前面介绍了Claude Code中如何安装和使用Skill，在Qoder这个AI Coding Agent中也是支持Skills的。安装方式其实和Claude Code差不多。只不过Claude Code的安装目录是.claude下面，而qoder则是安装在.qoder下。
Qoder是一个alibaba推出的AI Coding工具，是啥我不过多介绍了。
想要创建自己的Skill，其实也不复杂，只需要按照规范编写SKILL.md就行了，但是其实你也不需要自己去编写， 完全可以借助skill-creator（https://github.com/anthropics/skills/tree/main/skills/skill-creator）这个skill来帮你创建一个自己的skill。
比如说，最近不是校招中么，我希望有这样一个简历分析的skill，帮我自动读取我上传的简历，然后分析候选人的优势和劣势，以及和我要招聘的岗位的匹配度，并且给我列出一些问题，方便我刚好的考察候选人的能力。
那么，你打开qoder，进入到Quest模式，然后把上面的需求发给他：
可以看到他选择了create-skill这个skill来执行这个任务。接着会几个需要我们交互的地方，有一些需求他不是很明确的，会需要做一些澄清，我们根据情况选择不同的回答给他。
他问了三个问题：
1、这个skill你想放在哪个范围用
2、简历是什么格式的
3、输出用什么语言
接着他就会生成todo了：
主要三个步骤，创建一个.qoder/skills/resume-check文件夹，创建并写入SKILL.md文件，检查skill的格式是否完整。经过了几秒之后，他就给我生成了一个Skill。SKILL.md内容如下：
---
name: resume-check
description: 分析候选人简历，评估优劣势，与岗位JD匹配度打分，并生成面试问题。当用户上传简历、提到简历分析、候选人评估、面试准备时使用此技能。Use when the user uploads a resume, mentions resume analysis, candidate evaluation, or interview preparation.
---
## 简历分析与面试准备助手
## 使用前提
- 岗位JD文件固定存放在项目根目录的 `jd.md` 文件中
- 候选人简历为 PDF 格式，由用户提供路径
- 所有分析输出使用**中文**
## 工作流程
### 第一步：读取输入
1. 使用 Read 工具读取项目根目录下的 `jd.md` 文件，获取岗位要求
2. 使用 Read 工具读取用户提供的简历 PDF 文件（Read 工具支持读取 PDF）
3. 如果用户未提供简历路径，使用 AskUserQuestion 询问简历文件路径
### 第二步：解析与分析
仔细阅读简历和JD内容，从以下维度进行分析：
**候选人画像提取：**
- 基本信息（姓名、学历、工作年限等）
- 技术栈/核心技能
- 工作经历摘要
- 项目经验亮点
**优势分析：**
- 与JD高度匹配的技能和经验
- 突出的项目成果或业绩
- 独特的竞争优势（如行业背景、技术深度等）
**劣势/风险分析：**
- 与JD要求存在的差距
- 简历中的疑点（如频繁跳槽、经历断层、描述模糊等）
- 可能需要进一步验证的信息
### 第三步：JD 匹配度评估
逐项对照JD中的要求，评估匹配程度：
| 维度 | 评分标准 |
|------|---------|
| 技能匹配 | JD要求的核心技能候选人具备多少 |
| 经验匹配 | 工作年限、行业经验是否符合 |
| 项目匹配 | 过往项目与岗位工作内容的相关度 |
| 综合匹配 | 整体评估（加权） |
每项使用 1-5 星评分，并给出综合匹配度百分比。
### 第四步：生成面试问题
基于分析结果，生成 3 类面试问题：
1. **验证性问题**（3-5 个）：针对简历中需要验证的内容，如项目细节、技术深度
2. **能力考察问题**（3-5 个）：针对JD核心要求，考察候选人是否真正具备所需能力
3. **风险探测问题**（2-3 个）：针对发现的疑点或劣势，进一步了解真实情况
每个问题附带：
- **考察目的**：这个问题要验证什么
- **参考回答要点**：优秀候选人应该如何回答的关键点
## 输出格式
使用以下模板输出分析结果：
```markdown
## 候选人简历分析报告
## 一、候选人基本画像
| 项目 | 信息 |
|------|------|
| 姓名 | xxx |
| 学历 | xxx |
| 工作年限 | xxx |
| 当前/最近公司 | xxx |
| 核心技能 | xxx |
## 二、候选人优势
1. **优势1标题**：具体说明...
2. **优势2标题**：具体说明...
...
## 三、候选人劣势/风险
1. **劣势1标题**：具体说明...
2. **劣势2标题**：具体说明...
...
## 四、JD匹配度评估
| 维度 | 评分 | 说明 |
|------|------|------|
| 技能匹配 | ⭐⭐⭐⭐☆ | 具体说明 |
| 经验匹配 | ⭐⭐⭐☆☆ | 具体说明 |
| 项目匹配 | ⭐⭐⭐⭐☆ | 具体说明 |
| **综合匹配度** | **XX%** | 总结性说明 |
## 五、建议面试问题
### 验证性问题
**Q1: 问题内容？**
- 考察目的：xxx
- 参考回答要点：xxx
**Q2: 问题内容？**
- 考察目的：xxx
- 参考回答要点：xxx
...
### 能力考察问题
**Q1: 问题内容？**
- 考察目的：xxx
- 参考回答要点：xxx
...
### 风险探测问题
**Q1: 问题内容？**
- 考察目的：xxx
- 参考回答要点：xxx
...
## 六、总结建议
对候选人是否值得进入下一轮面试的总结性建议，以及面试中需要重点关注的方向。
注意事项
- 分析要客观、基于事实，避免主观臆断
- 对于简历中信息不足的部分，明确标注为"需进一步了解"
- 面试问题应具有区分度，能有效考察候选人真实水平
- 如果JD文件
jd.md不存在或为空，提示用户先创建JD文件
这个SKILL.md包括了两部分，元数据中包括了名称和描述信息，说明这个SKILL是干么的，接着再指令正文中就规定了要干的事情都有哪些。
接着我们试试让他帮我分析一个简历。给他一点要求，再附上简历附件：
可以看到他用我的skill帮我分析简历了。因为我没有创建jd，所以他提示我了，需要给一个jd
把以下内容粘贴给他：
岗位职责
核心业务开发：参与公司核心业务系统的后端设计与开发，基于Spring Boot/Spring Cloud微服务架构实现高可用、高并发功能模块。 大模型应用落地： 参与LLM（大语言模型）在企业级场景的落地，如智能客服、知识库问答（RAG）、代码辅助生成等。 负责Prompt Engineering（提示词工程）的优化与调试，提升模型输出质量。 协助搭建向量数据库（Vector DB）检索链路，优化语义搜索准确率。 系统优化：参与数据库SQL调优、缓存策略设计及中间件（Redis/MQ）的性能优化，解决生产环境的技术难题。 技术调研：跟踪业界最新的AI Agent、LangChain4j等技术动态，并推动新技术在团队内的分享与应用。
任职要求
统招本科及以上学历，计算机、软件工程、人工智能等相关专业。必须为985或211院校在读学生（2026届/2027届毕业生优先）。 基础扎实：精通Java Core，熟悉集合、多线程并发（JUC）、IO/NIO、JVM原理及调优。 框架熟练：熟练掌握Spring Boot、Spring Cloud Alibaba、MyBatis-Plus等主流框架，了解其核心源码与设计模式。 数据库与中间件： 精通MySQL，理解索引、事务隔离级别、锁机制，有SQL调优经验。 熟练使用Redis，了解其数据结构、持久化机制及分布式锁场景。 熟悉RabbitMQ/Kafka等消息队列，理解削峰填谷与异步解耦场景。 项目经验： 必须有完整的Java后端项目经历（非简单的CRUD），能在面试中清晰阐述系统架构、技术选型理由及遇到的难点解决方案。 有GitHub开源项目贡献或技术博客者优先。
大模型（LLM）相关技能（加分项/核心考察点）
应用开发：了解或实践过LangChain4j、Semantic Kernel等Java系大模型开发框架。 RAG架构：理解检索增强生成（RAG）原理，有使用Elasticsearch、Milvus、Pgvector等向量数据库进行知识库构建的经验。 模型交互：熟悉主流大模型API（如通义千问、文心一言、ChatGLM等）的调用与封装，有Function Calling（工具调用）实战经验。 前沿认知：对Agent（智能体）、Prompt优化策略、模型微调（Fine-tuning）基本概念有清晰认知。
他会帮我把jd写入jd.md中
然后继续分析简历。最终能得到如下一份完整报告（你还真别说，分析的还真不错）：
候选人简历分析报告
一、候选人基本画像
| 项目 | 信息 |
|---|---|
| 姓名 | 张三封 |
| 学历 | 浙江大学 软件工程 本科（2022.09 - 2026.06） |
| 工作年限 | 应届生（2026届） |
| 求职意向 | Java后端开发实习生 |
| 核心技能 | Java、Spring Boot、Spring Cloud Alibaba、MySQL、Redis、RabbitMQ |
| GitHub/博客 | github.com/hollischuang |
| 成绩排名 | 前10% |
二、候选人优势
-
院校背景优秀：浙江大学（985）软件工程专业，完全符合JD"985或211院校"的硬性要求，且为2026届毕业生，属于优先考虑范围。成绩排名前10%，说明学习能力较强。
-
Java基础技术栈与JD高度匹配：简历中列出的Java基础（集合、多线程并发、IO/NIO、JVM）、框架（Spring Boot、Spring Cloud Alibaba、MyBatis-Plus）、数据库（MySQL索引/事务/锁、Redis数据结构/分布式锁）、消息队列（RabbitMQ/Kafka）均与JD要求逐项对应。
-
项目中有高并发场景实践：黑马点评项目涉及秒杀优化（Lua+Redis原子操作、MQ削峰）、分布式锁（Redisson）、多级缓存架构、GEO搜索优化等，与JD中"高可用、高并发功能模块"及"缓存策略设计、中间件性能优化"的要求契合。
-
微服务实战经验：第二个项目使用Spring Cloud Alibaba + Nacos + OpenFeign搭建微服务架构，整合Spring Security + JWT + RBAC做权限控制，集成SkyWalking + ELK做链路追踪，覆盖了JD对微服务架构能力的要求。
-
有GitHub和技术博客：JD明确写明"有GitHub开源项目贡献或技术博客者优先"，候选人提供了GitHub地址，这是加分项。
三、候选人劣势/风险
-
LLM/AI相关经验完全空白（最大短板）：JD的核心考察点和一半岗位职责围绕大模型应用落地（RAG、Prompt Engineering、向量数据库、LangChain4j、AI Agent等），但简历中没有任何AI/LLM相关的技能或项目经验。这是与岗位匹配的最大缺口。
-
项目疑似培训课程作业："黑马点评"是黑马程序员（知名Java培训机构）的经典课程项目，项目描述中的技术方案（Lua脚本+Redis预扣减、Redisson分布式锁、逻辑过期+互斥锁等）与该课程内容高度吻合。面试中需要重点验证候选人是否真正理解这些方案，还是仅仅跟着教程实现。
-
缺乏独立项目或实际业务经验：两个项目均为学习型项目，没有企业实习经历或独立开发的项目。对于一个成绩前10%的浙大学生来说，缺少实习经历略显单薄。
-
技术描述存在"堆砌"倾向：简历中出现较多量化数据（如"2000+ QPS"、"500ms降至20ms"、"节省90%存储空间"），但在没有实际线上环境验证的情况下，这些数据的可信度需要质疑——学习项目通常不具备真实的压测环境和用户流量。
-
框架了解偏"使用层面"：JD要求"了解核心源码与设计模式"，但简历仅描述了框架的使用，未体现对源码的理解深度。
四、JD匹配度评估
| 维度 | 评分 | 说明 |
|---|---|---|
| 技能匹配 | ⭐⭐⭐⭐☆ | Java基础、框架、数据库、中间件与JD传统后端要求高度匹配；但LLM相关技能完全缺失 |
| 经验匹配 | ⭐⭐⭐☆☆ | 2026届浙大本科符合学历要求；但无实习经历，项目均为学习型，缺乏实际业务经验 |
| 项目匹配 | ⭐⭐⭐☆☆ | 项目覆盖了高并发、微服务等场景，但疑似培训课程项目，且完全没有LLM/AI应用项目 |
| LLM技能匹配 | ⭐☆☆☆☆ | JD核心考察的RAG、向量数据库、Prompt Engineering、LangChain4j、Agent等全部缺失 |
| 综合匹配度 | 55% | 传统Java后端基础扎实且匹配度高，但岗位对LLM能力有明确要求（既是加分项也是核心考察点），该维度完全空白拉低了整体匹配度 |
五、建议面试问题
验证性问题
Q1: 黑马点评项目中，你提到用"Lua脚本+Redis原子操作"实现库存预扣减并支撑2000+ QPS，请详细描述一下这个Lua脚本的具体逻辑？2000+ QPS这个数据是如何测试得出的？用的什么压测工具和环境？ - 考察目的：验证候选人是否真正理解秒杀方案的实现细节，还是仅仅照搬培训课程代码；验证性能数据的真实性 - 参考回答要点：能说清Lua脚本中判断库存、判断一人一单、扣减库存的原子操作流程；能说出压测工具（如JMeter/wrk）、测试环境配置、并发线程数等具体参数；诚实说明是本地测试还是线上数据
Q2: 你的多级缓存架构中，"逻辑过期+互斥锁"具体是怎么配合工作的？如果互斥锁获取失败，返回的是什么数据？这种方案和直接设置TTL过期有什么区别？ - 考察目的：验证对缓存一致性方案的深入理解，区分"背方案"和"真理解" - 参考回答要点：能解释逻辑过期不设置真实TTL、由后台线程异步重建缓存、锁失败返回旧数据的完整流程；能对比分析与直接TTL的优劣（可用性 vs 一致性权衡）
Q3: 企业协同办公系统中，你使用Spring Security + JWT实现无状态认证，那JWT的token过期后如何处理？如果需要强制让某个用户的token失效（如踢人下线），在无状态架构下你会怎么做？ - 考察目的：验证候选人对JWT机制的理解是否超越了"会用"的层面，能否思考实际场景中的问题 - 参考回答要点：了解JWT无状态的局限性；能提出黑名单机制（Redis存储已失效token）、短过期时间+Refresh Token等方案；能分析各方案的优劣
Q4: 你提到使用Redis GEO实现附近商户搜索，响应从500ms降至20ms。请问Redis GEO底层用的什么数据结构？GeoHash的精度是怎么控制的？如果商户数据量从1万增长到100万，这个方案还能保持20ms的响应吗？ - 考察目的：验证候选人对Redis GEO的理解深度以及面对规模增长时的思考能力 - 参考回答要点：知道底层是Sorted Set + GeoHash编码；理解GeoHash精度与位数的关系；对大数据量场景能提出分片、限制搜索范围等优化思路
能力考察问题
Q1: 假设现在要你从零设计一个简单的RAG（检索增强生成）系统，用于公司内部知识库问答。请描述你的技术方案，包括数据处理、向量化、检索、生成的完整链路。 - 考察目的：考察候选人对LLM应用核心架构的认知（JD核心要求），评估其学习潜力和技术视野 - 参考回答要点：能描述文档分块(Chunking)、Embedding向量化、向量数据库存储与检索、Prompt组装、LLM生成的基本流程；即使没有实操经验，能展示出清晰的技术思路和自学能力即为加分
Q2: 在你的秒杀系统中，Redis和数据库之间的数据一致性是怎么保证的？如果RabbitMQ消费失败了怎么办？消息重复消费怎么处理？ - 考察目的：考察候选人对分布式系统数据一致性问题的理解深度 - 参考回答要点：能描述最终一致性方案；了解消息确认机制（ACK）、死信队列、重试策略；能提出幂等性方案（如唯一订单号）解决重复消费
Q3: 你了解JVM垃圾回收机制，请对比一下CMS和G1收集器的区别？在什么场景下你会选择G1而不是CMS？如果线上出现频繁Full GC，你的排查思路是什么？ - 考察目的：JD要求"精通JVM原理及调优"，考察候选人是否具备JVM调优的实战思路 - 参考回答要点：能从内存分区模型、回收算法、停顿时间目标等维度对比CMS和G1；Full GC排查能提到查看GC日志、分析堆dump、排查内存泄漏、调整JVM参数等步骤
Q4: 如果让你用Java调用一个大模型API（如通义千问），实现一个简单的多轮对话功能，你会怎么设计？需要考虑哪些问题？ - 考察目的：评估候选人对LLM API交互的基本认知和工程化思维 - 参考回答要点：能考虑到上下文管理（历史消息拼接）、Token限制与截断策略、流式响应（SSE）、异常处理与重试、API Key安全存储等问题
风险探测问题
Q1: 你的两个项目（黑马点评和协同办公系统）是自己从零搭建的，还是跟着课程/教程做的？在做这些项目的过程中，你遇到的最大的一个"课程里没教、需要自己解决"的问题是什么？ - 考察目的：直接探测项目的真实性和候选人的独立解决问题能力；培训课程项目本身不是问题，关键是候选人是否有超出课程的独立思考 - 参考回答要点：诚实回答项目来源加分；能说出具体的、非典型的问题和自己的解决过程说明有真实动手经验；如果只能复述课程内容则需要警惕
Q2: JD中大模型相关的技能是核心考察点，我注意到你的简历中没有这方面的经验。你对大模型应用开发（如RAG、Agent、Prompt Engineering）了解多少？有没有做过相关的自学或尝试？ - 考察目的：直接评估候选人对岗位核心要求的认知和学习意愿，判断其是否有潜力快速补齐这块短板 - 参考回答要点：能展示出对LLM领域的关注和基本认知（即使没实操）；有自学计划或已经开始学习的为佳；如果完全不了解，则岗位匹配风险较高
Q3: 你简历上写的成绩排名前10%，但项目经历都是学习项目，为什么没有争取实习机会？大学期间除了课程学习和这两个项目，还做了哪些与技术相关的事情？ - 考察目的：了解候选人的时间分配和主动性，评估其技术热情是否仅停留在"完成课程"层面 - 参考回答要点：能给出合理解释（如科研、竞赛、社团等）；有额外的技术探索经历（如开源贡献、技术博客内容、竞赛等）说明技术热情较高
六、总结建议
建议：可以进入面试，但需重点考察两个维度。
候选人的优势面：浙大985背景 + 前10%成绩 + 完整的Java后端技术栈，基本功在实习生候选人中属于中上水平。传统后端技能（Spring Boot/Cloud、MySQL、Redis、MQ）与JD要求匹配度较高。
核心风险点： 1. LLM能力缺口是最大障碍。该岗位一半职责围绕大模型应用落地，且LLM技能被列为"核心考察点"。候选人在此维度完全空白，面试中需要判断其学习意愿和潜力能否弥补这个缺口。 2. 项目真实性存疑。"黑马点评"是广为人知的培训课程项目，面试中需通过深挖细节来判断候选人的真实技术理解深度，而非简单的"背八股文"能力。
面试重点方向： - 花30%时间深挖项目细节，验证技术理解深度（而非背诵能力） - 花40%时间考察LLM相关认知和学习潜力，这是决定是否录用的关键 - 花30%时间考察Java基础和系统设计思维，评估其成长天花板 ```
以上就是一个简单的SKILL的实现过程了，因为有了create-skill这个skill，创建Skill其实就非常简单了。SKILL.md的内容，针对其中的内容，你可以做你自己的修改。比如你如果想要让他最终给你输出的是一个网页而不是仅仅是一个md的话，也可以让他给你改，直接改SKILL.md或者是直接和qoder对话都可以。 有了上面的skill之后，你可以把它内容复制过去，放到你自己的qoder、cc、cursor等中，帮你分析分析你的简历。或者是你也可以自己构造一个简历优化的Skill。