样本 🟠 萌芽 → 30 样本 🟢 成熟(当前迭代中);补充长文场景支持
- love-match:上线深度追问交互(报告后用户可深入探索单个维度);ECR 依恋量表对标
- 新 Skill 方向:AI 产品拆解助手(输入产品名,输出结构化产品分析)、群聊分析工具
- 作品集本身:后续每新增一个 Skill,本文档追加一个新章节
本作品集会持续更新。每个 Skill 的 GitHub 仓库有更详细的技术文档。