Понимаю.

На мой взгляд это очень грустно, потому что как раз с приходом возможности полноценно работать с llm есть возможность нормально анализировать все причинно следственные связи, в том числе делать проекции - это как раз сильная сторона llm.

Я при найме разработчиков сталкивался неоднократно с проблемой что многие пишут бессмысленные вещи которые не говорят что именно человек делал, в чем именно был его вклад и опыт, потому что когда чисто разработчик пишет что он сделал фичу х и она принесла денег y, это ничего не говорит об опыте разработки, потому что придумал фичу продукт с аналитиком, дизайн сделал дизайнер - и поэтому когда разработчик указывал что он конкретно запилил - это проще и проанализировать автоматически и по человечески понятно в чем был этот опыт.

То же самое классно видеть в вертикали, когда человек работал над определённым доменом и потом сквозь проекты видно рост его опыта технического или продуктового.

Проблема в том, что чтобы оценка происходила правильно, нужно учитывать это при разработке оценки (потому что даже одна и та же llm может выдать абсолютно разную оценку, в зависимости от системного промпта и цели).

В вашем случае у вас предположу что есть офигенный опыт в анализе работы с аудио в частности работе со стриминговыми проблемами (воспроизвести, прокрутить, ускорить, и т д.) проблемами доступа к файлам (обрыв соединения, кеширование, запрет на скачивание, переполнение памяти или работа с системными прерываниями (т.е. если в системе начинает воспроизводиться другой звук) и т.д. и плюс опыт работы с developer experience (dx) - обернуть в такой api которым не только удобно пользоваться, но и будет удобно поддерживать в будущем + возможно деплой / упаковка / версионирование и т.д.

Это предположение, но на мой взгляд это то что должно идти в резюме, потому что резюме можно и нужно оценить llm, самое главное чтобы правильно была построены связи, которые можно вытянуть в графы знаний и опыта - вот тогда ats были бы полезны и резюме не нужно было бы сжимать в два три листа.

Потому что пример: вот llm которая проанализировала целиком весь репозиторий и с которой можно общаться - но опять же это возможно только потому что: достаточно данных и потому что llm / агенты под это заточены - то есть задают правильные вопросы: https://deepwiki.com/arenukvern/skill\_steward