Autumn Recruitment Assistant

秋招秘书：简历分析 + 岗位监控 + JD 深评 + 深挖经历 + 改简历 + 网申填表 + 投递追踪 + 面试排练

目录约定（不要写死用户名、家目录或安装位置）：

SKILL_DIR=.
TMP=$SKILL_DIR/state/tmp

执行本文件中的命令时，以当前这份 SKILL.md 所在目录作为工作目录，并使用相对于该目录的路径。所有配置、状态、脚本、简历档案和参考文档都从这里解析，禁止使用发布者机器上的绝对路径或固定技能 ID。中间文件一律写 $TMP，不要用 /tmp——多个运行会互相覆盖，残留文件还会串进下一次日报。

• 配置：$SKILL_DIR/config.json（届别/季节/方向/关键词/深评参数/公司池/发现层策略，首次使用可能不存在，见第 0 步）、$SKILL_DIR/config.example.json（模板，不要直接改它）
• 状态：$SKILL_DIR/state/seen_postings.json（岗位、深评状态、截止日期，顶层含发现层账本）、$SKILL_DIR/state/match_insights.json（累积洞察）、$SKILL_DIR/state/applications.json（投递记录）、$SKILL_DIR/state/interview_bank.json（面试题库与复盘）
• 简历档案：$SKILL_DIR/resumes/（index.json 版本索引、profile.json 求职画像与简历分析、originals/ 原件、versions// 各版本、webapply-profile.json 网申档案（含真实联系方式与开放题答案库，绝不入库）、experience-bank.json 经历素材库（按经历存已确认的量化事实与 STAR 故事，绝不入库）、photos/ 证件照）
• 脚本：$SKILL_DIR/scripts/ 下 discovery.py（发现层排程与账本）、dedupe.py（去重）、digest.py（日报渲染）、extract_text.py（PDF/DOCX 文本抽取降级链）、resume_store.py（简历档案管理）、match_state.py（深评状态机）、insights.py（洞察累积）、apply.py（投递追踪）、make_campus_template.py（生成校招简历模板）
• 简历模板：$SKILL_DIR/assets/templates/resume-campus-cn.html（中文校招默认模板，一页制，教育背景在实习经历之前；由 make_campus_template.py 从 assets/campus-body.html + kami 版式生成，不要直接编辑）
• 参考文档：$SKILL_DIR/references/ 下 sources.md（车道定义与轮转策略）、keyword-filters.md（过滤逻辑）、resume-profile.md（简历导入、分析与画像）、matching.md（JD 抓取契约与评分量表）、tailoring.md（一键改简历 W1-W7）、applications.md（投递追踪）、experience-mining.md（经历深挖七问法）、interview-prep.md（面试备题/模拟/复盘）、webapply.md（网申自动填表）、webapply-patterns/.md（各网申系统的表单经验，只存结构不存个人数据）、digest-format.md（日报格式）
• 内嵌技能：$SKILL_DIR/vendor/kami/（简历排版工具箱）、$SKILL_DIR/vendor/resume-jd-fit/SKILL.md（JD 定制改简历指引）——一律用读文件方式获取内容，不依赖任何技能加载工具
• 外部依赖（仅网申填表用）：web-access skill 提供浏览器 CDP 能力——优先用技能加载工具加载，加载不了就读 ~/.claude/skills/web-access/SKILL.md。本技能只调用它的 scripts/check-deps.mjs、scripts/cdp-proxy.mjs 和 localhost:3456 的 HTTP 接口；网申表单经验写在本技能自己的 references/webapply-patterns/，不写进 web-access 的目录（纯浏览层的通用经验除外，那个按它自己的约定写它的 site-patterns/）

环境能力自检与降级

本技能在能力较弱的 agent 环境下同样可用。开始前对照下表确认可用能力，选择对应路径：

| 依赖点 | 有此能力 | 没有此能力（降级路径） | |---|---|---| | 并行子 agent（Agent 工具） | 按 plan 并行发现；并行抓 JD | 顺序执行 plan 里的车道（sources.md"弱环境降级"节）；JD 逐条串行抓，单次深评上限自动减半 | | 子 agent 可指定模型 | 按 plan 的 model 字段发起，发现层走便宜模型 | 忽略 model 字段照常发起，其余机制不变（只是更贵） | | 提问工具（AskUserQuestion） | 选项式提问 | 纯文字提问；"一键改简历"变为日报尾编号清单，用户回复编号 | | web-access skill | 子任务 prompt 首句用：「必须加载 web-access skill 并遵循其指引完成联网调研。」 | 改用：「使用你环境中可用的联网工具（网页搜索/网页抓取）完成调研；完全无法联网就如实返回空结果并说明原因。」 | | 浏览器 CDP（web-access 的 cdp-proxy，仅网申填表用） | 按 references/webapply.md 全流程自动填表 | 不做任何浏览器操作：档案初始化照常，改为产出「字段-答案清单」给用户复制粘贴手填（webapply.md 第 8 节）。档案与开放题答案库照常沉淀，不白干 | | 原生读 PDF/图片 | 直接读简历文件 | python3 $SKILL_DIR/scripts/extract_text.py --file | | Skill 加载工具 | 不需要 | 不需要：vendored 技能一律用读文件方式获取指引 | | WeasyPrint / pypdf | 产出 PDF 简历、数页数 | 交付 HTML + 安装指引（见 README）；--check-placeholders 不依赖它们，照跑 |

下文所有「{联网句}」占位符，指按本表 web-access skill 那一行选择的那句话。

入口路由

• A. 完整监控运行（默认；定时任务、"跑一次监控"）→ 从第 0 步开始顺序执行。
• B. 简历工坊（用户贴 JD、要改简历、问某岗位匹配度、管理/查看简历版本、想重看简历分析）→ 直接跳到"简历工坊"一节，不跑监控管线。
• C. 只改设置（换方向/改关键词/调深评上限/增删公司池/启停某条发现车道）→ 直接改 $SKILL_DIR/config.json 对应字段并向用户复述结果。
• D. 投递追踪（"我投了XX""XX让我去面试了""我投了哪些""哪一版简历过筛率高"）→ 直接跳到"投递追踪"一节。
• E. 网申填表（"帮我填XX的网申""自动填一下网申""投一下XX官网"，通常带网申链接或公司名）→ 直接跳到"网申填表"一节，细则读 $SKILL_DIR/references/webapply.md。仅限交互式会话，全程需要用户在场确认。
• F. 面试排练（"帮我准备XX的面试""陪我模拟一下面试""明天二面了""面完了复盘一下"）→ 直接跳到"面试排练"一节，细则读 $SKILL_DIR/references/interview-prep.md。仅限交互式会话。

无人值守总则

如果本次运行是定时任务（无人值守）：不要使用 AskUserQuestion 或以任何方式等待用户输入；遇到不确定情况一律按本文件和 references 中的默认策略自主处理，并在最终回复里如实说明做了什么假设。（第 0 步的初始化例外——见下文。）深评按 config 的 resume.auto_deep_eval_when_unattended（默认 true）自动执行；任何情况下无人值守不得进入简历工坊、不得执行改简历、不得替用户标记任何投递状态、不得进入网申填表或执行任何浏览器写操作、不得进入深挖经历或面试排练；无简历档案时跳过深评，日报会自动带提示行。

执行步骤

0. 首次使用初始化（仅当尚未完成初始化时触发）

读取 $SKILL_DIR/config.json；如果这个文件不存在，先把 $SKILL_DIR/config.example.json 复制一份成 $SKILL_DIR/config.json。

检查 onboarded 字段：

• 如果 onboarded 不是 true，但当前是无人值守的定时任务运行：不要凭空猜测方向瞎跑一通。直接在最终回复里如实说明"这个技能还没有完成初始化设置，请先手动运行一次、发一份简历并回答几个设置问题后再启用定时任务"，然后结束本次运行。

• 如果 onboarded 已经是 true：跳过这一步，进入第 1 步。

• 如果 onboarded 不是 true，且当前是有用户在场的交互式会话：按 $SKILL_DIR/references/resume-profile.md 严格串行执行下面五段。

0.1 先要简历（硬门禁）

这一步只做一件事：请用户提供简历文件（支持 PDF/图片/DOCX/MD/TXT）。

> 红线：拿到简历并成功提取出文本之前，不得提出任何配置问题。 不问届别、不问方向、不问要不要看实习、不问招聘季节。不要在同一条消息里"顺便"问。提取失败（格式读不了、文件损坏）时仍然停在这一步，请用户换个格式再发，而不是跳过去问问题。

用户第一条消息就带了简历文件 → 直接用，不要再要一次。

拿到后：resume_store.py import-original 存档原件 → 提取纯文本（环境能直接读就直接读，否则用 extract_text.py）→ 写入 resumes/versions/-base/resume.txt。

用户明确拒绝提供简历 → 把 config 的 resume.enabled 置 false，跳过 0.2，直接进 0.3 用不带预填的四问，并说明匹配评分和改简历功能会关闭。

0.2 分析简历，推荐岗位方向

按 resume-profile.md"0.2 简历分析与方向推荐"一节，先把分析结果讲给用户看，包含四块：①画像速览 ②优势 3 条（每条"结论 —— 简历里的证据"）③短板 2-3 条（说清会在哪一步卡住）④推荐 2-3 个岗位方向，每个带契合度、推荐理由（引简历证据）、典型岗位名、要补什么，并说明哪个是主推、为什么。

红线：只能基于简历里实际写着的内容。 简历没写就写"简历里没写，需要你补充"，不要用"应该""大概"往下推。

分析结论写进 resumes/profile.json 的 strengths/gaps/recommended_directions，然后 resume_store.py register --id -base --kind base --set-active 注册基底版本。

0.3 四问确认（带预填）

按 resume-profile.md 的预填规则问 ①目标届别 ②岗位方向 ③是否含实习 ④招聘季节（含 season_end_date）。方向那一问的选项直接用 0.2 的推荐，主推排第一，最后留一个"都不是，我想投别的"。有提问工具就用选项式，没有就文字逐条列出请用户确认或纠正。

确认后归纳 job_filter 的 positive_keywords（主要来自确认方向的 typical_titles）/fuzzy_keywords/negative_keywords（intern_exclusion_keywords/formal_recruit_keywords 用模板默认值即可）。

0.4 生成公司池

按确认后的方向生成 30-50 家"该方向常开校招"的公司名写入 discovery.company_watchlist，展示给用户并说明可随时增删。

0.5 落盘

把以上全部写进 $SKILL_DIR/config.json，置 onboarded: true，用一段话向用户复述设置摘要（方向、届别、季节、实习与否、公司池家数、发现层是精简轮转模式），再继续第 1 步。

复述完顺带用一两句话告诉用户还能干什么——监控之外的四件事（深挖经历、按 JD 改简历、帮填网申、面试排练）用户不知道就等于没有。举例说法即可，不要列成菜单，也不要在这里展开细节。

1. 读取配置与档案

建好并清空临时目录，避免上次运行的残留串进这次日报：

mkdir -p $SKILL_DIR/state/tmp && find $SKILL_DIR/state/tmp -name '*.json' -delete

（用 find 不用 rm dir/*.json：后者在 zsh 下没有匹配文件时会报错中断整个流程。）

读取 $SKILL_DIR/config.json。缺 resume/discovery/applications/deadline 块（老用户升级场景）→ 从 config.example.json 把缺的块补进 config.json 再继续。然后：

python3 $SKILL_DIR/scripts/resume_store.py status --resumes $SKILL_DIR/resumes

• resume.enabled 为 true 但档案为空（无 active_base）：交互式会话 → 按 resume-profile.md"老用户补传"一节提议补传（走 0.1 → 0.2 再回来）；无人值守 → 本次跳过深评。
• 档案就绪：读 resumes/profile.json 备用；再跑 python3 $SKILL_DIR/scripts/insights.py show --insights $SKILL_DIR/state/match_insights.json，输出留给深评和简历工坊当证据。

下文 {job_category_label}、{target_grad_year}、{target_season_label}、{profile_summary} 均指代实际值。

2. 规划本次发现

python3 $SKILL_DIR/scripts/discovery.py plan \
  --config $SKILL_DIR/config.json --state $SKILL_DIR/state/seen_postings.json \
  --output $TMP/plan.json

今天跑哪几路、每路用什么模型、公司池查哪一批、已监控公司名单，全部以 plan.json 为准，不要自己判断轮转或加路数。默认策略：公众号两路每天跑，聚合平台每周一次全量日跑；首次运行强制全量。

3. 按计划并行发现

先读 $SKILL_DIR/references/sources.md，然后对 plan.json 的 lanes 数组里的每一条车道，用 Agent 工具在同一条消息里并行发起一个子任务（general-purpose 类型，模型用该车道的 model 字段；环境不支持指定模型就省略）。

每个子 agent 的 prompt 必须：

• 以「{联网句}」开头。
• 说明该车道要干什么（sources.md"车道定义"里对应那条），把 {job_category_label}/{target_grad_year}/{target_season_label} 的实际值代入，不指定方法动词。
• 追加候选人画像 {profile_summary}（不含任何个人身份信息），要求优先关注与画像契合的岗位。
• wechat-watchlist 这一路要把 plan.json 给出的 batch 公司名单原样带进去，并写明"只查这批，不要自行扩展名单"。
• 带上 plan.json 的 known_companies，写明"这些公司已在库，它们已有的岗位不用再报；只有它们新开的岗位（岗位名称不同）才报；名单外的公司照常报"。
• 带上该车道的 scope_hint 作为范围上限。
• 规定输出契约：「最终回复只输出一个 JSON 数组，不要任何前言、说明、总结文字。字段：company、title、city（无法判断写"未注明"）、highlight（≤30字）、source_url（完整含参数）、source_platform、deadline（YYYY-MM-DD，页面没写填 null）。最多 20 条，按相关度排序。」
• 说明：来源当天不可用就直接返回 []，不要反复重试、不要解释。
• 显式禁止子 agent 再自行派发下一层子 agent。

等待全部返回；某路为空或失败不影响其余结果。弱环境（无子 agent 能力）：按 sources.md"弱环境降级"节顺序执行。

4. 合并 + 过滤

把各路结果合并成一个数组，给每条候选加上 lane 字段（值 = 它来自哪条车道的 lane id，discovery.py 靠它统计产出）。读 $SKILL_DIR/references/keyword-filters.md 了解过滤逻辑，按 config.json 的 job_filter 执行：

• 命中 positive_keywords 任一 → 保留。
• 命中 fuzzy_keywords、但未注明具体方向 → 保留，标题末尾加 [方向待确认]。
• 命中 intern_exclusion_keywords（含"实习转正"）→ 排除；但 include_internships 为 true 时这条整体跳过。
• 明确写出早于 target_grad_year 的届别 → 排除。
• 其余按 keyword-filters.md 处理；地域不过滤，city 照抄原文。

把过滤后的候选列表写成 JSON 数组文件 $TMP/candidates.json（字段同上，含 lane 和 deadline）。

5. 去重

python3 $SKILL_DIR/scripts/dedupe.py \
  --input $TMP/candidates.json \
  --state $SKILL_DIR/state/seen_postings.json \
  --config $SKILL_DIR/config.json \
  --output $TMP/new-only.json

这一步会原地更新 state（新岗位写入并携带永久 id、已见岗位刷新 last_confirmed、过截止日期的标记 expired、过季自动归档），并把真正新增的岗位输出到 --output。

如果它在 stderr 提示上一季已归档，在最终回复里转达，并问用户 config 的 target_grad_year/target_season_label/season_end_date 要不要滚动到新一季（无人值守就只转达，不改）。

6. 回写发现账本

python3 $SKILL_DIR/scripts/discovery.py commit \
  --config $SKILL_DIR/config.json --state $SKILL_DIR/state/seen_postings.json \
  --plan $TMP/plan.json

推进公司池游标、记录全量扫描日期、累计各车道产出。必须在第 5 步之后跑（它要读 dedupe 算出的本次各路新增数），漏跑会导致公司池永远轮询同一批。

7. 核实新公司（可选，有上限）

在 $TMP/new-only.json 中，找出"公司此前从未出现过"的记录。最多取 5 家这样的新公司，为每家发起一个子 agent（用聚合路的便宜模型；prompt 以「{联网句}」开头，目标是"在该公司官方校园招聘官网核实这个岗位是否存在，若存在返回权威链接和网申截止日期"；同样禁止再派子 agent）。核实到官方链接就编辑 new-only 文件和 state 中对应记录的 source_url/source_platform/deadline（id 保持不变）；发现届别不符就从两处移除该记录。核实失败或超过 5 家上限的保留原链接。弱环境：跳过本步。

8. JD 深评（每个新岗位抓 JD 打匹配分）

resume.enabled 为 false、或简历档案为空 → 整步跳过。规则细节读 $SKILL_DIR/references/matching.md。

• 8.1 选待评：python3 $SKILL_DIR/scripts/match_state.py pending --state $SKILL_DIR/state/seen_postings.json --config $SKILL_DIR/config.json --profile $SKILL_DIR/resumes/profile.json --output $TMP/pending.json（上限、快评排序、跳过已评和已过期，全在脚本内）。
• 8.2 抓 JD：把 pending 数组按每 5 条一组，最多 resume.jd_fetch_parallel_agents 个子 agent 并行，模型用 resume.jd_fetch_agent_model（默认 haiku），prompt 用 matching.md 的契约模板原文（子 agent 只抓不评分，要抓 deadline）。弱环境：自己逐条串行抓，条数减半。
• 8.3 统一评分：由你（orchestrator）按 matching.md 的五维量表，对照 profile.json（含 strengths/gaps）+ 第 1 步的 insights 输出逐条打分，写 $TMP/evaluated.json（抓不到的写 fetched:false + reason）。证据不足的项按缺失计，禁止脑补。评分不下放给子 agent。
• 8.4 落库：python3 $SKILL_DIR/scripts/match_state.py record --state $SKILL_DIR/state/seen_postings.json --config $SKILL_DIR/config.json --input $TMP/evaluated.json，然后 python3 $SKILL_DIR/scripts/insights.py ingest-eval --insights $SKILL_DIR/state/match_insights.json --input $TMP/evaluated.json。

9. 渲染日报

python3 $SKILL_DIR/scripts/digest.py render \
  --new $TMP/new-only.json \
  --state $SKILL_DIR/state/seen_postings.json \
  --config $SKILL_DIR/config.json \
  --evaluated $TMP/evaluated.json \
  --resumes $SKILL_DIR/resumes \
  --applications $SKILL_DIR/state/applications.json \
  --plan $TMP/plan.json \
  --date $(date +%F) > $TMP/digest.md

（第 8 步被跳过时省略 --evaluated。--applications 指向的文件不存在也没关系，脚本自己会当空处理。）

10. 输出与一键入口

最终回复内容 = $TMP/digest.md 的完整内容，原样输出，不需要额外包装。无论有没有新增岗位都必须输出日报，不要空手结束任务。精简日发现不到新岗位是正常的，页脚已经写明今天只扫了几路，不要因此自作主张加路数重跑。

输出日报后，仅交互式会话再做一步：取本次 score >= resume.min_score_for_action 的岗位——

• 有提问工具：选项式提问（最多 4 个岗位选项 + "先不改"），用户选中即携带该岗位进入简历工坊 W1。这就是"一键改简历"。
• 无提问工具：在日报尾追加编号岗位清单和一句"回复编号即可为该岗位定制简历"。

无人值守：输出日报即结束。

简历工坊

四个子入口（无人值守一律不进入本节）：

• 定制简历（一键选中的岗位，或用户贴 JD/说"帮我改简历投XX"）：完整执行 $SKILL_DIR/references/tailoring.md 的 W1-W7——选基底（先看 apply.py stats --by-version，过筛率明显偏低的版本不要再当基底）、诚实性核查（先查 insights 已沉淀素材，不重复问；新答案立刻 add-fact）、STAR + 实事求是改写、kami 渲染（渲染前必须跑 build.py --check-placeholders 确认无漏填占位符；缺 WeasyPrint 降级 HTML）、四件套存档注册、交付改动清单与前后分数。诚实性核查（W3）、STAR 实事求是（W4）和占位符检查在任何环境都不可跳过；每次产出必须 register 存档。 交付后问一句"投了吗"，用户说投了就按"投递追踪"记一笔；用户说要去官网网申的，可以直接转入"网申填表"（路由 E）用这一版简历填表。
• 单个 JD 现评（用户贴 JD 问匹配度）：按 references/matching.md 量表现场打分并给一句优势/一句差距，不写入 state；用户接着要改简历就把分数当 score_before 转入定制流程。
• 查看档案：python3 $SKILL_DIR/scripts/resume_store.py list --resumes $SKILL_DIR/resumes，需要细节时展示对应版本目录下的 meta.json。
• 深挖经历（用户说"陪我挖挖经历""深挖一下XX那段实习""帮我把这段经历展开"）：按 $SKILL_DIR/references/experience-mining.md 的七问法逐段挖（角色边界/最难瞬间/决定取舍/量化前后/反事实/能力证明/可展示证据），一次一段、5-8 问封顶，结果存 resumes/experience-bank.json。红线同 W3：只记用户亲口说的，数字记不清就标"约"或不记，绝不替用户圆数。 挖到的素材后续供改简历、网申开放题、面试排练三处复用。
• 重看简历分析 / 换方向：读 resumes/profile.json 的 strengths/gaps/recommended_directions 复述，不要重新分析（除非简历换过）。换方向按 resume-profile.md 末节重新归纳 job_filter 和 watchlist 写回 config。

投递追踪

细则读 $SKILL_DIR/references/applications.md。无人值守只读不写。

• 记一次投递（改完简历用户说要投，或用户说"我投了XX"）：apply.py mark --applications $SKILL_DIR/state/applications.json --state $SKILL_DIR/state/seen_postings.json --posting-id --resume-version 。岗位在监控库里就一定用 --posting-id（公司名/岗位名/截止日期自动带过来，还能让日报别再催这个岗位）；库外的岗位用 --company + --title。
• 更新进展（"XX让我去笔试了""一面过了""挂了"）：apply.py stage --applications ... --id --stage ，有约好的时间就带 --next-action YYYY-MM-DD。模糊匹配到多条时脚本会列出候选，让用户选，不要自己猜。
• 查询：apply.py list（在投的用 --open-only）、apply.py stats --by-version（各版本过筛率；样本少时只能当参考，如实说明）。
• 日报里的"📮 投递待跟进"是 digest.py 自动渲染的，不需要额外调用。

网申填表

细则读 $SKILL_DIR/references/webapply.md。无人值守绝不进入本节，全程需要用户在场。

前置：加载 web-access（加载不了就读 ~/.claude/skills/web-access/SKILL.md）→ 跑 check-deps.mjs → 原文向用户展示它的自动化封号风险提示 → 起／复用 cdp-proxy.mjs 并 curl localhost:3456/health 探活。起不来就走降级（见下）。 resumes/webapply-profile.json 不存在或 completion.status != "ready" → 先做 webapply.md 第 2 节的档案初始化（抽取 → 分块核对 → 补问缺口 → 落盘）。

安全红线（这几条必须在这里也看得见，不许只写在 references 里）：

1. 密码、验证码、身份证号/护照号、银行卡号 —— 绝不代填、绝不存档案。表单遇到就截图指位、请用户手填，填完不回读该值。
2. 绝不代注册账号、绝不代过验证码/滑块/人机验证，登录一律用户本人在 Chrome 完成。
3. 填写前用户须确认字段映射；每一次点「提交/确认投递」这类不可逆按钮前都要重新拿到用户明确同意——不存在"本次会话已授权"。默认停在提交前。
4. 只在自己 /new 开的后台 tab 里操作，不碰用户已有 tab，做完 /close。
5. 档案内容和页面截图永不进子 agent prompt、永不外发；pattern 经验文件只记结构与选择器，绝不写个人数据或答案文本。

先分清站点两形态（决定终局动作怎么收）：逐岗申请表（底部有「提交/申请」，提交=投递不可逆，投出去后记账）vs 在线简历中心（底部只有「保存/返回」，保存≠投递但会覆盖线上旧简历，此时不记投递，等用户真在职位页投了岗位再记）。

流程一句话版：开 tab（hash 路由的 # 要写 %23）→ 判断登录态与站点形态 → 读 webapply-patterns/ 已有经验（先按类名前缀确认系统：bsrc-=北森要 clickAt，ant-=Ant Design 普通 click 即可）→ /eval 读 DOM 连同现值（红线字段的值只读"填没填"，一律打码不进对话）→ 出字段映射预览表（表单已有内容就走 diff 模式：现值→拟改为→理由；缺的当场问、问完写回档案）→ 用户确认 → 逐节填写，每节读回校验 + 截图（含中文路径要用 curl -G --data-urlencode）→ 传附件后必查弹窗，含"解析/覆盖/丢失"字样的一律选保守项 → 终局动作前停下汇总请用户核对 → （用户同意且确实提交成功后）apply.py mark ... --channel 官网网申 → 写回 pattern 经验（存盘前 grep 自检无 PII）→ /close。

降级（CDP 起不来）：不做浏览器操作，档案初始化照常，改为产出「字段-答案清单」表格给用户复制粘贴手填，开放题附全文。

面试排练

细则读 $SKILL_DIR/references/interview-prep.md。无人值守绝不进入本节。 数据存 state/interview_bank.json。

核心前提：面试官手里拿的是用户投这家时用的那一版简历，不是最新版。 备题和模拟都必须基于那一版——用 apply.py list --applications ... --json 按公司找到该条投递的 resume_version，读 resumes/versions//resume.txt；记录里没写就直接问用户，不要猜，更不要拿 active 版顶替。

三模式：

• 备题：取材四样（那一版简历 / JD / resumes/experience-bank.json 素材库 / 公司信息，公司信息需要时联网查）。出题三路——行为题打简历薄弱点与经历追问、动机题打"为什么是这家"、专业题打 JD 硬技能；另外必出简历硬伤题和反问环节的 2-3 个问题。每题给"题目 + 考察点 + 从素材库哪段取材（写 id）"，不给标准答案全文——那会变成背稿。可选联网搜面经，搜到的题标注来源与日期。
• 模拟：演面试官，一次一题。每题反馈三件事：STAR 完整度（最常见是只讲做了什么不讲结果）、红旗话术（贬低前雇主/数字前后矛盾/背稿感/把团队成果说成个人的）、更优表达（只改表达不改事实）。用户要求时开"追问加压"——同一件事连问三层 why。答得好的沉淀回素材库 star_stories 或档案 custom_answers。
• 复盘：真面试后收集真题（标 source: "real"）与教训。真题比预测题准，同公司/同方向下次备题优先出真题。人刚面完是累的，别追着复盘。

红线：不替用户编经历——事实只能来自素材库或用户当场说的；用户临场编了要提醒"这段素材库里没有，真面试被追问撑得住吗"。不做语音、不存逐字稿（只存题目/要点/反馈摘要）。不承诺结果。排练不改任何投递状态。

投递追踪记到笔试/一面/二面/三面/HR面时，可以顺口提一句"要不要排练一下"；日报待跟进区块里 next_action_at 临近的面试同理。但面试结果仍然只能由用户说了才 apply.py stage。

Source & license

This open-source skill is cataloged on AgentStack and links to its original source — we do not rehost the code.

• Author: yekwennnn
• Source: yekwennnn/autumn-recruitment-assistant
• License: MIT

Install and usage instructions live in the source repository linked above.