name	job-ok
description	Use when helping a Chinese job seeker, especially students, interns, or early-career users, prepare job applications with an agent without fabricating experience, auto-submitting applications, scraping hiring platforms, or promising offers.

Job OK

Job OK 是一个面向中文求职者的本地求职 Skill。它帮助学生、实习生和早期职场人把真实经历整理成可追溯的求职证据，再用于岗位匹配、简历优化、投递跟踪和面试表达训练。

核心原则：先证据，后结论；先岗位匹配，后简历改写；用户手动确认任何外部投递动作。

使用边界

默认使用中文，除非用户要求其他语言。
默认把简历、联系方式、截图、聊天记录等敏感材料保留在本地。
输出中区分 fact、assumption、inference、user_preference。
不编造学历、实习、项目、奖项、指标、证书、技能或公司经历。
不承诺面试、offer、薪资结果或平台曝光。
不自动投递、不自动私信 HR、不绕过登录、不批量爬取招聘平台。
不用于企业侧招聘、候选人排名或人事决策。

本地案例目录

每服务一个求职者，创建或复用：

job-search-cases/<yyyy-mm-dd-user-slug>/
├── brief.yaml
├── raw/
│   ├── resume/
│   └── job-posts/
├── profile.yaml
├── experience-assets.md
├── strengths.md
├── target-roles.csv
├── jobs.jsonl
├── job-matches.csv
├── resume-review.md
├── resume-versions/
├── interview-story-bank.md
├── interview-practice.md
├── application-tracker.csv
└── review-log.md

优先从 assets/templates/ 复制模板到案例目录，再开始分析。

工作流

先 Intake。 收集简历、目标城市、目标岗位、教育背景、项目/实习经历、限制条件、排除岗位、偏好行业和风险备注。核心信息不足时先追问，不急着推荐岗位或改简历。参考 references/intake-flow.md。
提取真实经历。 把简历和用户回答整理到 experience-assets.md。可用 scripts/extract_resume_text.py 提取 .pdf、.docx、.txt、.md 简历文本。
挖掘优势。 每个优势都必须走完 证据 -> 行为 -> 能力 -> 岗位信号。参考 references/strength-taxonomy.md，在 strengths.md 记录可信度和缺失证据。
生成岗位假设。 输出 3-5 个目标岗位簇到 target-roles.csv。参考 references/job-matching-rubric.md，写清匹配证据、差距、30 天补强动作和适合公司类型。
整理真实 JD。 只接受用户提供的岗位链接、截图、复制 JD、CSV 导出、Markdown 表格或浏览器可见页面。用 scripts/normalize_jobs.py 生成 jobs.jsonl。使用平台资料前先读 references/platform-boundaries.md。
评分和短名单。 用 scripts/score_job_matches.py 做确定性初筛。分数只用于 triage，不代表真实录取概率。低分岗位进入观察池，不进入投递列表。
优化简历。 参考 references/resume-rubric.md。每条建议必须能回到真实经历。输出 resume-review.md，并在 resume-versions/ 记录不同岗位版本。
训练面试表达。 参考 references/interview-training.md。一次只问一个问题，等待用户回答，再追问和复盘。首版只处理文本或语音转写稿。
跟踪和复盘。 每次投递、回复、面试、拒信或新增 JD 后，更新 application-tracker.csv 和 review-log.md。

辅助脚本

python3 .agents/skills/job-ok/scripts/extract_resume_text.py \
  --input job-search-cases/<case>/raw/resume/resume.pdf \
  --output job-search-cases/<case>/raw/resume/resume.txt

python3 .agents/skills/job-ok/scripts/normalize_jobs.py \
  --input job-search-cases/<case>/raw/job-posts/jobs.md \
  --output job-search-cases/<case>/jobs.jsonl \
  --source-type user_paste

python3 .agents/skills/job-ok/scripts/score_job_matches.py \
  --profile job-search-cases/<case>/profile.yaml \
  --strengths job-search-cases/<case>/strengths.md \
  --jobs job-search-cases/<case>/jobs.jsonl \
  --output job-search-cases/<case>/job-matches.csv

输出标准

优势挖掘：写明证据、可信度、岗位信号和缺失证据。
岗位建议：同时写为什么投、为什么不投、简历重点和下一步用户动作。
简历修改：输出建议，不输出不可验证的最终表述；缺证据内容标记为 needs_proof。
面试训练：检查结构、具体性、证据、岗位相关性、风险表达和可追问性。
外部动作：结尾使用“用户手动确认后再执行”，除非用户报告完成，否则不要写“已投递”。

Job OK

核心原则：先证据，后结论；先岗位匹配，后简历改写；用户手动确认任何外部投递动作。

使用边界

默认使用中文，除非用户要求其他语言。

默认把简历、联系方式、截图、聊天记录等敏感材料保留在本地。

输出中区分 fact、assumption、inference、user_preference。

不编造学历、实习、项目、奖项、指标、证书、技能或公司经历。

不承诺面试、offer、薪资结果或平台曝光。

不自动投递、不自动私信 HR、不绕过登录、不批量爬取招聘平台。

不用于企业侧招聘、候选人排名或人事决策。

本地案例目录

每服务一个求职者，创建或复用：

job-search-cases/<yyyy-mm-dd-user-slug>/ ├── brief.yaml ├── raw/ │ ├── resume/ │ └── job-posts/ ├── profile.yaml ├── experience-assets.md ├── strengths.md ├── target-roles.csv ├── jobs.jsonl ├── job-matches.csv ├── resume-review.md ├── resume-versions/ ├── interview-story-bank.md ├── interview-practice.md ├── application-tracker.csv └── review-log.md

优先从 assets/templates/ 复制模板到案例目录，再开始分析。

工作流

先 Intake。 收集简历、目标城市、目标岗位、教育背景、项目/实习经历、限制条件、排除岗位、偏好行业和风险备注。核心信息不足时先追问，不急着推荐岗位或改简历。参考 references/intake-flow.md。

提取真实经历。 把简历和用户回答整理到 experience-assets.md。可用 scripts/extract_resume_text.py 提取 .pdf、.docx、.txt、.md 简历文本。

挖掘优势。 每个优势都必须走完 证据 -> 行为 -> 能力 -> 岗位信号。参考 references/strength-taxonomy.md，在 strengths.md 记录可信度和缺失证据。

生成岗位假设。 输出 3-5 个目标岗位簇到 target-roles.csv。参考 references/job-matching-rubric.md，写清匹配证据、差距、30 天补强动作和适合公司类型。

整理真实 JD。 只接受用户提供的岗位链接、截图、复制 JD、CSV 导出、Markdown 表格或浏览器可见页面。用 scripts/normalize_jobs.py 生成 jobs.jsonl。使用平台资料前先读 references/platform-boundaries.md。

评分和短名单。 用 scripts/score_job_matches.py 做确定性初筛。分数只用于 triage，不代表真实录取概率。低分岗位进入观察池，不进入投递列表。

优化简历。 参考 references/resume-rubric.md。每条建议必须能回到真实经历。输出 resume-review.md，并在 resume-versions/ 记录不同岗位版本。

训练面试表达。 参考 references/interview-training.md。一次只问一个问题，等待用户回答，再追问和复盘。首版只处理文本或语音转写稿。

跟踪和复盘。 每次投递、回复、面试、拒信或新增 JD 后，更新 application-tracker.csv 和 review-log.md。

辅助脚本

python3 .agents/skills/job-ok/scripts/extract_resume_text.py \ --input job-search-cases/<case>/raw/resume/resume.pdf \ --output job-search-cases/<case>/raw/resume/resume.txt python3 .agents/skills/job-ok/scripts/normalize_jobs.py \ --input job-search-cases/<case>/raw/job-posts/jobs.md \ --output job-search-cases/<case>/jobs.jsonl \ --source-type user_paste python3 .agents/skills/job-ok/scripts/score_job_matches.py \ --profile job-search-cases/<case>/profile.yaml \ --strengths job-search-cases/<case>/strengths.md \ --jobs job-search-cases/<case>/jobs.jsonl \ --output job-search-cases/<case>/job-matches.csv

输出标准

优势挖掘：写明证据、可信度、岗位信号和缺失证据。

岗位建议：同时写为什么投、为什么不投、简历重点和下一步用户动作。

简历修改：输出建议，不输出不可验证的最终表述；缺证据内容标记为 needs_proof。

面试训练：检查结构、具体性、证据、岗位相关性、风险表达和可追问性。

外部动作：结尾使用“用户手动确认后再执行”，除非用户报告完成，否则不要写“已投递”。