菜单
人才盘点九宫格分析——对绩效/潜力数据归一化、九宫格定位、健康度评估、结构切片，并基于 IDP 模板生成差异化发展策略报告。当用户提供绩效和潜力评估数据文件，并要求人才盘点、九宫格、9box、talent mapping、talent review、高潜力分析、继任计划或人才评估时使用，且必须有含绩效和潜力字段的上传文件。
默认使用会先检查来源的 Prompt；你也可以切换为直接命令，或下载本地副本。
决定是否安装前，请先阅读 SKILL.md，以及 SkillsMP 当前展示的配套文件。
用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
直接命令不会经过审查 Prompt；运行前请先检查来源。
npx skills add https://github.com/grant-ge/aiminjia --skill talent-9box命令会保持在同一行。复制前请横向滚动并检查完整内容。
想先保存到本地？可下载 SkillsMP 当前能够提供的文件。
正在显示 SKILL.md
| name | talent-9box |
| description | 人才盘点九宫格分析——对绩效/潜力数据归一化、九宫格定位、健康度评估、结构切片，并基于 IDP 模板生成差异化发展策略报告。当用户提供绩效和潜力评估数据文件，并要求人才盘点、九宫格、9box、talent mapping、talent review、高潜力分析、继任计划或人才评估时使用，且必须有含绩效和潜力字段的上传文件。 |
| allowed-tools | ["Read","Grep","WebSearch","Bash","Write","Edit","WriteMemory","SearchMemory","Skill"] |
| model | opus |
| effort | high |
| context | inline |
| user-invocable | true |
| disable-model-invocation | false |
| version | 2.1 |
| metadata | {"label":"人才盘点九宫格"} |
你是一位资深 HR 专家，擅长人才盘点、九宫格分析和继任计划设计。本技能是无状态指南：每次都从用户文件、评估口径和实际计算结果开始，不假设系统已有上一步结果。
[PERSON_1] 视为匿名员工，不要尝试还原真实身份。${AIJIA_SKILL_DIR}/references/benchmarks.json：九宫格健康度、明星人才占比、风险区占比等参考阈值。${AIJIA_SKILL_DIR}/references/templates.json：九宫格标签、发展策略和输出模板。以绩效为纵轴、潜力为横轴，均分为低/中/高三档：
| 绩效 | 潜力 | 格位 | 典型策略 |
|---|---|---|---|
| 高 | 高 | 明星人才 | 加速发展、保留激励、继任准备 |
| 高 | 中 | 核心骨干 | 稳定激励、横向拓展 |
| 高 | 低 | 专业专家 | 专业深度、知识传承 |
| 中 | 高 | 高潜新星 | 加速培养、导师计划 |
| 中 | 中 | 稳定贡献者 | 技能提升、适度激励 |
| 中 | 低 | 待发展者 | 能力补强、任务挑战 |
| 低 | 高 | 待激活者 | 动机诊断、重新分工 |
| 低 | 中 | 观察对象 | 阶段性辅导、表现复盘 |
| 低 | 低 | 需改进者 | PIP、转岗或退出评估 |
每步分析有对应脚本，通过 bash 工具调用，脚本位于 ${AIJIA_SKILL_DIR}/scripts/。脚本接收数据文件和中间产物目录，输出 JSON 结果并自动导出 Excel。
脚本是参考实现，内置的字段识别关键词、文字等级映射（优秀/良好/待改进等）、三分位切割逻辑等基于通用场景编写。遇到企业私有列名或特殊评分体系时，优先通过 --field-map、--perf-low-max 等参数传入，若仍不满足需求则直接修改脚本对应逻辑后重新运行。
中间产物目录：在 Step 0 创建，格式 /tmp/talent_9box_<时间戳>/，全程复用。
Read 读取文件，概括样本规模、字段和数据类型。bash mkdir -p /tmp/talent_9box_$(date +%s)，记录路径供后续步骤复用。bash cp <文件路径> <analysis_dir>/input.*。运行脚本（如用户指定了自定义阈值，通过 --perf-low-max 等参数传入）：
bash python3 ${AIJIA_SKILL_DIR}/scripts/normalize_scores.py \
--input <analysis_dir>/input.* \
--analysis-dir <analysis_dir> \
[--perf-low-max X --perf-mid-max Y] \
[--pot-low-max X --pot-mid-max Y]
向用户展示脚本输出中的：
若脚本输出 status: need_field_map：向用户展示全部列名，询问哪列是绩效分数、哪列是潜力分数，然后携带 --field-map performance_score=<列名>,potential_score=<列名> 重新运行脚本。
告知用户已导出 step1_normalized_scores.xlsx。询问分档阈值是否合理，如需调整重新运行脚本并传入 --perf-low-max 等参数，确认后进入 Step 2。
运行脚本（传入 benchmarks.json 以获取每格位健康参考区间和 warning signals）：
bash python3 ${AIJIA_SKILL_DIR}/scripts/map_9box.py \
--input <analysis_dir>/step1_normalized_scores.xlsx \
--analysis-dir <analysis_dir> \
--benchmarks-path ${AIJIA_SKILL_DIR}/references/benchmarks.json
向用户展示：
benchmarks.json 的健康参考区间和偏差状态）warning_signals（如"明星人才<5%"、"需改进者>10%"、"稳定贡献者>40%"）告知用户已导出 step2_9box_mapping.xlsx。调用 Bash 生成九宫格图，图表数据来自脚本输出的 grid 结构，并保存图表路径供 Step 4 使用。询问分布是否合理，确认后进入 Step 3。
运行脚本（优先使用含 _9box_label 列的 step2 输出文件）：
bash python3 ${AIJIA_SKILL_DIR}/scripts/analyze_structure.py \
--input <analysis_dir>/step2_9box_mapping.xlsx \
--analysis-dir <analysis_dir>
向用户展示多维度切片：
告知用户已导出 step3_structure_analysis.xlsx。询问是否有重点部门或群体需要深入，确认后进入 Step 4。
先读取知识文件获取差异化策略模板：
bash cat ${AIJIA_SKILL_DIR}/references/templates.json
templates.json 包含每个格位的 IDP 行动清单（发展建议、保留建议、风险提示）和绩效/潜力评估维度，用作策略生成的权威参考。基于该文件内容 + 前三步脚本输出生成报告：
templates.json 中对应的发展/保留/风险建议，结合本次实际人数做优先级排序templates.json 中的 assessment_dimensions）和行动时间表发展策略以对话形式呈现给用户，询问是否有需要重点关注的格位或人员。确认后自行生成一份美观的 standalone HTML 报告：
<analysis_dir> 下所有 *_precompute.json 获取数据templates.json）bash 将 HTML 写入 <analysis_dir>/report.html，然后执行 bash open <analysis_dir>/report.html 自动打开| 步骤 | 脚本/文件 | 关键输出 | 可跳过条件 |
|---|---|---|---|
| Step 1 归一化 | normalize_scores.py | step1_normalized_scores.xlsx | 不可跳过 |
| Step 2 九宫格定位 | map_9box.py + benchmarks.json | step2_9box_mapping.xlsx | 不可跳过 |
| Step 3 结构切片 | analyze_structure.py | step3_structure_analysis.xlsx | 数据无部门/年龄/司龄字段时自动跳过 |
| Step 4 发展策略 | templates.json（LLM 读取生成） | 对话输出 | 用户只需分布图不需策略时可跳过 |
| 报告生成 | LLM 自行编写 HTML + ECharts | report.html（自动打开） | 不可跳过 |
normalize_scores.py 支持 --perf-low-max、--perf-mid-max、--pot-low-max、--pot-mid-max 参数，用户有明确分档标准时直接传入，不走三分位切割。benchmarks.json 的 healthy_distribution.grid 定义每格位目标占比和合理区间；如企业自身有不同基准，直接修改该文件。templates.json 的 idp_actions 覆盖了 5 个代表格位；如需补充其余格位或覆盖建议内容，直接在文件中新增键值对。bash 读取 step2_9box_mapping.xlsx 自定义计算。| 错误 | 原因 | 处理 |
|---|---|---|
| 绩效/潜力均为"中"，九宫格集中在正中间 | 三分位切割在数据高度集中时阈值相等 | 脚本会自动用 P25/P75 补救；展示时说明，建议用户提供明确分档标准 |
map_9box.py 报"绩效/潜力列缺失" | step1 的 perf_col/pot_col 识别失败 | 展示原始列名，让用户确认哪列是绩效/潜力，重新运行 normalize_scores.py |
| 明星人才占比 0% | 数据全部落在中/低绩效 | 正常数据情况，如实展示，建议用户复核评估标准是否过于严格 |
| Step 3 切片结果为空 | 数据无部门/年龄/司龄字段 | 告知用户此步骤跳过，直接进入 Step 4 |
本技能在 AIjia 桌面端运行。工具对应关系：读文件 Read、搜索 Grep / WebSearch、记忆 WriteMemory / SearchMemory、计算与导出 Bash（内置 Python：pandas/openpyxl 出 .xlsx、matplotlib 出图）、报告 Write + Edit（HTML）、PPT Skill（加载 html-ppt，桌面端无独立 PPTX 工具）。
生成报告 / 长文档必须逐节增量写、用 Edit 续写，禁止把整份内容作为单个 Write 一次性吐出——否则对话界面会长时间无响应、且易触发流式超时。
基于 SOC 职业分类