hr-recruiting-pipeline

name	hr-recruiting-pipeline
description	用用户授权的飞书 Base 或电子表格整理招聘流水，分析候选人所处阶段、阶段分布、流转速度、来源效果和招聘漏斗缺口。用户提到招聘进展、候选人流水、招聘状态、面试阶段、Offer 进展或招聘漏斗时使用。默认只读，保留数据范围、证据来源、缺失项和人工判断边界。

招聘漏斗分析

将候选人招聘数据转成可复核的招聘进展摘要。输出关注阶段分布、阶段转换、处理时长、来源效果和漏斗缺口，帮助招聘负责人决定下一步动作。

适用场景

• “看一下这周招聘进展。”
• “哪些候选人在面试后卡住了？”
• “按渠道比较招聘效果。”
• “算一下从进入流程到入职的时间。”
• “用飞书 Base/表格做一个招聘漏斗。”

工作边界

• 默认读取用户明确提供或明确授权的飞书 Base、Sheets、Docx 或 CSV。
• 默认使用 --as user，先执行身份与权限检查，再读取数据。
• 默认只读；不修改候选人状态、不发送候选人消息、不创建面试、不发 Offer。
• 只做结构化整理和描述性分析，不替代招聘决策、录用决策或合规判断。
• 结果中不得输出候选人姓名、邮箱、电话、简历原文等直接识别信息；需要定位时使用内部脱敏编号。
• 候选人级别的排序、淘汰建议、录用推荐属于人工复核范围，只有在用户明确要求且提供规则时才可生成草案。

标准工作流

1. 确认数据范围

先确认以下边界：

• 数据源 URL、Base/表格名称和目标时间范围。
• 时间口径：创建时间、进入招聘流程时间、最近状态时间或用户指定日期。
• 是否只看仍在流程中的候选人，是否包含已拒绝、已撤回、已入职记录。
• 是否需要按岗位、招聘人、地点、渠道或批次分组。

范围无法确认时，采用最窄可复核范围，并在结果中写明假设。

2. 检查飞书身份与能力

lark-cli auth status --json --verify

支持 auth status --json --verify 的环境确认 identity=user 且 verified=true 后再访问用户数据。当前 CLI 构建若没有 auth 子命令，可退回 contact +get-user --as user 或 task +get-my-tasks --as user 做只读兼容探测。身份未验证、权限不足或账号混用时停止读取，并说明阻塞点。

3. 读取最小字段集

优先只读取分析所需字段：

逻辑字段	常见中文列名	用途
candidate_id	候选人ID、候选人编号、申请编号	脱敏关联
stage	阶段、当前阶段、招聘状态	阶段分布
entered_at	进入时间、申请时间、创建时间	流程起点
updated_at	更新时间、状态更新时间	当前进展时点
source	来源、渠道、投递来源	来源效果
job	岗位、职位、招聘岗位	分组
recruiter	招聘人、HR、负责人	分组
stage_history	阶段历史、状态历史	阶段时长与转换
accepted_at	接受 Offer 时间、录用确认时间	入职漏斗终点

优先使用 references/input-schema.md 的 JSON 结构。列名不一致时先做字段映射，再开始计算；无法映射的字段保留为缺失。

4. 统一阶段口径

将来源系统的阶段归一到以下六个主阶段：

标准阶段	解释
sourced	已发现或已进入人才库
screen	简历筛选或招聘初筛
interview	已安排或正在进行面试
debrief	面试反馈汇总与评估
offer	Offer 准备、审批或已发出
accepted	已接受 Offer 或完成录用确认

rejected、withdrawn、on_hold 等终态或旁路状态保留为附加状态，不强行并入主漏斗。映射表见 scripts/analyze_pipeline.py。

5. 计算可复核指标

至少输出以下内容：

• 各主阶段人数与占比。
• 相邻阶段转换人数和转换率。
• 每个阶段的中位停留时长；样本量不足时标记为 NA。
• 当前在流程中的记录数量与终态数量。
• 从 entered_at 到 accepted_at 的招聘周期；没有终点日期时保留缺失。
• 按来源的候选人数、进入面试人数、接受 Offer 人数和接受率。
• 数据质量：缺失字段、无法识别阶段、异常日期、重复 ID、历史记录不完整。

脚本默认以候选人级别聚合，不输出候选人级明细。分析结果应区分“数据直接支持的事实”“基于规则的计算”“需要招聘负责人确认的解释”。

6. 输出决策摘要

建议结构：

1. 结论：当前漏斗最明显的变化或瓶颈。
2. 范围：数据源、时间窗、记录数、过滤条件。
3. 漏斗：阶段人数、转换率、阶段时长。
4. 来源：渠道效果与样本量。
5. 数据问题：缺失、异常、口径限制。
6. 动作草案：只给出可供人工确认的下一步，不自动执行。

飞书 CLI 适配

优先使用 lark-cli 的快捷命令，完整命令和参数见 references/feishu-cli.md。示例中的 URL、Token、表 ID 均为占位符，禁止直接替换成未核验的真实目标后批量读取。

Base

lark-cli base +url-resolve \
  --url "https://example.feishu.cn/base/appXXXX?table=tblXXXX" \
  --as user --json

lark-cli base +field-list \
  --base-token "appXXXX" --table-id "tblXXXX" \
  --as user --json

lark-cli base +record-list \
  --base-token "appXXXX" --table-id "tblXXXX" \
  --limit 200 --as user --json

先解析 URL 和字段，再按最小字段集读取记录。数据量超过单次限制时按 offset 分页，并在结果中记录分页范围。

Sheets

lark-cli sheets +workbook-info \
  --url "https://example.feishu.cn/sheets/shtXXXX" \
  --as user --json

lark-cli sheets +cells-get \
  --url "https://example.feishu.cn/sheets/shtXXXX" \
  --sheet-name "招聘流水" --range "A1:Z200" \
  --include value,formula --as user --json

先读取工作表结构和标题行，再读取目标数据区。表格内容较大时缩小范围或分块读取。

写入边界

本 Skill 不执行以下操作：

• 更新候选人阶段或录入面试反馈。
• 修改 Base 字段、视图、公式或权限。
• 发送邮件、私信、群消息或日历邀请。
• 创建、审批或发送 Offer。
• 根据候选人数据自动作出录用、淘汰、薪酬或晋升判断。

用户明确提出写入需求时，先将拟写入字段、目标记录、影响范围和回滚方式列成草案，等待明确确认；本 Skill 的默认实现仍保持只读。

质量与隐私检查

提交结果前检查：

• 是否确认用户身份、授权范围和数据源。
• 是否保留原始时间窗、筛选条件和字段映射。
• 是否把无法核验的内容标为 NA、缺失或待确认。
• 是否去掉姓名、邮箱、电话、简历正文等直接识别信息。
• 是否避免把样本量很小的渠道写成稳定结论。
• 是否把自动计算与人工解释分开。
• 是否报告脚本版本、输入摘要和测试状态。

参考文件

• AGENT-GUIDE.md：Agent 的触发条件、输入确认、执行顺序、输出格式和停止规则。
• references/feishu-cli.md：飞书 CLI 的读取命令与安全调用顺序。
• references/input-schema.md：推荐输入结构与字段映射。
• references/safety-boundaries.md：隐私、权限和人工复核边界。
• scripts/analyze_pipeline.py：本地脱敏聚合脚本，不访问网络和飞书。
• tests/fixtures/：不含真实个人信息的测试数据。
• UPSTREAM.md：上游来源、版本、差异和许可证说明。