1. 项目概述：在IDE中集成你的AI求职副驾驶

如果你是一名开发者，或者任何需要与技术岗位招聘流程打交道的求职者，那么你肯定对“求职疲劳”深有体会。那种感觉就像是在打一场信息不对称的战争：你花几个小时精心打磨一份简历，投出去后却石沉大海，因为75%的简历在ATS（求职者追踪系统）的自动筛选中就被淘汰了，根本到不了招聘经理的眼前。你为了一个面试，需要同时打开十几个浏览器标签页——一个看职位描述，一个查公司面经，一个用ChatGPT润色简历，一个在Notion里记录申请状态，还有一个在Glassdoor上查薪资。这种碎片化的、高摩擦的求职体验，不仅效率低下，更消耗人的精力和信心。

Placed Skills的出现，正是为了解决这个核心痛点。它不是一个独立的网站或App，而是一套深度集成在你日常开发工具（如Claude Code或Cursor）中的AI技能集。简单来说，它把你的IDE变成了一个功能齐全的AI求职指挥中心。想象一下，你正在写代码，突然想到要申请一个心仪的职位，你不需要切换窗口，直接在聊天框里对Claude说：“帮我根据这个Staff Engineer职位描述优化一下简历”，几秒钟后，一份针对性强、关键词匹配度高的新版简历就生成了。这就是Placed Skills带来的工作流革命。

这个项目由Exidian Technologies开发，基于Model Context Protocol（MCP）构建，这意味着它能无缝接入任何支持MCP的客户端。它打包了26个独立的AI工具，覆盖了求职的全链路：从简历创建、ATS优化、模拟面试、薪资调研、求职信生成，到申请进度追踪。所有操作都在你熟悉的终端或IDE内完成，数据在你的控制之下，体验流畅得就像在跟一个专业的职业发展顾问对话。

2. 核心设计思路：为什么是IDE集成与MCP？

2.1 场景化集成：将工具嵌入工作流，而非打断工作流

传统的求职工具，无论是网页版ATS检查器还是独立的面试练习App，都存在于你主要工作环境（编码、思考）之外。每一次使用都意味着一次“上下文切换”——你需要保存代码、打开浏览器、登录账号、上传文件……这个过程本身就有认知负担。Placed Skills的设计哲学是“无感化集成”。开发者大部分时间都在IDE里，求职相关的思考（比如“这个项目经历怎么写更好？”、“下轮面试会问什么？”）也常常在编码间隙产生。此时，工具就在手边，直接用自然语言提问，就像问同事一个技术问题一样自然。这种设计极大地降低了使用门槛，鼓励更频繁、更即时的优化，从而在求职竞争中占据先机。

2.2 技术选型：基于MCP与渐进式技能加载

Placed Skills选择基于Model Context Protocol（MCP）构建，这是一个关键且明智的技术决策。MCP可以理解为AI助手（如Claude）与外部工具和服务通信的一套标准协议。它的优势在于：

  1. 标准化与互操作性 ：MCP是开源的，被Claude Desktop、Cursor、Continue.dev等多个主流AI IDE客户端支持。基于MCP开发，意味着一次开发，多端部署，无需为每个客户端写适配代码。
  2. 安全性 ：所有API密钥和敏感操作都通过本地配置的MCP服务器进行，数据流清晰可控。用户密钥存储在本地 ~/.config/placed/credentials ，避免了将密钥直接暴露给AI模型可能带来的风险。
  3. 按需加载 ：项目采用ClawHub的“渐进式技能”格式。26个工具被分门别类放在 skills/ 目录下，例如 placed-resume-builder/ 、 placed-interview-coach/ 。每个技能目录下有一个 SKILL.md 文件，只有当用户的对话意图匹配该技能时（例如提到“简历”），Claude才会去加载对应的工具描述和API指南。这保证了IDE的轻量化和响应速度，你不会被一堆用不上的工具拖慢。

2.3 数据驱动与个性化：超越通用AI的幻觉

市面上很多“AI简历优化”服务，本质上是让通用大模型（如GPT-4）根据一些通用建议重写你的内容。这存在两个问题：一是容易产生“幻觉”，编造不存在的公司或夸大的数据；二是缺乏针对性，给出的建议可能不适用于特定行业或公司的ATS。Placed Skills的后端平台（placed.exidian.tech）显然为此做了专门优化。例如，其ATS评分和关键词分析，很可能是基于对大量真实职位描述和简历成功案例的机器学习训练，能更准确地识别哪些是“硬性关键词”，哪些是“锦上添花”。它的薪资数据也声称使用“真实市场数据”，这比通用模型基于过时或泛化网络信息给出的答案要可靠得多。这种专业化、数据驱动的后端服务，是前端技能集能提供高价值建议的基石。

3. 五大核心功能模块深度解析与实操要点

Placed Skills的26个工具被逻辑清晰地划分为五大模块，每个模块都瞄准了求职流程中的一个关键痛点。

3.1 简历构建器：不仅仅是文档编辑器

这个模块包含12个工具，其核心价值在于将简历从一个静态文档，转变为一个可编程、可动态调整的数据对象。

  • create_resume / update_resume / get_resume ：这是简历的CRUD操作。但关键在于，你提供给AI的不仅仅是文本，而是结构化的信息（很可能通过对话逐步完善）。AI会理解“在Acme Corp的Senior Engineer经历”是一个需要包含公司、职位、时间、职责列表和成就的实体。这种结构化存储为后续的模板切换、针对性优化提供了可能。
  • list_resume_templates / change_resume_template ：提供37种专业模板。这里有一个非常重要的细节： “内容保留” 。这意味着你可以在“现代创意型”和“传统ATS友好型”模板之间一键切换，而无需重新调整格式或担心内容错位。对于需要根据不同公司文化投递不同风格简历的求职者来说，这是杀手级功能。
  • export_resume_pdf / export_resume_markdown ：多格式导出。PDF用于正式投递，Markdown则可以直接粘贴到个人博客、GitHub Profile或一些支持Markdown的求职平台，保持了内容的一致性。

实操心得 ：在初次使用 create_resume 时，不要试图一次性口述完整简历。可以先提供一个粗略的大纲或LinkedIn个人主页链接，让AI生成初稿。然后，通过多次 update_resume 对话，像与编辑协作一样，逐步细化每一个项目经历，补充量化成果（如“将系统延迟降低30%”）。结构化数据是后续所有自动化的基础。

3.2 ATS简历优化器：穿透机器筛选的利器

这是最具技术含量的模块之一，包含7个工具，直接应对“75%简历被机器淘汰”的残酷现实。

  • check_ats_compatibility ：这不仅仅是检查拼写错误。一个合格的ATS检查器会扫描：文件格式（PDF是否内嵌了可识别文本）、字体使用、章节标题是否被正确解析、是否有图片形式的文字、关键词密度、是否有奇怪的表格或排版。Placed Skills的评分会指出具体问题，比如“第3段经历使用了图片，ATS无法读取”。
  • match_job 与 analyze_resume_gaps ：这两个工具通常结合使用。 match_job 给出一个匹配度分数（例如62%），而 analyze_resume_gaps 则会详细列出缺失的关键词，并将其分类。例如，对于“云原生工程师”职位，它可能指出你缺失了“Istio”和“Envoy”这两个 硬性技能关键词 ，而“CI/CD pipeline优化”属于 优先补充项 ，这为你提供了清晰的优化路线图。
  • optimize_resume_for_job 与 improve_bullet_point ：前者是全局优化，AI会根据职位描述重写整份简历的措辞。后者是局部手术，用于打磨单个成就描述。一个常见的技巧是使用“PAR法则”（Problem-Action-Result）或“STAR法则”（Situation-Task-Action-Result）来重构句子，使其更具影响力。

注意事项 ：过度优化（Keyword Stuffing）是ATS优化的大忌。有些求职者会把所有关键词不分语境地堆砌在简历里，这会被聪明的ATS系统识别为作弊，直接拒绝。Placed Skills的优化工具应该是在理解你实际经历的基础上，用更专业、更匹配的术语进行同义替换和结构调整，而不是无中生有。务必在优化后人工复核，确保每一条经历都真实、可被深入提问。

3.3 AI面试教练：从“知道问题”到“知道如何答好”

包含8个工具，它模拟的是一个经验丰富的面试官，而不仅仅是一个题库。

  • start_interview_session ：关键在于可以指定 公司 和 难度 。面试亚马逊的SDE III和面试一家初创公司的Tech Lead，问题风格和侧重点截然不同。公司专属的问题库（可能来自公开面经和职位分析）让准备更有针对性。“困难模式”可能会追问更深的技术细节或更复杂的场景假设。
  • get_interview_feedback ：这是核心价值所在。它不会只说“回答得不错”，而是会从 技术深度、逻辑清晰度、沟通结构、举例相关性 等多个维度进行打分，并给出具体的改进建议。例如：“你在解释分布式锁时提到了Redlock算法，很好。但可以补充说明它在网络分区场景下的潜在问题，以及你们团队最终为何选择了ZooKeeper的方案。”
  • start_system_design ：提供了13个真实的系统设计案例。练习时，不要急于让AI给出“标准答案”。先自己构思，画出架构图，列出关键决策点，然后再与AI的引导和反馈进行对比。AI可以扮演用户，不断提出扩展性问题（“QPS从1000增加到10万怎么办？”），迫使你深入思考系统的可扩展性和鲁棒性。
  • save_story_to_bank ：这是一个被低估的宝藏功能。行为面试（Behavioral Interview）要求你用具体故事来证明你的能力。平时积累的“故事素材”在紧张面试中容易遗忘或组织混乱。这个工具让你可以按能力标签（如“领导力”、“冲突解决”、“创新”）归档你的STAR故事，面试前快速回顾，确保每个故事都精炼、有力。

3.4 职业工具箱：覆盖求职长尾需求

这个模块的12个工具处理那些琐碎但必要的事务，将你从重复劳动中解放出来。

  • generate_cover_letter ：优秀的求职信不是简历的复述，而是建立你与公司、职位之间的独特连接。这个工具的优势在于它能同时读取你的 简历 和 职位描述 ，生成的信件会突出你最相关的经历，并解释你为什么对该特定职位和公司文化充满热情。你可以指定语气（“热情”、“专业”、“简洁”）。
  • get_company_salary_data 与 generate_salary_negotiation_script ：薪资谈判最忌信息不足。前者提供基于地点和职级的市场数据，让你心中有底。后者则提供完整的谈判剧本，包括如何回应初始报价、如何礼貌且坚定地提出 counter offer、以及如何撰写谈判邮件。它甚至会预判对方的反应并给出应对策略。
  • generate_linkedin_profile ：很多人忽略了LinkedIn个人资料的重要性。它是你的数字名片，也是猎头发现你的主要渠道。这个工具能根据你的简历，为你生成一个优化过的“About”摘要和职位头衔，融入行业关键词，提高被搜索到的概率。

3.5 求职追踪器：你的私人招聘CRM

5个工具，将一个简单的申请记录，升级为一个有分析功能的招聘管道（Pipeline）仪表盘。

  • add_job_application ：不仅仅是记录公司名和职位。理想情况下，你应该关联对应的简历版本、求职信、职位描述链接、薪资范围、招聘人员联系方式等。结构化的数据录入是为后续分析打基础。
  • update_job_status 与 Pipeline 视图：将申请状态定义为 WISHLIST （心仪列表）、 APPLIED （已申请）、 INTERVIEWING （面试中）、 OFFER （收到录用通知）、 REJECTED （已拒绝）等阶段。这让你对整个求职进程一目了然，知道该在哪个阶段投入更多精力跟进。
  • get_application_analytics ：这是数据驱动的求职。它可以告诉你：过去30天，你的“申请→面试”转化率是多少？哪个渠道（如LinkedIn、公司官网）的回复率最高？平均每个职位的面试轮次是多少？这些洞察能帮助你优化求职策略，比如发现某个类型的职位回复率低，可能需要回头重新优化简历。

4. 从零开始的完整配置与集成指南

虽然项目提供了多种安装方式，但对于大多数用户，我推荐通过Claude Code插件市场或ClawHub进行安装，这是最“无痛”的体验。下面我将详细拆解每一步，并解释其背后的原理。

4.1 前期准备：获取API密钥与本地配置

步骤1：注册与获取密钥 访问 placed.exidian.tech 并注册账号。登录后，在设置（Settings）中找到API Keys部分，创建一个新的密钥。这个密钥是你个人数据的通行证，所有通过Placed Skills发起的请求都会用它来验证你的身份并关联你的数据（如保存的简历、面试记录）。

步骤2：本地安全存储密钥 项目文档建议将密钥保存在 ~/.config/placed/credentials 文件中。这是一个符合XDG Base Directory规范的做法，比随意放在环境变量或脚本里更安全、更规范。

# 创建配置目录（如果不存在）
mkdir -p ~/.config/placed
# 将你的API密钥写入文件。注意：请用你自己的密钥替换‘your-api-key-here’
echo "export PLACED_API_KEY=pk_youractualkey1234567890abcdef" > ~/.config/placed/credentials

关键原理 ：为什么是 export 命令？这行命令实际上创建了一个shell脚本片段。当你通过终端启动某些MCP客户端时，它们会 source 这个文件，从而将 PLACED_API_KEY 设置为环境变量。这是一种常见的配置管理方式。你也可以选择手动将该环境变量添加到你的shell配置文件（如 ~/.bashrc 或 ~/.zshrc ）中，但上述方法更模块化，易于管理。

4.2 安装方式详解与选择

方式一：Claude Code插件市场（最推荐） 如果你主要使用Claude Code，这是最简洁的方式。

# 在Claude Code的聊天窗口中输入
/plugin marketplace add Exidian-Tech/placed-skills
/plugin install placed@placed-skills
  • 发生了什么？ /plugin marketplace add 命令将Exidian-Tech的插件仓库添加到你的本地市场。 /plugin install 则会从该仓库中下载名为 placed-skills 的插件包并安装。Claude Code会自动处理依赖和技能加载逻辑。
  • 优点 ：一键安装，自动更新，与Claude Code深度集成，技能触发最智能。

方式二：通过ClawHub安装（通用性强） ClawHub是一个Claude技能包管理器。如果你使用多种MCP客户端（如Cursor、Continue.dev），或者Claude Code的插件市场不可用，这是最佳选择。

# 首先全局安装clawhub命令行工具
npm install -g clawhub
# 然后安装你需要的技能包（它们是独立的，可按需安装）
clawhub install placed-resume-builder
clawhub install placed-interview-coach
clawhub install placed-career-tools
clawhub install placed-resume-optimizer
# placed-job-tracker 是curl-based工具，可能不需要通过ClawHub安装
  • 发生了什么？ clawhub install 命令会从ClawHub的中央仓库下载指定的技能包，并将其放置到Claude技能的标准目录下（例如 ~/.claude/skills/ ）。每个技能包都是独立的，包含其 SKILL.md 描述文件。
  • 优点 ：跨客户端兼容，技能模块化，可以只安装需要的部分。

方式三：手动安装（适合开发者或定制需求） 如果你想了解内部结构，或进行二次开发，可以克隆整个仓库。

git clone https://github.com/Exidian-Tech/placed-skills
cd placed-skills
# 将技能目录复制到Claude的技能文件夹
cp -R skills/placed-resume-builder ~/.claude/skills/
cp -R skills/placed-interview-coach ~/.claude/skills/
# ... 复制其他你需要的技能
  • 发生了什么？ 你直接获取了源代码。每个技能目录的结构清晰： SKILL.md 定义了技能何时被触发以及可用的工具， references/ 目录下可能有更详细的API文档。你可以查看和修改这些文件（但请注意许可协议）。
  • 优点 ：完全透明，可定制，便于学习和调试。

4.3 客户端特定配置

对于Cursor用户 ： Cursor使用一个独立的 mcp.json 配置文件来管理MCP服务器。你需要手动配置Placed的MCP服务器。

  1. 找到或创建Cursor的MCP配置目录。通常在 ~/.cursor/mcp.json （macOS/Linux）或 %USERPROFILE%\.cursor\mcp.json （Windows）。
  2. 编辑 mcp.json 文件，添加如下配置（如果文件不存在，就创建它）：
{
  "mcpServers": {
    "placed": {
      "command": "npx",
      "args": ["-y", "@exidian/placed-mcp"],
      "env": {
        "PLACED_API_KEY": "你的API密钥" // 请确保此处已正确设置，或确保环境变量已存在
      }
    }
  }
}
  1. 保存文件并重启Cursor。现在，当你在Cursor中与AI助手对话时，提到求职相关话题，它就能调用Placed Skills了。

对于其他MCP客户端（如Claude Desktop, Continue.dev） ： 配置方式类似，都是在其设置中找到MCP服务器配置项，添加一个指向 @exidian/placed-mcp 包的命令行配置，并设置 PLACED_API_KEY 环境变量。具体请参考各客户端的官方文档。

4.4 验证安装与首次使用

安装并配置完成后，打开你的Claude Code或Cursor。

  1. 尝试一个简单的指令，例如： “帮我创建一个针对后端开发工程师的简历草稿。”
  2. Claude应该能识别你的意图，并回应它可以使用Placed Skills的 create_resume 工具，可能会向你询问更多细节，如你的姓名、联系方式和关键技能。
  3. 如果Claude没有反应，或者说找不到相关工具，请检查：
    • API密钥是否正确设置且已导出到当前shell环境？可以尝试在终端执行 echo $PLACED_API_KEY 查看。
    • 技能是否安装到了正确目录？对于Claude Code，插件应已激活；对于手动安装，检查 ~/.claude/skills/ 下是否有对应的技能文件夹。
    • 对于Cursor，检查 mcp.json 格式是否正确，以及Cursor是否已重启。

5. 实战场景全流程演练与避坑指南

让我们通过一个完整的求职场景，串联使用多个Placed Skills工具，体验无缝的工作流。

场景 ：你是一名有5年经验的软件工程师，目标是应聘一家知名科技公司“CloudTech”的“Senior Software Engineer, Platform”职位。

5.1 阶段一：研究与定位

首先，你需要了解这个职位和公司。

  • 对话1（公司调研） ： “Research CloudTech's interview process and engineering culture.”
    • 工具 ： research_company
    • 预期结果 ：AI会返回关于CloudTech公司的概述，可能包括其技术栈偏好（比如Go/Python）、面试轮次（通常有2轮技术面+1轮系统设计+1轮行为面试）、文化关键词（如“数据驱动”、“快速迭代”）。这些信息为你后续的简历优化和面试准备定下基调。
  • 对话2（薪资摸底） ： “What's the competitive salary range for a Senior Software Engineer at CloudTech in San Francisco?”
    • 工具 ： get_company_salary_data
    • 预期结果 ：获得一个基于地理位置和职级的市场薪资范围（例如$180K - $250K总包）。这为你未来的薪资谈判设立了锚点。

5.2 阶段二：简历定制与优化

现在，你手头有一份通用简历，需要针对这个特定职位进行深度优化。

  • 对话3（简历匹配度分析） ：将CloudTech的职位描述（JD）复制到编辑器中，然后对Claude说： “这是我的简历内容：[粘贴你的简历]。这是目标职位描述：[粘贴JD]。请分析匹配度并找出关键词缺口。”
    • 工具 ： match_job 和 analyze_resume_gaps
    • 预期结果 ：AI会给出一个匹配分数（比如65%），并列出两份清单：1) 已匹配的关键词 （如“microservices”, “AWS”），证明你的优势；2) 缺失的关键词 ，并可能标注优先级（如“Kubernetes (高优先级)”, “gRPC (中优先级)”）。这为你指明了明确的修改方向。
  • 对话4（针对性优化） ： “基于刚才的分析，优化我的简历，使其更适合这个CloudTech的平台工程师职位。”
    • 工具 ： optimize_resume_for_job
    • 预期结果 ：AI会重写你的工作经历描述，将缺失的关键词自然地融入进去。例如，如果你原来的描述是“负责后端服务开发”，优化后可能变成“使用Go开发并维护基于gRPC的微服务，并利用Kubernetes进行容器编排和部署”。 这里需要人工仔细核对 ，确保优化后的描述真实反映了你的技能水平，没有夸大或捏造。
  • 对话5（ATS格式检查） ： “检查我这份优化后简历的ATS兼容性。”
    • 工具 ： check_ats_compatibility
    • 预期结果 ：AI会扫描简历的格式，提示潜在问题，例如“使用了非标准字体，部分ATS可能无法识别”、“项目符号使用了特殊字符，建议改为圆点”等。按照提示进行微调，确保简历能通过机器的第一道关卡。
  • 对话6（导出与记录） ： “将这份为CloudTech优化的简历导出为PDF，并命名为‘Resume_CloudTech_Platform.pdf’。”
    • 工具 ： get_resume_pdf_url
    • 后续操作 ：你会得到一个下载链接。下载后，使用 add_job_application 工具将这次申请记录到追踪器中： “记录我刚刚申请了CloudTech的Senior Platform Engineer职位，状态为‘已申请’，附上这个职位描述链接和这份简历的备注。”

5.3 阶段三：面试准备

收到面试邀请后，进入深度准备阶段。

  • 对话7（启动模拟面试） ： “为我启动一个针对CloudTech高级软件工程师职位的模拟面试，难度设为困难，侧重系统设计和行为问题。”
    • 工具 ： start_interview_session
    • 预期结果 ：AI会开始提问。可能是行为问题开场：“描述一次你领导一个技术项目克服重大挑战的经历。” 你回答后，AI会给出反馈和评分。接着可能转入系统设计：“设计一个高可用的分布式配置中心。”
  • 对话8（专项系统设计练习） ： “我想单独练习‘设计一个分布式缓存系统’这个案例。”
    • 工具 ： start_system_design
    • 实操要点 ：不要被动等待AI提问。主动在白板（或绘图工具）上画出你的架构图，分步阐述：1) 需求与假设（QPS、数据量、一致性要求）；2) 高层设计（客户端、缓存服务器、数据分片）；3) 详细设计（缓存淘汰策略LRU、高可用方案主从复制或集群、缓存穿透/雪崩/击穿解决方案）；4) 评估与扩展。然后让AI对你的设计进行质询和反馈。
  • 对话9（故事库准备） ：在练习行为面试时，你可能会打磨出一个很好的关于“处理生产环境事故”的故事。 “将我刚才讲的关于处理线上数据库故障的故事，保存到我的故事库，标签为‘问题解决’和‘抗压能力’。”
    • 工具 ： save_story_to_bank
    • 价值 ：面试前，你可以让AI： “给我复习一下标签为‘领导力’和‘冲突解决’的故事。” 这比翻看零散的笔记高效得多。

5.4 阶段四：后期跟进与谈判

通过所有面试，恭喜你拿到了Offer！

  • 对话10（Offer分析） ： “我收到了CloudTech的Offer，总包是$220K，包含$180K基本工资和$40K股票。我的目标是$240K。请帮我分析这个Offer并生成谈判策略。”
    • 工具 ： analyze_offer 和 generate_salary_negotiation_script
    • 预期结果 ：AI会先分析Offer的构成，与市场数据对比。然后生成一个谈判脚本，可能包括：“首先，表达感谢和兴奋之情。其次，基于你对市场数据（Senior SDE在SF平均为$230K-$260K）和你自身价值的评估，提出你的期望值$240K。第三，准备好谈论你的具体贡献（可引用面试中讨论的项目）。最后，询问薪资结构细节（如股票归属计划、奖金比例）。” 甚至提供一封礼貌而专业的谈判邮件模板。

在整个流程中，你的求职追踪器（ list_job_applications ）始终为你提供全局视图，让你清楚知道有多少个机会在哪个阶段，避免错过任何跟进时机。

6. 常见问题排查与进阶技巧

即使工具设计得再完善，在实际使用中也可能遇到问题。以下是我在深度使用类似工具后总结的一些常见坑点和解决方案。

6.1 安装与连接问题

问题现象 可能原因 排查步骤与解决方案
Claude完全无法识别求职相关指令，或提示“没有可用工具”。 1. Placed Skills技能未正确安装或加载。
2. API密钥未设置或无效。
3. MCP服务器配置错误（Cursor等）。		 1. 验证安装 ：检查 ~/.claude/skills/ 目录下是否存在 placed- 开头的文件夹。对于Claude Code，检查插件列表。
2. 验证密钥 ：在终端运行 echo $PLACED_API_KEY ，确认输出正确。尝试 source ~/.config/placed/credentials 后重试。
3. 检查配置 ：对于Cursor，确认 ~/.cursor/mcp.json 文件格式正确，且 PLACED_API_KEY 在 env 中或已全局设置。重启IDE。
工具调用失败，返回“Authentication Error”或“API Error”。 1. API密钥错误或已失效。
2. 网络问题导致无法连接Placed后端服务。
3. 账户订阅问题（如免费额度用尽）。		 1. 重新获取密钥 ：登录placed.exidian.tech，确认密钥无误，或生成一个新密钥替换。
2. 检查网络 ：尝试在浏览器中打开 placed.exidian.tech ，确认可访问。
3. 检查账户 ：登录平台查看使用情况和订阅状态。
在Cursor中配置后，工具仍不工作。 1. mcp.json 语法错误。
2. Cursor未加载新配置。
3. npx 命令找不到或 @exidian/placed-mcp 包安装失败。		 1. 检查JSON ：使用在线JSON校验器检查 mcp.json 文件格式。
2. 重启Cursor ：完全关闭并重新打开Cursor。
3. 手动安装MCP包 ：在终端运行 npx -y @exidian/placed-mcp ，看是否能成功执行。确保Node.js已安装。

6.2 使用效果与优化问题

问题现象 可能原因 排查步骤与解决方案
简历优化建议过于泛泛，或添加了不相关的关键词。 1. 提供的职位描述（JD）质量不高或过于简短。
2. 你自身的简历内容过于单薄，AI缺乏足够上下文进行深度匹配。
3. 通用大模型的局限性。		 1. 提供优质JD ：尽量使用完整的、来自公司官方招聘页面的职位描述。避免使用简短的、概括性的描述。
2. 丰富简历上下文 ：在使用 create_resume 时，尽可能详细地描述你的项目经历，包括技术栈、你的具体角色、面临的挑战、采取的行动、以及可量化的结果（用了什么技术，解决了什么问题，带来了什么提升）。
3. 人工干预 ：将AI优化视为“初稿”。仔细审查每一条修改，确保技术细节准确，成就描述符合事实。对于不合适的建议，手动调整或忽略。
模拟面试的问题不够“公司专属”或深度不足。 1. Placed的后端知识库可能没有该公司的详细数据。
2. “难度”设置可能不够高。		 1. 结合外部资源 ：将Placed Skills作为核心训练工具，同时结合LeetCode、Glassdoor、Blind等平台上的该公司面经进行补充。
2. 主动引导AI ：在开始面试时给出更具体的指令，如：“模拟Google的编码面试，重点考察图算法和系统设计，请用英文提问。” 或者在回答后，主动要求AI：“请从面试官的角度，对我的答案提出三个最犀利的追问。”
薪资数据感觉不准确或过时。 市场薪资数据变化快，任何数据源都有滞后性。 多源验证 ：将Placed Skills提供的薪资数据作为一个重要参考，但务必结合其他渠道进行交叉验证，例如：Levels.fyi、Blind的薪酬分享、以及与该公司的在职员工或近期面试者交流获取的信息。在谈判时，可以综合引用多个来源。
求职信生成得过于模板化。 AI基于简历和JD生成，可能缺乏独特的“个人故事”或“动机”连接。 提供额外输入 ：在生成求职信时，除了简历和JD，可以口头补充：“请强调我对CloudTech在开源社区贡献的钦佩，并提及我参与过的XX开源项目与贵司技术栈的关联。” 让AI将这些个性化信息融入信中。生成后，务必亲自润色开头和结尾，使其更具个人色彩。

6.3 隐私与数据安全考量

  • 数据存储在哪里？ 根据其隐私声明，API密钥本地存储，简历等数据通过API与placed.exidian.tech平台交互。这意味着你的数据存储在Exidian的服务器上。在使用前，建议仔细阅读其隐私政策，了解数据保留、删除和使用的具体条款。
  • 敏感信息处理 ：在简历中避免包含过于详细的个人身份信息（如完整住址、身份证号）。在分享职位描述或公司内部信息（如内部职位编号）时，也需注意。
  • 本地备份 ：定期使用 export_resume_json 工具将你的简历数据导出为JSON文件，在本地进行备份。这是防止服务意外中断或数据丢失的好习惯。

Placed Skills代表了一种未来工具的发展方向：深度集成、场景智能、以用户工作流为中心。它成功地将一个复杂、多步骤、充满焦虑的求职过程，拆解成一系列可以在日常编码环境中轻松完成的原子任务。虽然它不能保证你拿到Offer，但它能极大地提升你求职准备的效率和质量，让你将更多精力集中在提升自身技能和准备面试内容上，而不是浪费在工具切换和信息搜寻上。对于活跃在Claude Code或Cursor中的开发者来说，这无疑是一个值得投入时间学习和使用的强大副驾驶。

Logo
龙虾开发者社区

小龙虾开发者社区是 CSDN 旗下专注 OpenClaw 生态的官方阵地，聚焦技能开发、插件实践与部署教程，为开发者提供可直接落地的方案、工具与交流平台，助力高效构建与落地 AI 应用

更多推荐

cover

用 Trace Skills 生成产品原型：从概念到可交互 Demo 的实战经验

avatar 龙虾开发者社区
cover

OpenClaw 本地部署教程｜Windows 可视化安装与上手指南

avatar 龙虾开发者社区
cover

写了那么多 AI 测试 Skills，为什么还是不好用？

avatar 龙虾开发者社区