“skills”这个词，在程序员工具箱里通常是个命令、一个文件名，或者某个配置文件里不起眼的字段。但过去两个月，它是我个人一直在迭代的一个项目：一套基于纯文本文件和个人脚本搭建的技能管理系统。它不是什么大平台，不依赖Notion模板，也不用联网建表，就靠一个 YAML 文件加一个 Python 脚本，把技能清单、自评等级、复盘记录全部管起来。这套东西解决的是我自己的一个实际问题：技能太多太杂，脑子里一团浆糊，学了后面忘前面，简历上写起来也没底气。如果你也处于这种状态，或者正打算给团队建一张可落地的能力矩阵，那这篇帖子就是给你准备的。

1. 项目定位与设计思路

1.1 为什么用文件存储，而不是直接套用在线表格

刚开始我想过用在线表格，或者用飞书多维表格搭一个，整齐好看，还能多人协作。但后来我放弃了，原因有三个。第一，数据所有权问题，技能数据是个人长期资产，放在别人的服务器上，哪天服务调整了、账号出问题，数据说没就没。第二，离线使用问题，在线表格一旦没网，基本上就是一块白板，而我在地铁上、在飞机上，经常会有想记点技能的冲动。第三，可复用和可迁移性，一块纯 Markdown 或 YAML 文件，可以被脚本读取，可以被 Git 记录版本，哪天想迁移到新工具，改一改格式就能走。

用文件存储的本质，是“数据与工具解耦”。你可以用 VS Code 打开，也可以用记事本打开，甚至可以用cat命令在终端里看。这个思路和我平时管理配置文件是一样的，把配置和程序分开，数据就在那里，任谁都能读。

用生活里的事来类比，这就好比整理衣橱。你不需要先买一个昂贵的智能衣柜才能开始整理，你需要做的只是把所有衣服拿出来，分个类，记录哪些常穿、哪些压箱底，然后定期断舍离。技能管理也是这个逻辑，核心不在工具多高级，而在你愿不愿意坐下来清点自己。

1.2 从岗位需求倒推技能分类

项目最开始，我犯了一个典型错误：看见什么技术就想往里面塞。今天看到 Docker 很火，加一个；明天看到大模型很火，再加一个。结果技能清单变成了一大锅乱炖，根本没有结构感。后来我把思路完全倒过来，不按“技术热度”来，而是按“目标岗位需求”来。

我先问自己一个问题：我未来一年最有价值的角色是什么？比如是“后端开发工程师”，那我就围绕这个角色拆解能力。

• 程序设计能力：数据结构、算法、设计模式、系统设计
• 语言与运行环境：Java、Python、JVM、Linux
• 框架与中间件：Spring Boot、Redis、Kafka、MySQL
• 工程化与交付：CI/CD、Docker、Kubernetes、监控告警
• 软技能：需求沟通、技术文档、指导新人

这样分类的好处是，每一项都能对应到实际工作场景，也方便和招聘 JD 做比对。给团队做能力矩阵时，这个思路同样适用：先确定团队要交付的目标，再倒推每个角色需要具备哪些技能，而不是把每个成员会的一堆零碎工具罗列上去。

1.3 技能粒度的控制：不能粗到没用，也不能细到没法评

技能粒度是早期最让我头疼的问题。写一个“Java”，太粗了，因为 Java 三个字根本看不出你到底是能写 CRUD，还是能搞并发调优。写一个“Java Stream 的 groupBy 用法”，又太细了，这类细节属于知识点，不该作为技能树的叶子节点。我推荐的粒度是：能独立评估水平的一个能力域。例如：

• “Java 并发编程”是一个技能，可评估
• “Spring Boot 应用开发”是一个技能，可评估
• “MySQL 性能优化”是一个技能，可评估
• “Redis 的分布式锁实现”更像一个知识点，可以作为“缓存设计与实践”这个技能下的一个备注，而不是独立技能

判断粒度是否合适的标准很简单：拿到这个技能名称，你能不能立刻判断自己掌握到什么程度？如果犹豫超过五秒，那就说明要么它太宽，要么它太窄。

2. 核心功能拆解：记录、量化与复盘

2.1 自评等级“0-5级”背后的能力阶段模型

量化技能，我用的是 0-5 六个档位。这个体系参考的是 Dreyfus 技能获取模型，简化成六档之后，自评起来大脑负担很低，也方便在团队里统一口径。

• 0 级：没接触过
• 1 级：了解概念，能说出它是干什么的
• 2 级：在指导下做过简单任务
• 3 级：能独立完成常规任务，遇到问题能自己查资料解决
• 4 级：不仅能独立交付，还能根据项目场景做选型和优化
• 5 级：能教学、能输出方法论，能指导别人避坑

为什么不用百分制？因为百分制容易制造“假精度”。你说你 Java 会 80 分，那 80 分和 85 分有什么区别？没人能说得清。0-5 分级虽然粗糙，但每一档都有明确的行为描述，自评时我只需要对照自己最近一次实操表现，就能打出一个相对稳定的分数。

我给技能记录表格设计的字段很简单：技能名称、所属大类、自评等级、最近使用时间、关键证据。关键证据很重要，它可以是一句话，比如 “三月份完成订单系统的接口幂等改造”，也可以直接指向一个项目笔记的链接。有了证据，你自评的 4 级才不会自嗨。

2.2 技能雷达图：让“短板”一眼现形

技能清单一旦长到几十项，直接看表格其实是看不出整体结构的。这时候需要用可视化方式辅助判断，我选的是雷达图。雷达图的每个轴对应一个技能大类，数值是该大类下所有技能等级的平均值。因为单个技能看多了容易钻牛角尖，而大类平均分能反映你的能力分布是否均衡。

比如我自己的数据里，“程序设计能力”平均分只有 1.8，而“框架与中间件”平均分是 3.2。雷达图上那一块凹陷非常扎眼，逼着我直面一个问题：我花大量时间学框架，但底层的数据结构和算法基础一直没补上。这个发现比我列一百个技能都有用，因为我终于知道下一步该往哪里发力了。

生成雷达图我用的工具很简单，就是 Python 的 matplotlib。脚本读 YAML，把技能按大类聚合并计算平均分，然后生成一张 PNG 图片。整个脚本不到 70 行，后续你会在实操部分看到完整代码。我更建议你在本地跑一遍这个脚本，体会一下“从数据文件到图”的整个链路跑通后的成就感。

2.3 从静态清单到动态复盘流程

技能清单最大的敌人是“尘封感”。三个月不更新，它就变成了一张过期的历史博物馆展品清单。我的做法是把这套系统嵌进月度复盘中，每个月底花二十分钟做四件事：

1. 新增：这一个月接触了哪些新技能，没接触到的就先不写，不必为了好看硬凑。
2. 重评：把过往技能重新看一遍，水平是否有提升，有没有因为久不用而退化。
3. 关联：给重要技能补充一条最近使用的证据，比如项目名、PR 链接、一页笔记。
4. 清理：删掉那些早就脱离主线、未来也不可能再用的技能标签，给清单减负。

这样做的核心原因是，技能水平不是一劳永逸的属性，而是会随着使用频率升降的变量。用“最近使用时间”这个字段做辅助，你才能在雷达图之外，看到“哪些技能是存量，哪些技能是活跃资产”。

3. 实操：用 skills 工具从零搭建技能档案

3.1 初始化项目目录与数据文件

这个项目我保持了极简风格，目录结构只有三块：

skills/ ├── data/ │ └── skills.yaml ├── scripts/ │ ├── read_skills.py │ └── radar_chart.py └── output/ └── radar.png

data/skills.yaml存放技能树，scripts/放读取和可视化脚本，output/放生成的图表。整体并没有引入数据库，也没有依赖 Docker，因为它只需要在一个 python 环境里跑几个脚本就够。这里我刻意保持了极简，原因就是开头说的：数据归数据，脚本归脚本，不要一开始就搭建复杂设施。

YAML 数据结构设计如下：

version: 1.0 owner: "your-name" updated: "2025-01-15" categories: - name: "程序设计能力" skills: - name: "数据结构与算法" level: 2 last_used: "2025-01-10" evidence: "完成一次二叉树遍历专题练习" - name: "设计模式" level: 3 last_used: "2024-12-20" evidence: "在支付模块中使用策略模式重构代码" - name: "语言与运行环境" skills: - name: "Java 并发编程" level: 3 last_used: "2025-01-05" evidence: "排查过线上线程池阻塞问题" - name: "Python 脚本开发" level: 3 last_used: "2025-01-14" evidence: "实现自动化报表生成脚本"

选择 YAML 而不是 JSON，最重要的原因是可以写注释。技能这种数据，几乎每个字段都需要上下文，比如“为什么给这个技能打 3 级”，不写下来下次自己都会忘。JSON 虽然也能写注释，但支持度有限，体验不如 YAML 顺手。另外，YAML 用缩进表达层级，结构肉眼比 JSON 更清晰。

3.2 自动校验技能数据并输出成长进度

数据文件有了，接着需要一个能读取数据、生成统计信息的脚本。我写了一个很短的read_skills.py，它只做三件事：读取 YAML，统计每个大类的技能数量和平均等级，输出一个表格，方便我快速在终端里看。

import yaml from collections import defaultdict def load_skills(path="data/skills.yaml"): with open(path, "r", encoding="utf-8") as f: return yaml.safe_load(f) def calculate_progress(data): stats = [] for cat in data["categories"]: names = cat.get("skills", []) if not names: continue avg_level = sum(s["level"] for s in names) / len(names) stats.append({ "category": cat["name"], "count": len(names), "avg_level": round(avg_level, 2) }) return stats if __name__ == "__main__": data = load_skills() print(f"技能档案管理员: {data['owner']}") print(f"最后更新: {data['updated']}\n") for item in calculate_progress(data): print(f"{item['category']:<12} 技能数 {item['count']:<4} 平均等级 {item['avg_level']}")

跑这个脚本的方法很简单：

cd skills pip install pyyaml python scripts/read_skills.py

你不需要改造任何配置文件，只要 YAML 里的数据是正确的，脚本会自动把它打印成一个统计表。这个脚本的价值不在于功能强大，而在于它把“数据”和“观察”连接起来了。没有这个脚本，你打开 YAML 要头脑里做聚合；有了这个脚本，一眼就能看到整体情况。

3.3 生成可视化雷达图，让成绩单变成决策工具

第二步，我用 matplotlib 做了雷达图脚本。代码逻辑也不复杂，读取分类平均等级，映射到雷达图上。如果你的技能分类不是五类，也没关系，脚本会自适应分类数量。

import yaml import matplotlib.pyplot as plt import numpy as np from math import pi def load_skills(path="data/skills.yaml"): with open(path, "r", encoding="utf-8") as f: return yaml.safe_load(f) def get_category_averages(data): labels = [] values = [] for cat in data["categories"]: skills = cat.get("skills", []) if skills: labels.append(cat["name"]) values.append(round(sum(s["level"] for s in skills) / len(skills), 2)) return labels, values def create_radar_chart(labels, values, save_path="output/radar.png"): angles = [i / float(len(labels)) * 2 * pi for i in range(len(labels))] values += values[:1] angles += angles[:1] fig, ax = plt.subplots(figsize=(8, 8), subplot_kw=dict(polar=True)) ax.plot(angles, values, linewidth=1.5, linestyle="solid") ax.fill(angles, values, alpha=0.25) ax.set_xticks(angles[:-1]) ax.set_xticklabels(labels, fontsize=12) ax.set_ylim(0, 5) ax.set_yticks([1, 2, 3, 4, 5]) plt.savefig(save_path, dpi=300, bbox_inches="tight") print(f"雷达图已保存到: {save_path}") if __name__ == "__main__": data = load_skills() labels, values = get_category_averages(data) create_radar_chart(labels, values)

运行之后，会在output/目录里得到一张雷达图。这张图里，每一瓣代表一个大类，分值范围是 0-5。最初跑通这个脚本时，我盯着它看了好久，因为那是第一次有了一张“可视化能力画像”。对于团队场景，你还可以把每个成员的雷达图打印出来，贴在用研数据对面，谁强谁弱、哪里有缺口，会议室里一眼就能看明白。

3.4 体验一次完整的技能评估流程

理论讲完了，脚本也有了，我把一次完整的技能评估流程放在前面，你拿到项目后可以直接照着做。

1. 选择目标角色。假设你是一名 Web 全栈方向的学生，未来想找后端开发岗位。
2. 建立分类。在skills.yaml里先写好三个大类：基础理论、后端技术、工程能力。
3. 录入技能。每个类别下按粒度要求列 5-10 个技能，给每个技能打等级、填最近使用时间和证据。
4. 运行统计脚本。用read_skills.py查看当前掌握情况的汇总。
5. 生成雷达图。用radar_chart.py生成图，对比各大类平均分。
6. 定一个动作。雷达图上哪个大类最低，下个月就围绕这个大类的关键技能做一次刻意练习，并在月底更新等级。

不要小看最后一步，很多人做完雷达图就结束了，根本没有落到行动上。技能管理的价值不在“知道自己有多弱”，而在“知道自己该补哪一块”。

4. 常见问题与避坑指南

4.1 自评时手软手严，怎么校准

经常有人问我：“你怎么保证自评分数的准确性？”诚实说，自评永远有偏差，但我们可以用方法减小偏差。我的习惯是三个校验轮：第一，对照目标岗位的招聘要求，如果 JD 里明确写了“熟练掌握 Java 并发编程”，而你只能说出线程池的几个参数，那评级就不应该超过 2；第二，找一个同事或朋友帮你评，你会发现别人对你的判断往往比你自己更保守；第三，用交付物说话，你最近半年有没有拿得出手的项目、文章或代码，如果一样都没有，那这项技能即使打 3 级也很难让人信服。

自评偏差最集中的地方是“会用”和“能交”的混淆。你会用 Redis 的 GET/SET 命令，能在本地跑起来，这不代表你懂缓存穿透和缓存一致性。把技能重评时，多问自己一个问题：“如果这周有个人让我基于这项技能解决一个线上问题，我能不查文档就说出排查思路吗？”答不上来就降一级。

4.2 技能跨类和重叠怎么去重

技能分类最容易遇到的坑，是一项技能同时属于两个大类。比如 Docker，既算“容器技术”，又算“DevOps 工具链”；再比如 Redis，既算“分布式存储”，又算“缓存设计”。如果不处理重复，雷达图里同一项能力会被算两次，大类均值会虚高。

我的处理原则有一个：每个技能只在最贴近业务目标的大类里挂载一次，其他大类里绝对不重复出现。比如 Docker，如果你的目标是做后端服务部署，那它挂在“工程化与交付”下；如果你的目标是做云原生基础设施，那它挂在“云原生基础设施”下。重复技能本质上不是数据问题，而是分类目标不清晰的映射方式。

分类不准造成的连锁反应很明显，雷达图会“虚胖”，让你误以为某些维度能力不错，实际上那只是同一个技能被算了两遍。所以每次新增技能时，先看它是不是已经在其他类别里存在过。如果存在，那就在原类别里补充描述，而不是在多个类别里重复列一遍。

4.3 项目做一半，数据乱了怎么恢复

文件式存储最大的好处是可以用 Git 管理，所以从项目第一天起，我就把data/目录纳入版本控制。每周末对自己的技能档案做一次 commit，写个简单的信息，比如 “月度复盘：更新 Redis 等级为 3，新增容器网络学习笔记”。这样的习惯建立了三层安全网：

• 本地有备份文件
• 远端 Git 仓库有历史版本
• 每个技能都有明确的变更时间线

如果哪天真改乱了，一条git revert或者git checkout -- data/skills.yaml就能恢复，绝不至于哭天喊地。数据这种长期资产，不做备份和版本管理，就是在给自己埋雷。更重要的，当你一个月后再回来看那份 YAML 时，Git 历史能告诉你这个月你的技术方向发生了哪些变化，等于给职业成长写了个日记。

4.4 常见问题速查表

5. 后续扩展方向

skills 项目目前只服务我一个人，但它天然可以扩展到团队场景。给团队做能力矩阵时，不需要改变任何核心设计，只需要让每个成员维护自己的skills.yaml，然后由一个汇总脚本把所有成员的数据合并起来，就可以生成团队级的热力图，哪条链路上缺人、哪类技能存在结构性短板，很快就暴露出来。

另一个扩展方向是把它和招聘面试结合。把候选人简历里的关键词按照这套技能分类整理一遍，自动生成一张技能雷达图，面试官在开始聊技术之前，就能直观看到候选人的能力结构，省去先读半天简历再做判断的时间。这些后续能力我目前还在探索中，但核心数据结构已经足够支撑。

我自己的体会是，这套系统最大的价值，不是那张好看的雷达图，也不是那一堆分级数字，而是它逼着我每个月坐下来认真想一遍：我现在的技能结构，离我想要的职业方向，还差在哪一块。思考的过程本身，比工具和脚本值钱得多。所以如果你也想搭一套，别急着先写代码，先拿一张纸列出来：为你未来的角色，拆十个技能出来，再打上等级。这第一步，比任何工具都重要。