SKILL × EVIDENCE

AI时代的技能不是“会不会用ChatGPT”这么简单

“会使用聊天机器人”不能替代AI职业技能。金宝博把技能和证据绑定：Python要有数据处理或服务项目，Evaluation要有测试集和评分标准，Prompting要进入工作流、上下文、工具与验证，而不是作为孤立的终极能力。

技能必须对应可检查成果

技能不能只写建议证据

Python熟练Python数据脚本、服务接口、测试工具

SQL / 数据熟悉数据库口径说明、清洗查询、异常检查

Evaluation了解评测测试集、Rubric、错误分析

Prompting精通提示词工作流、上下文、工具、验证

部署了解云服务可运行地址、日志、监控、回退

作品集里保留失败样本、测试设计、人工修订记录与模型版本变化。面试时说明哪些输出不能直接采用、怎样发现错误、谁承担最终责任。验证的价值来自可重复流程，而不是一句“人工检查过”。

WORK METHOD

工具名称更新很快，同一名称在不同项目中的使用深度也不同。“Python、RAG、Agent”无法告诉面试者你处理过多大数据、设计过什么测试、修复过什么故障。更有效的技能记录格式是：在什么约束下，为谁解决什么问题，独立完成哪些部分，用什么证据验证结果。

每项学习都应有一个输出。学习数据处理可以交付带口径和异常检查的分析；学习评测可以交付测试集、评分标准和错误报告；学习Agent可以交付权限受控、可回退的工具流程；学习部署可以交付运行说明、日志和故障恢复。输出越具体，学习路线越容易调整。

每阅读一篇内容，只记录四类信息：已经确认的事实、仍属于预测的判断、自己需要测试的问题、下一步可以交付的成果。事实要保存原始来源与日期；预测要标明条件；测试要说明输入和验收标准；成果要能由别人复现。这样可以减少被热门标题和工具演示带着走。

建议每月选择一个主题复盘，而不是每天更换学习方向。先查看相关岗位描述的真实任务，再完成小项目，最后根据失败案例决定是否深入。若某项能力只在教程里成功、换一份数据就失效，应回到基础知识和评测，而不是继续叠加框架。金宝博所有职业内容均为一般知识，不替代具体企业的职位说明、正式培训或就业决策。