---
id: plan.week15
title: "第 15 周：阶段 4（上）——作品集、简历、STAR 经历、口述稿"
type: week
domain: plan
stack: [git]
week: [15]
est_hours: 12
order: 15
---

# 第 15 周：阶段 4（上）——作品集、简历、STAR 经历、口述稿

> 第四段的第 2 周。上周 `week14-backend-extend-deploy.md`，下周 `week16-interview.md`。

**本周目标**：把前 14 周的成果变成招聘方能快速看懂的材料：1~2 个重点展示的代表项目（共 3 个公开仓库）+ 1 份简历 + 3 条 STAR 工作经历 + 1 个“从问题到上线”的完整案例 + 1 个“AI 编程 + 验证方法”案例 + 1 份口述稿（含演示视频）。

**应聘材料清单（对照 BOSS直聘 2026-10-23 调研）**

调研中多个岗位在 JD 里直接写了应聘时要提供的材料：1~2 个代表项目（产品链接 / 仓库 / 截图 / 演示视频）、独立负责的范围、从问题定义到上线迭代的完整案例、AI 编程开发案例和质量控制方式，有的还要求提交 AI 会话记录；开源 / 技术博客加分（原始记录见 [research/boss-2026-10-23.md](../research/boss-2026-10-23.md)）。本周的产出逐项对应：

| 招聘方要的 | 你交付的文件 | 怎么准备 |
| --- | --- | --- |
| 1~2 个代表项目（链接 / 仓库 / 截图 / 视频） | `career/portfolio.md` | 从 3 个仓库中选 1~2 个重点展示（建议 RAG 客服问答 + Agent 项目），每个给出：仓库地址、在线演示地址（没有就写本地一键启动命令）、3~5 张截图、1~3 分钟演示视频（第 1、6 天） |
| 独立负责的范围 | `career/portfolio.md` 每个项目的“我负责的部分” | 写清哪些是自己从零设计和实现的，哪些用了框架 / 开源组件；学习项目就如实写“独立完成” |
| 从问题定义到上线迭代的完整案例 | `career/cases/problem-to-launch.md` | 按“问题和指标 → 方案和取舍 → 实现 → 上线 / 部署 → 数据 → 下一轮改进”写；素材来自第 5~6 周 RAG 评测（召回率从基线到改进后的变化）或第 12~13 周 Agent 的崩溃恢复和评测；可以参考[跨技术栈场景](../scenarios/index.md)的结构 |
| AI 编程案例 + 质量控制方式 | `career/cases/ai-coding.md` + `career/session-logs/` | 选一个用 AI 编程工具完成的功能：需求和规则（AGENTS.md / rules / Skills）、AI 产出了什么、你发现并修正了什么、怎么验证（测试、故意破坏后测试失败、代码审查、真实环境验证）；附**脱敏后**的会话记录。方法见 [AI 编程专题](../topics/ai/ai-coding/index.md) |
| 开源 / 技术博客（加分） | `career/portfolio.md` 的“文章”部分 | 可选：把 1~2 个踩坑经历写成文章（例如“SSE 流式输出经过 Nginx 被缓冲”“LangGraph 检查点续跑”） |

> 会话记录和截图在公开前必须脱敏：去掉公司名、内部地址、密钥、真实客户数据，提交前运行脱敏检查脚本（第 8 周第 2 天）。

**原则**

- **只写做过的、能演示的**：简历上每一条都要能当场打开代码或演示讲清楚。
- **数字必须是自己跑出来的**：评测指标、耗时等都来自 `evals/reports/` 或自己的记录；没有数字就写现象和做法，不编。
- **脱敏**：公司经历只写机制和自己的贡献，不写公司内部的项目名、接口、数据（总纲第 10 节）。

## 本周最终目录

```text
career/
├── resume.md                # 简历（Markdown 写，导出 PDF）
├── resume-variants/         # 针对不同岗位微调的版本
├── star.md                  # 3 条 STAR 工作经历
├── pitch.md                 # 口述稿：3 分钟架构 + 1 分钟踩坑
├── portfolio.md             # 作品清单：1~2 个代表项目的仓库、演示链接、截图、视频、我负责的部分
├── cases/
│   ├── problem-to-launch.md # 从问题定义到上线迭代的完整案例
│   └── ai-coding.md         # AI 编程案例：规则、产出、修正、验证方法
├── session-logs/            # 脱敏后的 AI 编程会话记录（配合 cases/ai-coding.md）
├── screenshots/             # 代表项目截图
├── jd/                      # 收集的岗位描述（纯文本，一个岗位一个文件）
├── keyword_check.py         # 简历和岗位描述的关键词对照
└── tests/test_keyword_check.py
```

---

## 第 1 天：整理作品集（3 个公开仓库）

### 学习内容

- 说明：招聘方看作品通常只花几分钟：先看 README 顶部（一句话介绍 + 演示动图 + 快速开始），再看目录结构和一两个核心文件。所以每个项目要单独一个公开仓库（GitHub 或其他公开平台），而不是让人在学习仓库里翻。
- 说明：**不要直接公开学习仓库的历史**：历史里可能有早期误提交的内容。最稳妥的做法是把项目目录复制到一个新仓库，作为第一次提交，再做一遍脱敏检查。
- 案例：每个仓库 README 顶部的结构

```markdown
# agent-mini：可崩溃恢复的多 Agent 编排（LangGraph + FastAPI）

![演示](docs/demo.gif)

多个 Agent（提议者、审查者、协调者）协作完成方案讨论；任务在后台执行，进程被杀后自动续跑；
需要澄清时暂停等用户回答；全过程可通过 SSE 实时查看，并生成过程报告。

**亮点**：LangGraph 检查点续跑 · interrupt 人机协作 · 租约防重复执行 · MCP 工具服务 · 评测集 + 回归测试

## 快速开始（不需要模型密钥）
docker compose up -d && open http://localhost:8100
```

- 动图：用录屏工具录 20~30 秒的关键流程（创建任务 → 流式输出 → 杀进程 → 恢复），转成 GIF 或放视频链接。

### 易错点 / 面试常问

- 易错点：公开前在新仓库里再跑一次 `python3 tools/check_sensitive.py`（第 8 周的脚本，复制过去）并人工看一遍 `git diff --cached`；`.env`、数据目录、`*.db` 都要在 `.gitignore` 里。
- 易错点：README 里的命令要在一台干净的电脑（或新目录）上从头跑一遍，常见问题是漏了依赖、端口冲突、缺示例数据。
- 面试常问：“介绍一下你的项目”——先一句话说清解决什么问题，再说架构，最后说你做的最难的一个点（第 6 天的口述稿就是答案）。

### 要建的文件

- 3 个公开仓库：`task-board`（含 `web/board-vue` 前端）、`rag-qa`（含 `web/rag-react`）、`agent-mini`；`career/portfolio.md` 记录地址和演示链接
- `career/portfolio.md` 中选出 1~2 个代表项目（建议 `rag-qa` 和 `agent-mini`），每个写：一句话介绍、仓库地址、演示地址或一键启动命令、3~5 张截图（放 `career/screenshots/`）、演示视频链接、**我负责的部分**、可以被追问的技术点
- `career/cases/problem-to-launch.md`（模板见下）和 `career/cases/ai-coding.md`（第 6 天前完成）

```markdown
# 从问题到上线：<项目名>

1. 问题和目标：谁遇到了什么问题？用什么指标衡量（例如召回率@5、首 token 延迟、崩溃后能否续跑）？基线是多少？
2. 方案和取舍：考虑过哪几种方案，为什么选这个（引用 scenarios/ 中对应场景的取舍表）
3. 实现：我负责的模块、关键设计（2~3 条）
4. 上线 / 部署：怎么部署、怎么回滚、怎么监控
5. 结果：指标变化（只写自己测出来的数字，注明测试集和方法）
6. 下一轮迭代：发现了什么 Bad Case，怎么改的，改完的数据
```

### 运行方式

```bash
mkdir ~/pub && cp -r ~/zhuangang/agent-mini ~/pub/agent-mini && cd ~/pub/agent-mini
rm -rf .venv data && git init && git add -A && git diff --cached --stat   # 检查要提交的文件
python3 ~/zhuangang/tools/check_sensitive.py && git commit -m "agent-mini 初始版本"
```

### 完成标准

- 3 个仓库公开；每个 README 顶部有一句话介绍、动图或视频、快速开始；脱敏检查通过。
- `portfolio.md` 中 1~2 个代表项目的截图、视频、负责范围齐全；`problem-to-launch.md` 每一节都有内容。

---

## 第 2 天：简历结构、学历和技能栏

### 学习内容

- 说明：简历一到两页，招聘方一般先扫 10 秒：**目标岗位、核心技能、最近的经历、项目亮点**。所以顺序是：

```markdown
# 王士奎 · AI 应用 / Agent 开发工程师
电话 · 邮箱 · GitHub · 作品集链接

## 个人优势（3 行以内）
- 7 年 Web 开发经验，参与公司多 Agent 产品的前端和网关联调，熟悉多 Agent 编排、流式输出、长任务的工程问题
- 独立完成 3 个可演示项目：LangGraph 多 Agent（崩溃续跑、人机协作）、RAG 知识库问答（混合检索、评测）、Go 全栈任务看板
- 熟练使用 AI 编程工具（Cursor 等），负责设计、审查和调试

## 专业技能
- Python：FastAPI、asyncio、pydantic、pytest
- AI 应用：LangChain、LangGraph、RAG（Chroma、BM25 混合检索、重排）、MCP、Function Calling、Agent 评测
- 前端：Vue 3、React、TypeScript、Vite、Pinia、pnpm monorepo、Vitest
- 后端：Go（Gin）、PostgreSQL / MySQL、Redis、RabbitMQ、gRPC 基础
- 工程：Docker、Compose、Nginx、Linux、CI/CD、Git

## 工作经历
（第 4 天写）

## 项目经历
（第 3 天写，项目三放第一）

## 教育经历
本科 · 学校名 · 专业 · 起止年月
```

- 说明：**学历**：写“本科”，加上学校、专业、起止时间即可。标注了“统招”的岗位也可以投递试试，结果以对方的反馈为准；准备的重点放在项目和经验上——这次调研里绝大多数岗位写的是“本科”，没看到要求 985 / 211 的。
- 说明：**技能栏**按岗位关键词排序（总纲第 4 节的表），每一项都要有项目里的对应代码；“了解”的放后面或不写，免得被追问答不上。

### 易错点 / 面试常问

- 易错点：技能栏写“精通”要谨慎，面试官会按“精通”的标准追问；一般用“熟练 / 熟悉 / 了解”区分。
- 易错点：不要把所有学过的技术都堆上去，和目标岗位无关的（比如很老的框架）删掉，突出主线。
- 易错点：简历导出 PDF 发送，文件名写“姓名-岗位-电话.pdf”；Markdown 原文留在仓库，方便修改。

### 要建的文件

- `career/resume.md`：头部、个人优势、技能栏、教育经历

### 运行方式

- 用编辑器的 Markdown 预览或 `pandoc resume.md -o resume.pdf` 导出（排版不满意就粘到简历模板里）。

### 完成标准

- 头部、个人优势、技能栏、教育经历写完；技能栏每项都能说出对应的项目文件。

---

## 第 3 天：项目经历怎么写

### 学习内容

- 说明：每个项目 4~6 行，格式“**背景 / 目标 → 我的设计（带关键词）→ 结果（可验证）**”。关键词就是岗位要求里的词，招聘方和筛选系统都会搜这些词。结果写可验证的东西：评测数字（来自报告）、演示链接、测试覆盖的场景。
- 案例（方括号里填你自己的真实数据，没有就删掉那半句）：

```markdown
### agent-mini · 可崩溃恢复的多 Agent 编排系统（个人项目）  GitHub 链接
技术栈：Python、LangGraph、FastAPI、SQLite、MCP、SSE、Docker
- 用 LangGraph 实现“协调者—提议者—审查者”多 Agent 编排，共识条件 + 最大轮数兜底，路由规则可单元测试
- 编排状态用检查点持久化，任务表 + 租约保证同一任务只被一个进程执行；演示中 kill -9 后重启可自动续跑
- 用 interrupt 实现“需要澄清时暂停等用户回答”，支持换模型后从检查点恢复
- 用 MCP 实现知识库工具服务，可同时被 Cursor 和自己的 Agent 调用
- 建立 [N] 条用例的评测集（规则检查 + 模型评分），调整提示词后通过率从 [x] 提升到 [y]（见仓库 evals/reports）

### rag-qa · 带引用的知识库问答（个人项目）  GitHub 链接
技术栈：Python、FastAPI、Chroma、BM25、Redis、LangChain、React
- 手写加载—切分—向量化—检索—带引用生成全流程，检索不到时直接拒答，减少编造
- 实现 BM25 + 向量混合检索（RRF 融合）和重排，用 [N] 题评测集对比：Hit@K [x] → [y]
- Redis 实现会话记忆、嵌入缓存和答案缓存（按知识库版本失效）；SSE 流式输出

### task-board · 团队任务看板（个人项目）  GitHub 链接
技术栈：Go、Gin、PostgreSQL、Redis、Redis Streams、Vue 3、Docker、Nginx
- 多人看板 + 成员角色权限，拖动排序用事务保证位置一致
- Redis 实现缓存、限流、分布式锁；Redis Streams 异步处理通知，消费者幂等
- Docker Compose + Nginx 部署，CI 自动测试
```

### 易错点 / 面试常问

- 易错点：写“负责 / 参与了 XX”看不出能力，改成“用 A 实现了 B，解决了 C”。
- 易错点：评测数字一定要能在仓库里找到出处（报告文件、提交记录），面试官可能会问“怎么测的、测了多少题”。
- 面试常问：每一行都可能被追问“为什么这样做、有没有别的方案、遇到什么问题”——写完后对每一行准备一句追问的回答，记到下周的面试笔记里。

### 要建的文件

- `career/resume.md` 的“项目经历”部分

### 完成标准

- 3 个项目都写完；方括号里的数字全部替换成真实数据或删除。

---

## 第 4 天：工作经历——3 条 STAR

### 学习内容

- 说明：STAR = **情境（Situation）、任务（Task）、行动（Action）、结果（Result）**。面试官问“讲一个你解决过的难题”时，就按这个顺序讲。素材来自第 9 周的案例卡（已脱敏），三条分别对应：编排可靠性、状态权威源、业务落地。
- 说明：工作经历里写你**实际做过的部分**。如果某个问题你是发现者和分析者、方案是团队一起定的，就如实写“定位根因并提出方案”；你在学习项目里做了“若重做的设计”，可以写成“在个人项目中验证了改进方案”。
- 案例（结构示例，内容按你自己的案例卡改写）：

```markdown
### 情境
公司的多 Agent 研讨功能由前端驱动多轮调用，用户关掉页面后研讨就中断，进度无法恢复。
### 任务
定位中断原因，提出让长任务不依赖浏览器的方案。
### 行动
- 梳理前端和 Agent 网关之间的调用链，画出时序图，确认循环跑在浏览器里、服务端只做单轮调用
- 对比“前端循环”和“后台作业”两种模式，整理出状态权威源、断线续传、防重复执行三个关键问题
- 在个人项目 agent-mini 中实现了后台作业 + 检查点续跑 + 事件回放，验证方案可行
### 结果
形成了可落地的改进方案和演示；[如果方案在公司被采纳或部分实施，写实际结果；没有就不写]
```

### 易错点 / 面试常问

- 易错点：STAR 讲成流水账。行动部分只讲 2~3 个关键动作，每个动作说清“为什么这么做”。
- 易错点：脱敏——不说公司内部的系统名、接口名、表名，用通用说法（“Agent 网关”“任务表”）。
- 面试常问：“你在这个项目里具体做了什么？”“如果重来一次你会怎么做？”“最大的困难是什么？”——三条 STAR 都要能回答这三个追问。

### 要建的文件

- `career/star.md`（3 条，每条口述不超过 2 分钟）；简历的“工作经历”部分写每条的一句话版本

### 完成标准

- 3 条 STAR 写完并各口述计时一次；全部通过脱敏检查。

---

## 第 5 天：针对岗位调整简历（关键词对照）

### 学习内容

- 说明：不同岗位侧重点不同（偏 RAG、偏 Agent、偏全栈）。投递前把岗位描述（JD）保存成文本，和简历对照关键词：岗位要求里有、你也会、但简历里没写的，补上；你不会的，不要硬写，记下来作为面试准备。
- 案例：写一个小脚本做关键词对照。

```python
# 文件：career/keyword_check.py
"""用法：python keyword_check.py jd/某公司.txt resume.md"""
import re
import sys
from pathlib import Path

# 关键词表：同一组里任一写法出现就算命中（按需要自己补充）
KEYWORDS: dict[str, list[str]] = {
    "Python": ["python"],
    "FastAPI": ["fastapi"],
    "Flask": ["flask"],
    "LangChain": ["langchain"],
    "LangGraph": ["langgraph"],
    "LlamaIndex": ["llamaindex", "llama-index"],
    "RAG": ["rag", "检索增强"],
    "向量数据库": ["向量数据库", "向量库", "milvus", "chroma", "pgvector", "faiss"],
    "MCP": ["mcp"],
    "Function Calling": ["function calling", "tool calling", "工具调用", "函数调用"],
    "Agent": ["agent", "智能体"],
    "多 Agent": ["多 agent", "多agent", "multi-agent", "多智能体"],
    "评测": ["评测", "评估", "evaluation", "eval"],
    "Prompt": ["prompt", "提示词"],
    "Dify / Coze": ["dify", "coze", "扣子", "ragflow", "fastgpt"],
    "Vue": ["vue"],
    "React": ["react"],
    "TypeScript": ["typescript", "ts"],
    "Go": ["go", "golang"],
    "MySQL": ["mysql"],
    "PostgreSQL": ["postgresql", "postgres", "pgsql"],
    "Redis": ["redis"],
    "消息队列": ["消息队列", "rabbitmq", "kafka", "mq"],
    "微服务": ["微服务", "grpc"],
    "Docker": ["docker", "容器"],
    "Linux": ["linux"],
    "CI/CD": ["ci/cd", "cicd", "持续集成"],
}


def _has(text: str, word: str) -> bool:
    # 纯英文短词按“单词边界”匹配，避免 ts 命中 tests、go 命中 google
    if re.fullmatch(r"[a-z0-9/.\- ]+", word):
        return re.search(rf"(?<![a-z0-9]){re.escape(word)}(?![a-z0-9])", text) is not None
    return word in text


def found(text: str) -> set[str]:
    t = text.lower()
    return {name for name, words in KEYWORDS.items() if any(_has(t, w) for w in words)}


def compare(jd: str, resume: str) -> dict[str, list[str]]:
    need, have = found(jd), found(resume)
    return {"covered": sorted(need & have), "missing": sorted(need - have), "extra": sorted(have - need)}


def main() -> None:
    jd_path, resume_path = sys.argv[1], sys.argv[2]
    r = compare(Path(jd_path).read_text(encoding="utf-8"), Path(resume_path).read_text(encoding="utf-8"))
    print("岗位要求、简历已覆盖：", "、".join(r["covered"]) or "无")
    print("岗位要求、简历未提到：", "、".join(r["missing"]) or "无")
    print("（未提到的：会就补进简历；不会就记进面试准备，不要硬写）")


if __name__ == "__main__" and len(sys.argv) == 3:
    main()
```

```python
# 文件：career/tests/test_keyword_check.py
from keyword_check import compare, found


def test_found_uses_word_boundaries():
    assert found("熟悉 Go 和 TypeScript") >= {"Go", "TypeScript"}
    assert "Go" not in found("google tests")      # 不误判
    assert "TypeScript" not in found("pytest tests")


def test_compare():
    jd = "要求：熟悉 Python、FastAPI，有 RAG 和向量数据库（Milvus）经验，了解 Kafka。"
    resume = "Python / FastAPI；RAG（Chroma、BM25 混合检索）；Redis"
    r = compare(jd, resume)
    assert r["covered"] == ["FastAPI", "Python", "RAG", "向量数据库"]
    assert r["missing"] == ["消息队列"]
    assert r["extra"] == ["Redis"]
```

### 易错点 / 面试常问

- 易错点：关键词对上了只是第一步，简历里每个关键词都要有对应的项目描述，不能只出现在技能栏。
- 易错点：不同岗位只调整“个人优势”和项目里的侧重点，不要为了迎合岗位编造经历。

### 要建的文件

- `career/jd/`（至少收集 10 个目标岗位的描述）、`keyword_check.py`、`tests/test_keyword_check.py`；`career/resume-variants/`：偏 Agent、偏 RAG、偏全栈三个版本

### 运行方式

```bash
cd career && uv run --with pytest python -m pytest -q tests   # 用 python -m 才能导入同目录的 keyword_check
python keyword_check.py jd/某公司.txt resume.md
```

### 完成标准

- 10 个岗位都对照过一次；把多次出现、你又没准备的关键词列进下周的面试笔记。

---

## 第 6 天：口述稿和演示视频

### 学习内容

- 说明：面试里最常见的开场是“自我介绍 + 介绍一个项目”。准备两段：
  - **自我介绍（1 分钟）**：方向 + 经验 + 3 个项目一句话 + 为什么想做 AI 应用。
  - **项目讲解（3 分钟架构 + 1 分钟踩坑）**：总长不超过 4 分钟，覆盖重点 A（编排）、B（状态权威）、C（流式与长任务）中至少两项。
- 案例：项目讲解的骨架（`career/pitch.md`）

```markdown
1. 问题（30 秒）：多 Agent 任务时间长、步骤多，跑在浏览器里关页面就断，状态也说不清在哪。
2. 架构（90 秒）：对着架构图讲——API 创建任务 → 后台执行器领取租约 → LangGraph 按图执行，
   每步写检查点和事件 → 前端用 SSE 订阅事件，断线按 Last-Event-ID 补齐 → 结束写结论和报告。
   两层状态：检查点是编排草稿，任务表是对外权威。
3. 演示（60 秒）：创建任务 → 看流式输出 → 杀进程 → 重启后自动续跑 → 查看报告。
4. 踩坑（60 秒）：崩溃时正在执行的节点会重跑一次，所以有副作用的操作要幂等；
   一开始用“先查再改”领取任务，并发时两个进程都抢到了，改成带条件的 UPDATE 看影响行数。
```

- 说明：录一个 2~3 分钟的演示视频放进作品集（有些面试是线上的，可以直接共享屏幕或发链接）。

### 易错点 / 面试常问

- 易错点：讲解时一直念代码细节，面试官会失去耐心；先讲整体，细节等对方追问。
- 易错点：没有计时练习，实际讲起来会超时。至少完整讲 3 遍并录音回听。
- 面试常问：“这个项目和直接用 Dify / Coze 搭有什么区别？”（第 13 周的对比笔记）“如果用户量变大，哪里先出问题？”（SQLite 换 PostgreSQL、执行器多实例、事件推送改用消息队列）

### 要建的文件

- `career/pitch.md`（自我介绍 + 项目讲解），演示视频链接写进 `career/portfolio.md`
- `career/cases/ai-coding.md`：从第 1~14 周每周的 AI 编程练习中选 1 个最完整的功能，按下面的结构写，并把对应会话记录脱敏后放进 `career/session-logs/`

```markdown
# AI 编程案例：<功能名>

1. 任务：要实现什么，验收标准是什么
2. 给 AI 的上下文：AGENTS.md / rules / Skills 里写了什么约束（贴片段）
3. AI 的产出：生成了哪些文件；哪些直接可用
4. 我发现并修正的问题：例如边界条件遗漏、竞态、越权、测试是假的（断言为空）
5. 验证方法：单元 / 集成测试、故意破坏关键逻辑后测试变红、类型检查、代码审查、真实环境冒烟；贴命令和输出
6. 结论：AI 节省了哪些时间（如实描述），哪些部分必须自己把关
7. 会话记录：session-logs/<文件名>（已脱敏）
```

### 完成标准

- 自我介绍 ≤ 1 分钟、项目讲解 ≤ 4 分钟，各计时 3 遍；视频已录好。
- `cases/ai-coding.md` 的“验证方法”一节有可复现的命令和输出；会话记录已脱敏并通过检查脚本。

---

## 第 7 天：自查、请人审阅、阶段 4（上）验收

### 学习内容

- 说明：简历写完后最好请一位做后端或 AI 应用的朋友看一遍，问他三个问题：10 秒内看出我想找什么岗位吗？哪一条最想追问？哪一条看起来不可信？按反馈修改。
- 自查清单：

```text
[ ] 目标岗位和简历标题一致
[ ] 技能栏每一项都有项目对应
[ ] 项目经历每一行都是“做了什么 + 怎么做 + 结果”，数字都能找到出处
[ ] 工作经历已脱敏，没有公司内部名称、接口、数据
[ ] 仓库、演示链接都能打开（用手机和别人的电脑试一次）
[ ] 1~2 个代表项目都有截图和演示视频，写清“我负责的部分”
[ ] “从问题到上线”案例有问题、指标、取舍、上线和迭代数据
[ ] “AI 编程”案例写清验证方法，附脱敏后的会话记录
[ ] 简历 PDF 两页以内，没有错别字，联系方式正确
```

### 要建的文件

- 根据反馈修改 `resume.md`、`star.md`、`pitch.md`

### 完成标准（阶段 4 上半验收）

- [ ] 3 个公开仓库 + 演示视频；其中 1~2 个代表项目有截图、视频和负责范围说明（`portfolio.md`）
- [ ] `cases/problem-to-launch.md`、`cases/ai-coding.md` 写完，`session-logs/` 已脱敏
- [ ] 简历（主版本 + 3 个岗位方向版本）
- [ ] 3 条 STAR、口述稿计时达标
- [ ] 至少 1 位他人审阅过并完成修改
- [ ] 在总纲进度表勾掉第 15 周

<!-- week-topics:start -->

## 本周相关专题

> 本节由 `tools/gen_week_topics.py` 根据专题文件的 `week` 字段自动生成，请勿手改；想调整就修改对应专题文件的 frontmatter 后重新生成。

| 技术栈 | 课程 / 场景 / 面试题 |
| --- | --- |
| [AI 编程工具与验证](../topics/ai/ai-coding/index.md) | 课程：[验证 AI 产出](../topics/ai/ai-coding/02-verify-evidence.md)；场景：[团队引入 AI 编程](../topics/ai/ai-coding/scenarios/ai-assisted-feature.md)；[面试题](../topics/ai/ai-coding/interview.md) |
| [CI/CD](../topics/devops/cicd/index.md) | 场景：[多语言仓库的流水线](../topics/devops/cicd/scenarios/multi-lang-pipeline.md) |
| [Git](../topics/devops/git/index.md) | 课程：[合并、变基和撤销](../topics/devops/git/02-merge-rebase-recovery.md)；场景：[线上紧急修复和密钥误提交](../topics/devops/git/scenarios/hotfix-and-leaked-secret.md)；[面试题](../topics/devops/git/interview.md) |

**跨技术栈场景**：[客服知识库问答](../scenarios/customer-service-kb.md)

<!-- week-topics:end -->