Project Showcase Enhancer

SKILL.md

---
name: project-showcase-enhancer
description: 个人项目展示增强器，将 Demo 级个人项目推演为商用级完整产品，生成可用于个人简历网站的高质量项目展示文档，并输出面试备考手册。This skill should be used when the user wants to analyze a personal project codebase, evolve it from a demo to a commercial-grade product, generate polished showcase documentation for a portfolio website, or prepare project-related interview responses. 触发场景：用户提到"分析我的项目""展示项目""包装项目""推演商用""项目展示文档""项目说明书""项目亮点""面试准备项目""帮我写项目介绍"等。
slug: project-showcase-enhancer
displayName: 个人项目展示增强器
version: 1.0.0
summary: 将能跑的 Demo 级个人项目推演为商用级完整产品，一键生成项目展示文档与面试备考手册；融合脚本确定性扫描与 LLM 深度语义理解，打通从代码分析到面试准备的全链路。
license: MIT
agent_created: true
---

# 个人项目展示增强器 (Project Showcase Enhancer)

## 模型要求

**本技能依赖高推理能力的大模型。** 在开始任何分析前，向用户确认当前使用模型，并明确告知：
- 推荐模型：Claude Opus 4.6 / DeepSeek v4 Pro / GPT 5.6 或同等级别的高推理模型
- 低推理模型可能导致：代码理解肤浅、商用推演模板化、面试题预测质量差
- 如果当前模型不满足要求，建议用户切换后再使用

## 核心理念

采用 **硬编码字典快速扫描 + LLM 深度语义理解** 的混合架构，而非单纯依赖其中一种：

1. **快速扫描层（脚本）**：`scripts/scan_project.js` 用硬编码字典在秒级完成目录遍历、技术栈识别、依赖提取，输出结构化 JSON——确定性高、速度快、不消耗 token
2. **深度理解层（LLM）**：基于扫描 JSON + 实际阅读关键源文件，进行语义级的架构分析、代码质量评估、业务逻辑梳理——只有 LLM 能做的事
3. **推演共创（对话）**：与用户多轮对话，将 Demo 推演为商用级产品方案
4. **包装输出（模板）**：基于 `assets/` 下的模板生成项目展示文档 + 面试备考手册

---

## 内置资源

| 资源 | 路径 | 用途 |
|------|------|------|
| 项目扫描器 | `scripts/scan_project.js` | 硬编码字典扫描→JSON，用法：`node scripts/scan_project.js <项目目录>` |
| 简历解析器 | `scripts/parse_file.py` | 解析 PDF/DOCX/TXT 简历，用法：`python scripts/parse_file.py <文件路径>` |
| 展示文档模板 | `assets/showcase-template.md` | 项目展示文档输出模板 |
| 面试备考模板 | `assets/interview-prep-template.md` | 面试备考手册输出模板 |

---

## 工作流程

### 阶段 0：项目定位（入口）

首次触发时，向用户确认以下信息（一次性问完，不要逐个问）：

1. **项目路径**：要分析的项目代码在哪个目录？
2. **使用场景**：用于个人简历 / 面试 / GitHub 展示 / 作品集网站？
3. **目标岗位方向**（可选）：前端 / 后端 / 全栈 / 产品 / 架构等——用于面试题预测的针对性
4. **特别说明**（可选）：用户对这个项目的原始想法、希望突出的点

如果用户提供了简历文件，运行 `scripts/parse_file.py` 将 PDF/DOCX 转为纯文本，供阶段 3 面试准备使用。

---

### 阶段 1：深度代码理解

#### 1.1 快速扫描（脚本层）

首先运行扫描脚本获取结构化数据：

```bash
node scripts/scan_project.js <项目目录>
```

该脚本输出 JSON，包含：
- `techStack`：按 runtime/framework/build/css/test/orm/deploy 分类的技术栈清单
- `dependencies`：完整依赖列表（从 package.json 等提取）
- `directoryStructure`：全目录树（含职责标注）
- `entryFiles`：检测到的入口文件
- `configFiles`：配置文件清单
- `readmeContent`：README 原文（最多 5000 字符）
- `packageJson`：项目元信息
- `fileStats`：文件统计

#### 1.2 深度阅读（LLM 层）

基于扫描 JSON，LLM 应完成以下分析：

- **技术栈深度分析**：扫描 JSON 给出了依赖列表，LLM 需要分析每个关键依赖的用途、版本是否合理、是否有替代方案
- **目录与模块理解**：扫描 JSON 给出了目录树 + 职责标注，LLM 应阅读关键目录下的核心文件，理解模块划分和数据流
- **入口文件解读**：阅读入口文件，理解启动流程、路由结构、中间件链
- **配置文件分析**：阅读 `.env` / `application.yml` 等，理解部署环境、第三方服务依赖
- **README 意图提取**：从 README 中提取用户的原始产品意图

#### 1.3 代码质量评估

对以下维度给出客观评分（1-10）和具体说明：

| 维度 | 评分 | 说明 |
|------|------|------|
| 代码组织与模块化 | /10 | |
| 错误处理 | /10 | |
| 类型安全 | /10 | |
| 测试覆盖 | /10 | |
| 安全性 | /10 | |
| 性能设计 | /10 | |
| 可部署性 | /10 | |
| 文档完整度 | /10 | |

每个评分附带具体证据（文件名 + 行号或具体现象）。

#### 1.4 现状总结

用一段话描述项目的**当前状态**，向用户展示并确认后进入阶段 2。

---

### 阶段 2：商用推演对话

#### 2.1 理解用户愿景

通过对话了解（一次问 2-3 个问题）：

- **目标用户**：谁会使用？规模多大？
- **核心卖点**：差异化优势是什么？
- **商业模式**（可选）：如何变现？
- **上线紧迫度**：计划多久上线？MVP 范围是什么？

#### 2.2 差距分析

基于阶段 1 的代码画像 + 阶段 2.1 的愿景，列出 Demo → 商用的差距：

```
【功能差距】
- 缺失：{功能点} — {优先级：P0/P1/P2} — {说明}

【工程化差距】
- 缺失：{工程实践} — {为什么需要} — {建议方案}

【运维差距】
- 缺失：{运维能力} — {为什么需要} — {建议方案}
```

#### 2.3 演进路线图

```
第一阶段（MVP）  — {目标}
  1. {关键任务}
  2. {关键任务}

第二阶段（完善）  — {目标}
  1. {关键任务}
  2. {关键任务}

第三阶段（商用）  — {目标}
  1. {关键任务}
  2. {关键任务}
```

#### 2.4 确认

向用户展示完整差距分析 + 路线图，确认后进入阶段 3。

---

### 阶段 3：生成交付物

#### 3.1 项目展示文档

读取 `assets/showcase-template.md`，基于阶段 1 和阶段 2 的分析填充模板。

**填充要求**：
- **核心亮点**：从技术深度、架构设计、产品思维等角度提炼 5 个亮点，每个亮点有具体证据支撑
- **功能模块**：按业务领域组织
- **技术栈**：完整选型表，每项说明选型理由
- **架构设计**：整体架构 + 数据流 + 核心设计决策
- **演进记录**：从 Demo 到商用的变化
- **部署说明**：可执行的部署步骤

**输出位置**：`{项目名称}-展示文档.md`

#### 3.2 面试备考手册

读取 `assets/interview-prep-template.md`，基于项目理解 + 岗位方向生成。

**15 道面试题规则**：

1. **必问题（5 题）**：做项目的候选人必然被问到（介绍项目、负责部分、最大挑战、技术选型理由、重来会改什么）
2. **针对性题（5 题）**：针对项目的技术决策、架构设计、代码薄弱点——每题关联阶段 1.3 的低分维度或阶段 2.2 的差距项
3. **追问题（5 题）**：针对技术亮点深挖——每题关联具体代码文件或设计决策

**每道题结构**：题目 → 考察点 → 答题策略 → STAR 框架

**输出位置**：`{项目名称}-面试备考手册.md`

#### 3.3 最终确认

两份文档生成后，向用户展示摘要，确认内容准确性和输出格式。

---

## 触发短语参考

- "分析/看看/梳理/帮我看下我的项目"
- "帮我包装/展示/介绍个人项目"
- "这个项目怎么推演/演进到商用"
- "生成/写一份项目展示文档/说明书"
- "项目亮点怎么提炼/怎么写"
- "从面试角度/面试官视角审视这个项目"
- "准备项目相关的面试/面试题"
- "我的作品集项目怎么展示"

---

## 重要约束

1. **脚本优先**：阶段 1 必须先运行 `scan_project.js` 获取结构化数据，再进行 LLM 深度分析
2. **不跳过对话**：每个阶段向用户确认后进入下一阶段
3. **不明知故问**：用户已提供的信息不重复提问
4. **用代码说话**：阶段 1 分析必须引用具体文件名、函数名、代码片段
5. **亮点不虚构**：展示文档中的亮点必须有代码或架构层面的依据
6. **面试题有针对性**：每道面试题必须关联项目中的具体代码/设计