新星榜
口袋茶盒畫師
把一張或數張圖片轉譯成「口袋茶盒」風格的手繪插畫封面：詩意命名＋手寫書法標題＋英文小字＋一句手寫小詩＋側邊資訊色條，保留原圖主體，單主色自然意象構圖；多圖時自動系列化，可拼成一面收藏牆。
現代冷色調藍綠工程師風格簡報
打造專業、數據驅動的簡報藍圖，融合精緻的工程師美學。此技能專門生成結構化的簡報框架，結合簡潔的視覺、現代冷色調色盤及第一人稱視角。透過優先採用數據優先的敘事方式，而非情感化的修辭，幫助您建構既技術精確又充滿乾貨的內容，適合直接、務實的聽眾分享見解。 從聚焦的諮詢開始，流程會識別您的具體目標、偏好語氣和限制，確保輸出符合您的個人風格。接著進行即時網路研究，收集可驗證的統計數據、比較性資料和反直覺的事實，確保每張投影片都基於現實而非籠統概括。最終輸出是一個完整的逐張投影片提示框架，包含具體的視覺化建議、互動式聽眾元素，以及為您的演講設計的節奏時間指南。 專為欣賞極簡主義和技術隱喻的人設計，生成的框架具有高資訊密度但不雜亂。它採用終端機啟發的設計線索、精確的資料表格和微妙的幽默，讓您的聽眾專注於核心見解。無論您是進行技術比較還是個人發現，您都會獲得一份即用文件，可直接匯入您喜愛的投影片生成工具或作為手動設計指南。
Target Role: Software Engineer, AI/ML, Shopping Experiences | Google Commerce | ~2 years experience
Candidate: Patricia Shaw Target Company: Google (Commerce / Shopping Experiences) JD Compensation: $147,000 – $211,000 base + 15% bonus target + equity + benefits
Fit Assessment: This role is a significantly stronger match for Patricia's profile than the previously analyzed OpenAI role. The minimum qualifications require a Bachelor's degree (Patricia has a Stanford MS) and 2 years of software development experience (Patricia has ~2 years including her internship and full-time role). The preferred Master's degree in Computer Science is a direct match. The primary gaps are the 1-year LLM and 1-year ML/GenAI experience requirements — minimum qualifications that are not yet evidenced on her resume. Her Stanford CS coursework almost certainly included ML/AI foundations, and strategic surfacing of relevant coursework and projects can partially bridge this gap.
1. Resume Diagnosis
ATS Score: 37/100
Breakdown:
-
Keyword Match: 48% — The resume covers core software development keywords (Python, Java, React, algorithms, database optimization, cross-functional collaboration) but completely lacks the JD's AI/ML-specific vocabulary: Large Language Models, machine learning, predictive models, Generative AI, AI/ML quality evaluation, production-quality LLM systems.
-
Formatting Compatibility: 35% — Two-column layout (navy sidebar + white main body), circular section icons, visual timeline with nodes, and graphic design elements create high ATS parsing risk. Google's ATS (Google Hire/GCN) is particularly sensitive to multi-column layouts.
-
Experience Alignment: 35% — Patricia meets the 2-year software development threshold (1 year professional + 1 year internship). She has partial alignment with software design/architecture (algorithm design, module development) and testing/maintaining/launching (deployed modules, achieved uptime). However, she has zero demonstrated experience with LLMs, ML, predictive models, or GenAI — all minimum qualifications.
-
Skills Alignment: 30% — Python (the primary ML language) is a direct match. Java, React, and algorithm design are transferable. AWS certification is adjacent. But no ML frameworks (TensorFlow, PyTorch, scikit-learn), no LLM tooling, no GenAI experience, and no explicit testing or code review skills are listed.
Top 5 Issues Preventing Interviews
1. 🔴 Critical — No Demonstrated LLM Experience (Minimum Qualification) The JD requires "1 year of experience developing and deploying production-quality systems utilizing Large Language Models (LLMs)." Patricia's resume shows zero LLM-related work. This is a hard minimum qualification — Google's ATS will likely filter out candidates who don't surface LLM-related keywords. Fix: Add a "Relevant Coursework" and/or "Academic Projects" section to surface any Stanford CS coursework involving NLP, LLMs, transformers, or language models. If Patricia has completed any self-directed projects using OpenAI API, Hugging Face, LangChain, or fine-tuning models, add a "Projects" section. Even a single LLM-related project can satisfy the keyword threshold for ATS passage.
2. 🔴 Critical — No Demonstrated ML/GenAI Experience (Minimum Qualification) The JD requires "1 year of experience with machine learning, predictive models or Generative AI." Again, zero evidence on the resume. This is a second hard minimum qualification that will trigger ATS filtering. Fix: Surface any Stanford coursework in machine learning, deep learning, statistical modeling, or AI. If Patricia completed ML projects (even academic), list them with technologies used (e.g., scikit-learn, TensorFlow, PyTorch). If she has applied ML concepts in her current role (e.g., predictive algorithms, data-driven optimization), reframe those bullets to highlight the ML angle.
3. 🔴 Critical — Two-Column Resume Layout with Icons and Graphics The navy sidebar layout, circular section icons, and visual timeline create significant ATS parsing risk. Google's applicant tracking system may jumble sidebar content with main body text, losing critical skills and certification data. Fix: Convert to a single-column, top-to-bottom layout. Remove all icons, graphics, timelines, and visual design elements. Use plain-text section headers. Save as .docx or plain-text PDF.
4. 🟡 Medium — No Explicit Testing, Code Review, or Documentation Experience The JD's responsibilities include writing and testing code, participating in design reviews, reviewing others' code, contributing to documentation, and triaging/debugging issues. Patricia's resume implies some of these (she deployed modules, optimized queries) but never explicitly mentions testing practices, code reviews, documentation contributions, or debugging methodologies. Fix: Add testing-related keywords to experience bullets (e.g., "tested and deployed," "unit testing," "code review"). If Patricia has participated in code reviews or written documentation, surface that explicitly. Add testing frameworks to the Skills section if applicable (e.g., pytest, JUnit).
5. 🟡 Medium — No Evidence of AI/ML Quality Evaluation (Preferred Qualification) The JD prefers "1 year of experience in AI/ML quality evaluation and improvement." While this is a preferred (not minimum) qualification, its absence puts Patricia behind candidates who have it. Given her strong optimization background (25% efficiency improvement, 40% load time reduction), she has transferable skills in quality measurement and improvement — just not specifically in AI/ML contexts. Fix: If Patricia has any experience evaluating model outputs, testing ML system quality, or working with evaluation metrics (precision, recall, F1, A/B testing), surface it. Frame her existing optimization work as evidence of a data-driven, metrics-oriented approach that transfers to ML quality evaluation.
2. ATS Keyword Analysis
Keyword Match Summary
職涯達人
分析使用者的履歷與目標職位描述，運用 Google 的 XYZ 公式產出經 ATS 優化且獲招聘人員認可的履歷改寫版本，並附上面試準備、求職信片段及薪資談判指引，最終以儲存文件形式提供。
高校教師備課一站通 v2.1.1
1.備課從5小時到10分鐘，備課時間取決於你的網速及複製貼上的速度，教學品質反而提升。 2.這不是AI摘抄器，是專業教學設計系統。 3.該工具適用於醫學專業，大學部到研究所課程。 !!!專為醫學與護理專業教師打造的端到端智能備課系統，旨在將繁瑣的教學籌備轉化為標準化的專業產出。該系統緊扣課程大綱主線，能夠自動解析教材知識點，並基於 BOPPPS 教學模型生成涵蓋理論課、實驗課及臨床見習等多種課型的教學方案。從教學目標的確定到參與式學習活動的策劃，每一步都嚴格遵循學術規範，確保教學邏輯的嚴密性與科學性。
文物元素提取器
先忠實提取，再創意轉譯。 「文物元素提取器」面向文博愛好者、設計師、教師和內容創作者，把一張有權使用的文物或器物照片拆解成可重複使用的外輪廓、主體紋樣、邊飾、重複單元、孔洞與負形、構圖骨架，也可在說明限制的前提下提取照片中的色彩關係。 預設採用兩步式文創工作流：第一步先判斷照片證據，列出可提取元素，生成一張元素拆解板，並給出三個適合的應用方向；你選擇包裝、海報、圖標、書籤、貼紙或連續紋樣等一個方向後，第二步才生成應用預覽和設計說明，以減少無用生成。 每次輸出都會明確區分「原物直接提取」「為可用性進行的簡化」「現代創意轉譯」和「證據不足／保持不確定」，避免把現代設計誤稱為原始紋樣。單張斜拍、低清、反光、遮擋或殘損照片只處理可見內容，不補出背面、剖面或完整器形；銘文和符號始終按圖形處理，不自動翻譯、套字體或補筆。 如果你明確提出考古繪圖、器物線圖、正投影、剖面、測量或報告圖草案，技能會切換到專業繪圖模式，輸出證據分級、繪圖方案、複核清單和 Risk note。 本技能不提供真偽鑑定、斷代、估價或商業授權判斷。請只上傳自有或已獲授權的照片；商用前請自行核對圖像版權、館藏方要求和相關授權。
初高中作業批改考點練習一站通
上傳孩子作業，自動批改並關聯中高考真題，生成考點診斷和可選微訓練。家長上傳作業即可獲得快速批改、薄弱考點、真題關聯和5—10分鐘可選訓練。 沒有標準答案也能批改孩子作業，輸出錯題解析、中高考考點及可延後訓練。極大減輕家長負擔！
醫學職場晉升之---科普鏈路編排終結器
面向醫護人員（醫生 / 護士 / 醫技），輸出一套可直接落地、適配職稱晉升、課題申報、科普立項、自媒體營運的完整醫學科普策劃鏈路，一次性閉環，避免反覆返工，也就是「終結反覆修改、思路零散」的痛點。
Skill 設計師
不會寫 Skill？說一句話就行。 Skill 設計師是一個「教你寫 Skill 的 Skill」——它用7層元框架（意圖定義→輸入分類→工作流程設計→工具策略→輸出規範→約束與邊界→可組合性與測試），把你的模糊想法變成結構完整、可直接執行的 YouMind Skill。 支援兩條路徑：從零設計（描述你的想法，它自動追問缺失資訊，跑完七層框架，直接建立 Skill）和審查改進（把已有 Skill 草稿發給它，逐層診斷問題並給出改進建議）。資訊不足時自動追問，給出選項而非開放式提問，降低回答成本。最終直接呼叫 createSkill 建立可用的 Skill，無需手動編寫指令。 適合想把自己的經驗沉澱為技能、但不知道從何下手的創作者。
PPT轉彙報
📋 **正式彙報材料，從PPT到成稿只需一步** 上傳PPT，自動提取全部內容，按五段式標準結構（整體情況→關鍵技術→創新成果→推廣實踐→項目總結）重組為口語化彙報文字材料。頁碼標記、時間標記、創新點加粗，一鍵到位。 ✨ **核心能力** - 🔍 **智能提取**：自動讀取每頁標題、正文、表格、備註 - 📐 **五段重構**：標準鑑定彙報骨架，邏輯清晰 - 🗣️ **口語化改寫**：PPT要點變連貫敘述，不是照搬 - 🏷️ **精準標記**：頁面標記+時間標記，對照原PPT一目了然 - ✍️ **創新點加粗**：重點突出，評審一眼看到亮點 - 📄 **雙格式輸出**：Markdown直接用 + Word文檔存檔 👥 **適用人群** - 項目負責人 → 鑑定會/評審會彙報材料 - 技術骨幹 → 成果鑑定/驗收彙報 - 任何需要將PPT轉為正式彙報文字的人
週報一鍵生成
請提供本週的工作內容（任意格式均可）： 📝 每天日報條目（如：週一做了XX，週二做了YY） 🗒️ 工作筆記/待辦列表 📋 會議紀要/專案更新 範例輸入： "週一完成聯調bug，週二參加評審會，週三處理資料遷移完成80%，週四寫大模型方案2000字，週五巡檢" 可選：指定輸出風格（標準風/簡潔風/技術風/管理風），預設標準風。
歷史上的今天
📅 每一天，都是歷史的摺疊。 輸入一個日期，瞬間穿越時光——從古代到現代，從東方到西方，6-10 件改變世界的大事沿著金色時間軸依次展開。 🔍 核心功能： 連網檢索真實歷史事件，覆蓋政治、科技、文化、軍事、探險等多領域 縱向時間軸長圖，事件卡片左右交替，典雅厚重的設計風格 每個事件配有年份、標題、簡述和領域標籤，一目了然 入場動畫帶來「展開卷軸」的儀式感 🎯 適用場景： 每日晨間好奇：「今天歷史上發生了什麼？」 生日/紀念日特別版：「我出生那天，世界在經歷什麼？」 歷史課素材、公眾號選題靈感、朋友圈知識分享 純粹的好奇心滿足——歷史原來這麼近 輸入一個日期，開始你的時光旅行。⏳ 輸入一個日期，開始你的時光旅行。⏳
文獻洞察與方向探索
基於研究領域關鍵詞，檢索 SCI/SSCI 與中文核心期刊文獻，生成結構化文獻綜述與創新方向報告；逐篇收錄可核驗之原文摘要，並透過空白填補和方法遷移提出附有可行性評估之候選方向。
UGC 影片生成
一段逼真的 15 秒 UGC 風格直立式廣告，在真實的日常生活場景中展示 OnePlus Nord Buds 4。影片透過自然的使用者互動，突顯優質音效、強勁低音、清晰音質、全天候舒適度及時尚現代設計。專為學生、年輕專業人士、音樂愛好者、通勤族、健身愛好者以及 18–35 歲的 Z 世代與千禧世代設計，他們追求沉浸式無線音訊體驗。採用手持智慧型手機風格的攝影手法、電影級特寫、真實表情與鮮明視覺效果，該廣告針對 Instagram Reels、YouTube Shorts、Facebook Reels 與 TikTok 進行最佳化，最後以明確的行動呼籲「現在就在 Amazon 上購買」結尾。
兒童恐龍描寫練習本
生成專為學齡前及幼兒園兒童設計的可列印恐龍描寫練習冊頁面。每頁包含可愛的恐龍插圖、虛線描寫輪廓、可描寫的恐龍名稱，以及簡單的學習活動，採用一致的黑白風格，非常適合教育練習冊。 保持練習冊中每頁的插圖風格一致。每隻恐龍應使用相同的線條粗細、比例、臉部風格和頁面布局。確保所有頁面看起來都屬於同一本專業設計的活動書。
會議記錄轉推文/Newsletter/公眾號——內容放大器
把會議記錄變成4份可發布的內容資產：自動脫敏、提煉洞察洞察文檔、生成匹配你個人風格的推文和Newsletter。 首次使用自動學習你的寫作風格和內容主題，越用越懂你。 一次開會，四倍槓桿。
小紅書懶人起號工具
1. wb-xhs-monetization-backsolve 融合： 小紅書帳號的變現路徑倒推、帳號定位和內容方向。 yanliudreamer 的 timing 判斷、個人 IP 路線、長期表達能力和 10-20 條驗證思路。 視覺導演的「不同信任路徑需要不同視覺信任感」判斷。 核心變化：不只問「怎麼變現」，還要回答「為什麼現在做、為什麼是你、你能否長期講下去，以及需要建立什麼視覺信任」。 2. wb-xhs-low-follower-pattern 融合： 小紅書的低粉高數據樣本拆解。 yanliudreamer 的點擊率 × 停留時長 × 互動率，以及五類用戶底層需求。 dbskill 的對標過濾、傳播原因和共鳴機制判斷。 視覺導演的封面構圖、主視覺、頁間節奏和手機端可讀性檢查。 核心變化：不再只模仿樣本形式，而是判斷它究竟在哪個數據環節有效、哪些內容和視覺機制可以遷移。 3. wb-xhs-account-profile 融合： 小紅書的帳號檔案和長期記憶。 yanliudreamer 的信任資產、個人 IP 故事、人設垂直和評論/私信反饋寫回。 dbskill 的個人語言樣本、可信證據和 AI 文風校準。 視覺導演的畫幅、色彩、字體、組件和禁用反模式組成的視覺身份。 核心變化：帳號檔案從靜態風格說明升級為可持續更新的「信任名片 + 內容與視覺記憶」。 4. wb-xhs-topic-bank 融合： 小紅書的選題矩陣和標題公式。 yanliudreamer 的五類用戶需求與發帖前三問。 dbskill 的標題觸發器、標題硬檢和可追溯的觸發原因。 視覺導演的封面鉤子、主視覺方向、資訊密度和頁數建議。 核心變化：選題不只是生成標題，而是同時給出用戶需求、內容承諾和可以交給視覺生產的 Brief。 5. wb-xhs-humanize-compliance 融合： 小紅書的初稿校準和發布前檢查。 dbskill 的鉤子、單一核心機制、先診斷再改寫和 5 秒開頭。 視覺導演的 6-8 頁圖文結構、資訊層級和手機端可讀性。 核心變化：去 AI 味不只是口語化，而是讓一篇內容同時更像真人、更容易被看完，也能被清楚地拆成圖文頁。 6. wb-xhs-schedule-review 融合： WorkBuddy 的前 10 條、7 天、30 天排期和復盤閉環。 yanliudreamer 的系統畫像、10-20 條驗證和爆款後順勢加深。 dbskill 的狀態記錄與結論寫回機制。 視覺導演的母版、視覺確認圖、最終圖和視覺復盤節點。 核心變化：排期不只安排發布時間，也安排內容和視覺生產；它只保存視覺約束，不替代視覺路由或圖片交付。 7. wb-xhs-visual-router 融合： 本項目已有的選題、改稿、排期所產出的標題、頁面和視覺約束。 本次新增的共用 Visual Brief、事實邊界、真實運行狀態和 QA 記錄約定。 核心變化：視覺請求有了唯一入口；它先補齊封面標題、證據和事實邊界，再分流給對應專家，不把「尚未調用圖片工具」寫成已經交付圖片。 8. wb-xhs-cover-anchor 融合： ponyodong2026/ponyo-cover-anchor-system 的資訊密度 × 視覺錨點、衝突/數字/截圖/情緒四類模板、舊封面診斷與完成封面提示詞。 生活方式封面的塗鴉描邊小清新、陽光膠片拼貼白描邊變體，以及 3:4 縮圖可讀性規則。 小紅書事實邊界：數字、截圖、案例和主體只在已確認或已獲授權時使用。 核心變化：封面不只是一個標題骨架，而是可發布的完成封面與可量化診斷；缺少證據時仍保留可信標題與構圖，不把未經證實的數據、案例或結果畫成事實。 9. wb-xhs-xiaohei-illustration 融合： helloianneo/ian-xiaohei-illustrations 的小黑角色、16:9 正文配圖、shot list、白底手繪和怪誕認知隱喻。 純白背景、黑色細線、少量紅橙藍批註，以及「小黑必須承擔核心動作」的 QA。 核心變化：把文章中的判斷、流程、狀態和隱喻轉成一眼可讀的正文認知配圖；保留 MIT 來源歸屬，重造每張圖的隱喻，不複製示例成圖或構圖。 10. wb-xhs-material-illustration 融合： op7418/guizang-material-illustration 的材質化中心解釋圖、圖表語義重畫、參考只補事實與外層卡片分工。 機制、流程、循環、層級、對比、圖表以及從中心圖拆出的物件、箭頭、角標和說明組件。 核心變化：先讓一張寬幅中心圖講清關係或數據，再沉澱可復用組件；同時需要「素材 + 封面」時，先確認封面精確標題，再分別完成兩種交付。