| name | boss-daily-brief-v2 |
| description | Boss直聘每日招聘初筛工作流（boss CLI版）。通过 @joohw/boss-cli 拉取候选人列表和简历， AI初筛并生成推荐等级，写入飞书云文档 + 多维表格，最后推送文档链接到飞书机器人。 首次使用说"boss init"运行初始化；日常说"帮我做今天的招聘简报"触发工作流。
|
| metadata | {"requires":{"bins":["boss","lark-cli","node"]}} |
Boss直聘每日简历Brief工作流
配置文件路径：与本 skill.md 同目录的 config.json（参考 config.example.json）。
初始化（boss init — 首次使用）
当用户说"boss init"、"初始化"、"第一次配置"时，运行以下四个阶段。每个阶段完成后明确告知用户，再进入下一阶段。
Phase 1：工具检查
依次检查：
boss --version 2>&1
lark-cli --version 2>&1
node --version 2>&1
- ✅ 三个工具均存在 → 进入 Phase 2
- ❌
boss 未找到 → 提示：npm install -g @joohw/boss-cli
- ❌
lark-cli 未找到 → 提示：npm install -g @larksuite/cli
- ❌
node 未找到 → 提示安装 Node.js（https://nodejs.org）
工具全部就绪后继续。
Phase 2：登录授权
2.1 boss CLI
boss list 2>&1 | head -3
- ✅ 返回候选人列表 → 已登录
- ❌
未检测到 .menu-list → 提示用户运行 boss login，在浏览器完成登录后告知我继续
2.2 lark-cli
lark-cli auth status 2>&1
valid → 已授权- 其他状态 → 运行授权命令：
lark-cli auth login --scope "drive:drive:readonly drive:file:create docx:document:create docx:document:write_only docx:document:readonly bitable:app:create bitable:app:update bitable:table:create bitable:table:update bitable:field:create bitable:record:create bitable:record:read im:message im:message.send_as_user contact:user.base:readonly" --as user 2>&1
提示用户打开返回的授权链接，完成后确认继续。
Phase 3：飞书资源配置
3.1 文档文件夹
列出云盘根目录，找或创建存放每日 brief 的文件夹：
lark-cli api GET /open-apis/drive/v1/files --as user 2>&1
询问用户：文件夹名称是什么？（默认：boss直聘每日简历brief）
- 在返回列表中找到对应
folder 类型的条目 → 记录 folder_token
- 未找到 → 创建：
lark-cli api POST /open-apis/drive/v1/files/create_folder \
--body '{"name":"boss直聘每日简历brief","folder_token":""}' \
--as user 2>&1
记录 folder_token。
3.2 多维表格
询问用户：是否已有候选人管理表格？
选项 A：已有表格 → 请输入 base_token 和 table_id，验证后记录。
选项 B：自动创建
Step 1 创建多维表格：
lark-cli api POST /open-apis/bitable/v1/apps \
--body '{"name":"Boss直聘候选人招聘管理","folder_token":"<folder_token>"}' \
--as user 2>&1
从返回值取 app_token（即 base_token）。
Step 2 获取默认 table_id：
lark-cli api GET /open-apis/bitable/v1/apps/<base_token>/tables --as user 2>&1
取第一个 table_id，重命名默认表：
lark-cli api PATCH /open-apis/bitable/v1/apps/<base_token>/tables/<table_id> \
--body '{"name":"候选人信息"}' \
--as user 2>&1
Step 3 询问用户：你们目前在招哪些职位？（多选，输入序号，可追加自定义）
给出参考选项让用户勾选：
1. 安卓开发工程师 7. 产品营销
2. iOS开发工程师 8. 技术美术（TA）
3. 前端开发工程师 9. UI/UX设计师
4. 后端开发工程师 10. 供应链/采购
5. APP软件产品经理 11. 运营
6. 智能硬件产品经理 12. 自定义输入...
收集用户选择的职位列表，后续作为"应聘职位"字段的预设选项。
Step 4 创建字段（逐个执行，失败不中断，记录错误在最后统一提示）：
lark-cli api POST /open-apis/bitable/v1/apps/<base_token>/tables/<table_id>/fields \
--body '{
"field_name": "应聘职位",
"type": 3,
"property": {
"options": [<用户选择的职位列表，格式: {"name":"职位名"}，逗号分隔>]
}
}' --as user 2>&1
lark-cli api POST /open-apis/bitable/v1/apps/<base_token>/tables/<table_id>/fields \
--body '{"field_name":"性别","type":3,"property":{"options":[{"name":"男"},{"name":"女"}]}}' \
--as user 2>&1
lark-cli api POST /open-apis/bitable/v1/apps/<base_token>/tables/<table_id>/fields \
--body '{"field_name":"年龄","type":2}' --as user 2>&1
lark-cli api POST /open-apis/bitable/v1/apps/<base_token>/tables/<table_id>/fields \
--body '{"field_name":"学历","type":3,"property":{"options":[{"name":"博士"},{"name":"硕士"},{"name":"本科"},{"name":"大专"}]}}' \
--as user 2>&1
lark-cli api POST /open-apis/bitable/v1/apps/<base_token>/tables/<table_id>/fields \
--body '{"field_name":"毕业院校","type":1}' --as user 2>&1
lark-cli api POST /open-apis/bitable/v1/apps/<base_token>/tables/<table_id>/fields \
--body '{"field_name":"专业","type":1}' --as user 2>&1
lark-cli api POST /open-apis/bitable/v1/apps/<base_token>/tables/<table_id>/fields \
--body '{"field_name":"工作年限","type":2}' --as user 2>&1
lark-cli api POST /open-apis/bitable/v1/apps/<base_token>/tables/<table_id>/fields \
--body '{"field_name":"期望城市","type":1}' --as user 2>&1
lark-cli api POST /open-apis/bitable/v1/apps/<base_token>/tables/<table_id>/fields \
--body '{"field_name":"期望薪资","type":1}' --as user 2>&1
lark-cli api POST /open-apis/bitable/v1/apps/<base_token>/tables/<table_id>/fields \
--body '{"field_name":"活跃状态","type":3,"property":{"options":[{"name":"刚刚活跃"},{"name":"今日活跃"},{"name":"昨天"},{"name":"3天内"},{"name":"本周内"}]}}' \
--as user 2>&1
lark-cli api POST /open-apis/bitable/v1/apps/<base_token>/tables/<table_id>/fields \
--body '{"field_name":"近期工作经历","type":1}' --as user 2>&1
lark-cli api POST /open-apis/bitable/v1/apps/<base_token>/tables/<table_id>/fields \
--body \
--as user 2>&1
lark-cli api POST /open-apis/bitable/v1/apps/<base_token>/tables/<table_id>/fields \
--body --as user 2>&1
lark-cli api POST /open-apis/bitable/v1/apps/<base_token>/tables/<table_id>/fields \
--body \
--as user 2>&1
lark-cli api POST /open-apis/bitable/v1/apps/<base_token>/tables/<table_id>/fields \
--body --as user 2>&1
lark-cli api POST /open-apis/bitable/v1/apps/<base_token>/tables/<table_id>/fields \
--body \
--as user 2>&1
lark-cli api POST /open-apis/bitable/v1/apps/<base_token>/tables/<table_id>/fields \
--body --as user 2>&1
多维表格自带一个默认文本字段"文本"，建完后在飞书手动删除即可（不影响写入）。
记录 base_token 和 table_id。
3.3 机器人配置
询问用户：飞书机器人的 App ID 是多少？（格式：cli_xxxxxxxxxxxxxxxx）
提示用户在飞书里搜索该机器人并发送一条消息（如"hi"），建立会话后继续。
记录 bot_app_id。
3.4 获取用户 open_id
自动获取：
lark-cli api GET /open-apis/contact/v3/users/me --as user 2>&1
从返回值取 user_id 字段（ou_ 开头）。
记录 user_open_id。
Phase 4：筛选标准配置
逐项询问用户，提供默认值，用户直接回车则使用默认值：
| 配置项 | 说明 | 默认值 |
|---|
| 年龄上限 | 超过此年龄直接排除 | 40 |
| 年龄降权阈值 | 超过此年龄但未达上限，评级降权 | 35 |
| 技术岗角色关键词 | 命中这些关键词的职位适用学历门槛（逗号分隔） | 工程师,软件产品经理,硬件产品经理 |
| 技术岗最低学历 | 技术岗低于此学历直接降权（可填：211/985、本科、硕士） | 211/985 |
| 直接排除的学历 | 命中则不获取简历、直接点不合适（逗号分隔） | 大专,学院 |
写入 config.json
将以上收集到的信息写入 skill 目录下的 config.json：
{
"feishu": {
"folder_token": "<从 3.1 获取>",
"base_token": "<从 3.2 获取>",
"table_id": "<从 3.2 获取>",
"bot_app_id": "<从 3.3 获取>",
"user_open_id": "<从 3.4 获取>"
},
"screening": {
"age_limit": 40,
"age_downgrade_threshold": 35,
"tech_role_keywords": ["工程师", "软件产品经理", "硬件产品经理"],
"tech_min_degree": "211/985",
"excluded_degrees": ["大专", "学院"]
}
写入完成后告知用户：
- 配置文件路径
- 多维表格链接：
https://www.feishu.cn/base/<base_token>
- 初始化完成，可以运行"帮我做今天的招聘简报"
日常运行流程
Step 0：读取配置
读取 skill 目录下的 config.json，提取所有字段。
若文件不存在，提示用户先运行"boss init"完成初始化。
Step 1：拉取候选人列表
boss list 2>&1
输出格式：序号. 姓名｜应聘职位｜未读:N｜时间:XX｜消息:XX
记录所有候选人的序号、姓名、应聘职位、未读数、最新消息时间。优先处理未读候选人。
Step 2：逐个获取简历
对每位候选人，先按 screening.excluded_degrees 判断学历：
| 判断条件 | 处理方式 |
|---|
学历命中 excluded_degrees | 直接点不合适（boss action not-fit），跳过，不纳入统计 |
技术岗 + 学历低于 tech_min_degree | 获取简历，评级时降权 |
| 其他 | 正常获取简历 |
获取简历：
boss chat "<姓名>" 2>&1
boss chat 直接返回人才摘要，不需要再执行 boss action resume。
点不合适：
boss action not-fit 2>&1
每批处理 3~5 人，避免浏览器超时。若 boss chat 报"未找到联系人"，加 --strict 参数；仍失败则标记"未获取"，继续下一位。
Step 3：应用筛选 & 整理为 Markdown
按 screening 配置应用筛选规则：
| 条件 | 处理方式 |
|---|
学历命中 excluded_degrees | 已在 Step 2 处理，不展示 |
年龄 ≥ age_limit | ❌ 排除，不展示详细简历 |
年龄 ≥ age_downgrade_threshold | 保留，评级降权，备注"年龄降权" |
技术岗 + 学历低于 tech_min_degree | 降级，最高不超过 ⭐⭐ 观望 |
整理格式（按应聘职位分组）：
## [职位名称]
### 姓名
- **性别/年龄**：男/女 · XX岁
- **学历/经验**：本科/硕士 · XX年
- **活跃状态**：刚刚活跃 / 今日活跃 / 昨天 / 3天内
- **期望**：城市 · 职位方向 · 薪资范围
- **工作经历**：
- 时间 公司 · 职位
- **教育**：学校 · 专业 · 学历（年份）
文档开头注明：生成时间、有效候选人总数（不含已点不合适的）、筛选标准摘要。
Step 4：创建飞书云文档
cd <工作目录>
lark-cli docs +create \
--title "Boss直聘候选人简历Brief $(Get-Date -Format 'yyyyMMdd')" \
--folder-token "<config.feishu.folder_token>" \
--markdown "@tmp_boss_brief.md" \
--as user 2>&1
先用 Write 工具将 Markdown 内容写入 tmp_boss_brief.md，再执行上述命令。
--markdown 必须用相对路径 @filename.md，先 cd 到文件所在目录再执行。
记录返回的 doc_id。
Step 5：AI 初筛并生成推荐等级
评估三个维度：经验匹配度、学历背景、薪资合理性。学历权重按 screening 配置执行。
推荐等级：
| 等级 | 含义 | 行动 |
|---|
| ⭐⭐⭐⭐⭐ 强推 | 高度匹配，学历经验俱佳 | 优先约谈 |
| ⭐⭐⭐⭐ 推荐 | 基本匹配，有明显亮点 | 优先约谈 |
| ⭐⭐⭐ 可约 | 部分匹配，需面试确认 | 可选约谈 |
| ⭐⭐ 观望 | 匹配度弱 | 暂不操作 |
| ⭐ 不推荐 | 明显不合适 | 报告中列出 |
| ❌ 排除 | 不符合硬性筛选条件 | 报告中列出 |
生成初筛报告：各职位分组评级表 + 结尾「优先约谈名单」（⭐⭐⭐⭐及以上）。
Step 6：追加初筛报告到飞书文档
cd <工作目录>
lark-cli docs +update \
--doc "<doc_id>" \
--mode append \
--as user \
--markdown "@tmp_boss_screening.md" 2>&1
表格超过 50 行时拆分多次追加。
Step 7：追加全量顺序汇总表
cd <工作目录>
lark-cli docs +update \
--doc "<doc_id>" \
--mode append \
--as user \
--markdown "@tmp_boss_summary.md" 2>&1
Step 8：写入多维表格
将有效候选人批量写入多维表格（config.feishu.base_token + config.feishu.table_id）。
字段映射注意点：
- "应聘职位"必须匹配
config.positions 中的选项值，不存在的选项跳过并记录
- "活跃状态"：
3日内活跃 → 3天内
- 工作年限必须是数字（
10年以上 → 10，应届生 → 0）
- 录入日期格式：
yyyy-MM-dd
cd <工作目录>
lark-cli base +record-batch-create \
--base-token "<config.feishu.base_token>" \
--table-id "<config.feishu.table_id>" \
--as user \
--json @boss_records_YYYYMMDD.json 2>&1
JSON 格式：lark-cli 简化格式 {"fields": [...], "rows": [...]}，非标准飞书 API 格式。
--json 用相对路径，先 cd 到文件目录再执行。
Step 9：推送简报到飞书机器人
使用 scripts/send-feishu-msg.js（从 config.json 读取 bot_app_id 和 user_open_id）：
node <skill目录>/scripts/send-feishu-msg.js --brief brief_data.json
其中 brief_data.json：
{
"date": "2026-04-28",
"total": 20,
"rejected": 5,
"excluded": 3,
"priority": 5,
"priorityList": [
{ "name": "张三", "position": "APP软件产品经理", "highlight": "985院校，8年经验" }
],
"docUrl": "https://www.feishu.cn/docx/<doc_id>",
"baseUrl": "https://www.feishu.cn/base/<base_token>",
"note": ""
}
严禁直接用 PowerShell 命令行发多行文本——\n 会被转义导致只发出第一行，必须通过 Node.js 脚本发送。
完成后输出
告知用户：
- 飞书文档链接
- 多维表格链接
- 优先约谈名单（⭐⭐⭐⭐及以上）
- 已点不合适人数
- 被排除人数及原因分布
- 未获取简历人数（建议手动查看）
- 未写入表格的候选人及原因（如职位选项不匹配）
常见问题
| 问题 | 解决方案 |
|---|
| 找不到 config.json | 先运行"boss init"完成初始化 |
未检测到 .menu-list | 运行 boss login 完成浏览器登录 |
boss chat 找不到联系人 | 加 --strict 参数；仍失败则标记"未获取" |
| 机器人消息只有第一行 | 必须用 scripts/send-feishu-msg.js，不能用 PowerShell 直接发 |
多维表格写入报 not_found | 职位不在 config.positions 选项中，需在飞书手动添加该选项 |
多维表格写入报 Provide a number value | 年龄/工作年限传了字符串，改为纯数字 |
多维表格报 Provide a value of type array | JSON 格式错误，改用 lark-cli 简化格式 |
--as bot 不生效 | --as bot 必须紧跟子命令 |
| 机器人发送失败 | 确认用户已先给机器人发过消息（建立会话） |
