超越实习期的实习项目

哈佛同学Dan的一篇博客启发了我：

Internship可以非常酷！可以非常有产出，尤其在他们擅长的地方！

我需要年轻人，需要有激情且愿意做出一点cool stuff年轻人！

Lesson Learnt：

实习生 = Project-based contributor

短期聚焦，快速出成果

实习生不需要承担复杂的长期战略任务，只要在 2–3 个月内解决一个明确的功能性问题，就能留下实际成果。

作者的两个项目（播客工作流、Slack 导出器）都是这样：功能聚焦 → 痛点解决 → 立刻见效。

成就感驱动

实习生往往缺乏组织影响力，但如果项目可以“被全公司使用”，他们能获得极大的心理满足感与归属感。

这种体验远比“做调研、写备忘录”更能留住人才，甚至让实习生成为长期拥护者。

双赢模式

对公司：以很低的成本解决了一个被忽视但耗时耗力的痛点。

对实习生：在短期内看到真实落地的成果，甚至能写进履历或博客，长期增值。

可以在Arcus42实践的内容：- 把实习设计成“解一个功能问题”：比如 Arcus42 可以让实习生负责一个“客户资料自动整理器”或“家办知识问答小工具”。- 范围要小但要能落地：目标不是“战略大方案”，而是一个有清晰交付物的 project。

• 给舞台和曝光：一旦做成，就让团队使用并给予认可，让实习生获得成就感，形成正向循环。

• 潜在的人才筛选机制：能在短时间内交付有价值工具的实习生，未来更可能成为核心成员。

下一篇文章就要招实习生！

以下为博客原文：

实习项目、##机器学习、##TrailofBits工作体验

大多数时候，你的暑期实习一结束，你的项目也就被遗弃了。我以前也有过这样的经历。但 Trail of Bits 不一样。作为今夏 Dan Guido 和 Sam Sharps 手下的一名业务运营实习生，我用 Claude（Anthropic 的 AI 模型）构建了两个自动化工具：一个是能每年节省 1,250 小时的播客工作流（podcast workflow），另一个是让员工能用一次查询就找到关键公司知识的 Slack 导出器（Slack Exporter）。这两个工具在我实习结束后，依然会在公司范围内被持续使用。

播客工作流（Podcast workflow）

Trail of Bits 拥有多个领域的专家团队，很多成员都有博士背景，涵盖 AppSec（应用安全）、AI/ML、区块链和密码学。他们希望能更多参与相关播客节目，向外界分享我们在推动网络安全边界上的探索（同时也鼓励其他人效仿）。为了对社区作出贡献，他们专注于填补一些极度细分、几乎只有他们才能解答的知识空白。但如果要靠人工逐一筛选这些关键词播客，每周要花上几百小时的收听与研究。

为了确保能在海量信息中找到“针”，而且能规模化做到，我们需要一个自动化工作流。它的运行方式是这样的：

用户可以手动运行，或设定在某天某时自动执行。

系统会检测某集是否包含合适的关键词，Claude 随即生成各种关键信息：节目的总结、嘉宾观点、带时间戳的引述、外发邮件草稿等等。

所有输出会通过 Replit 前端展示。

在构建过程中，我发现 Claude 有一些局限性。例如，它会虚构不存在的员工来匹配某个播客嘉宾。为解决这个问题，用户可以上传一份 Excel 文件到 Replit 前端，将 Trail of Bits 员工与其擅长的关键词对应起来。Claude 也无法直接找到主持人的联系方式。不过它能提取主持人的姓名和网站，再通过外部 API 获取联系方式。以下是 Claude 及其他辅助工具（比如 Excel 文件）生成的洞察示例。

这个工具每周能监测 50 个以上的播客，一年就是 2,500 集！即便低估，每集 30 分钟，这套流程一年就能节省 1,250 小时的收听时间。更不用说额外节省的查找主持人联系方式、匹配合适员工、撰写外发邮件的时间。

Slack 导出器（Slack exporter）

Trail of Bits 的 Slack 有数百个频道，每个频道可能包含数百甚至上千条消息，搜索和分析历史信息非常耗时。为此，公司之前实现过一个基于终端（terminal）的 Slack 导出工具，可以把频道导出为 JSON 或 Markdown 文件，再上传到 Claude 获取总结与洞察。

然而，这个方案有两大局限：

所有员工都需要用 Slack 导出器，但由于它只能在终端运行，只有工程师能用。

用户必须提前知道哪个 Slack 频道包含所需信息，因为 Claude 只能理解被导出的频道内容。

为解决第一个问题，我发布了 Slack 导出器的 Electron 桌面应用。用户只需启动应用，就能导出频道，无需输入任何终端命令，人人可用。

此外，UI 也更高效：用户可以搜索频道，甚至一次性选择所有频道：

一旦选择了一个或多个频道，用户会看到多种导出选项（JSON、Markdown 等）。

为解决第二个问题，我使用 Claude 的 MCP（model context protocol，模型上下文协议），直接把我们的 Slack 工作区暴露给 Claude。这样，通过 Claude 的桌面应用或代码接口，用户可以跨所有公共频道以及他们加入的私有频道进行搜索，无需再导出。想知道公司每个项目的进展？只需一次查询。要为新员工做入职培训，但团队成员都太忙？还是一次查询。

凭借这个工具的广泛应用，我们团队能把精力放在推动网络安全前沿，而不是在 Slack 频道里翻找信息。

激发兴奋感（Generating excitement）

人人都在谈 AI 应用，但简单地复制粘贴进聊天机器人只是冰山一角。这些项目展示了 AI 应用可以走得多远。要构建这样的应用，你必须理解用户的问题，并持续让他们参与进来。我的测试过程大概是这样的：发现 bug → 紧急现场修复 → 收到新功能需求 → 当天测试新功能。

与大多数实习项目一结束就“夭折”不同，我的工具之所以存活下来，是因为通过测试，员工把这些工具应用到自己的挑战中，真实体验到效率提升，然后将其融入日常工作。同样重要的是，他们把这种兴奋感分享给其他员工，从而让这些工具成为公司范围的基础设施。

通过这些项目，Dan、Sam 和我希望让大家看到，AI 并不是取代员工，而是增强他们的能力。每个团队都有等待被发现的 AI 使用场景。在 Trail of Bits，我们正努力去发现并落实它们，而每个人都能贡献力量，哪怕是实习生。

编译：ChatGPT

内容来源：https://blog.trailofbits.com/2025/08/28/intern-projects-that-outlived-the-internship