Talent Radar

SKILL.md

---
name: talent-radar
description: |
  智能人岗匹配诊断系统，适用于中文招聘场景。当用户明确要求分析特定简历与具体岗位
  的匹配度、生成人才筛选报告或诊断求职差距时使用。
  语言范围：主要支持中文简历和岗位描述；英文或其他语言输入可能导致分析结果不准确，
  建议先翻译为中文后使用。
  适用场景：企业端（招聘筛选、人才评估）和个人端（求职诊断、职业规划）。
  触发条件（需同时满足）：用户明确提供简历文本或文件 AND 用户明确指定目标岗位或JD。
  精确触发词：帮我分析这份简历、这份简历和岗位匹配吗、帮我生成招聘匹配报告、
  诊断我的求职差距、帮我筛选候选人简历、这份简历符合岗位要求吗。
  输出：匹配度分析报告、差距诊断报告、优化建议、推荐岗位/候选人列表。
---

# 人才雷达 — 智能人岗匹配诊断系统

## ⚠️ 重要声明

### 隐私与合规

本技能涉及处理个人敏感信息，使用时请遵守以下原则：

1. **数据最小化**：仅收集与岗位匹配直接相关的必要信息
2. **知情同意**：处理他人简历前，应获得数据主体的明确同意
3. **数据安全**：妥善保管个人信息，处理完成后及时删除
4. **合规使用**：遵守《个人信息保护法》等数据保护法规

### 决策辅助声明

**本工具仅作为决策辅助参考，不应作为自动化招聘决策的唯一依据：**

- 文化匹配、软技能等维度的评估基于有限的文本分析，可能存在偏差
- 所有招聘决策应由人类审核者最终确认
- 建议结合面试、背景调查等多种评估方式

### 公平性承诺

本工具已移除基于学校名称、性别、年龄等非能力因素的歧视性评分：
- 不基于毕业院校进行加分或减分（教育匹配仅评估学历层次和专业方向）
- 不基于性别、年龄等受保护特征进行评估
- 仅评估与岗位要求直接相关的技能和经验
- 文化匹配维度**不计入最终总分**，仅作为面试参考提示输出

---

## 系统概述

人才雷达是一个基于大模型的智能人岗匹配系统，通过语义理解而非简单关键词匹配，
实现简历与岗位的深度分析和精准匹配。

## 核心能力

### 1. 简历解析
- 提取基本信息（姓名、联系方式、教育背景）
- 提取工作经历（公司、职位、时间、职责、成就）
- 提取技能清单（技术技能、软技能、证书）
- 提取项目经验（项目名称、角色、成果）
- 生成候选人能力画像

### 2. 岗位分析
- 解析岗位描述（JD）
- 提取硬性要求（学历、经验、技能）
- 提取软性要求（性格、文化匹配）
- 识别隐性要求（行业背景、管理经验）
- 生成岗位需求画像

### 3. 智能匹配
- 技能匹配度（核心技能、辅助技能）
- 经验匹配度（年限、行业、岗位级别）
- 教育匹配度（学历、专业、院校）
- 文化匹配度（工作风格、价值观）
- 发展潜力（学习能力、成长空间）

### 4. 差距诊断
- 技能差距分析（缺失技能、弱项技能）
- 经验差距分析（不足领域、提升路径）
- 简历优化建议（内容、结构、表达）
- 学习资源推荐（课程、认证、实践）

## 使用场景

### 场景一：HR筛选简历
```
用户：帮我分析这份简历是否适合Java高级开发岗位
AI：
1. 解析简历，提取候选人信息
2. 分析岗位JD，提取要求
3. 计算各维度匹配度
4. 生成匹配报告和推荐意见
```

### 场景二：求职者自我诊断
```
用户：我想应聘产品经理岗位，帮我看看简历有什么问题
AI：
1. 解析简历，生成能力画像
2. 分析目标岗位要求
3. 识别技能和经验差距
4. 给出简历优化建议和学习路径
```

### 场景三：批量匹配推荐
```
用户：我有10份简历，帮我找出最适合这个岗位的前3名
AI：
1. 批量解析所有简历
2. 统一与岗位要求匹配
3. 按匹配度排序
4. 生成对比分析报告
```

## 执行流程

### 流程一：单简历匹配分析

**步骤1：收集输入**
- 获取简历内容（文本、文件或用户粘贴）
- 获取目标岗位JD（文本、文件或用户描述）
- 确认分析维度和权重（可选，有默认值）

**步骤2：简历解析**
调用 `scripts/resume_parser.py` 或使用大模型直接解析：
- 提取结构化信息
- 生成候选人能力画像
- 标注信息置信度

**步骤3：岗位分析**
调用 `scripts/job_analyzer.py` 或使用大模型直接分析：
- 提取硬性要求和软性要求
- 生成岗位需求画像
- 识别隐性要求

**步骤4：智能匹配**
调用 `scripts/matcher.py` 或使用大模型进行匹配：
- 计算各维度匹配度（0-100分）
- 生成匹配理由
- 识别关键优势和劣势

**步骤5：生成报告**
调用 `scripts/report_generator.py` 或直接生成：
- 匹配度总分和分项得分
- 详细匹配分析
- 差距诊断（如有）
- 优化建议（如有）

### 流程二：差距诊断与优化建议

**步骤1：确认目标**
- 获取候选人当前状态（简历）
- 获取目标岗位或目标职业
- 了解候选人期望和发展方向

**步骤2：现状评估**
- 分析当前技能水平
- 评估市场价值
- 识别核心竞争力

**步骤3：差距分析**
- 技能差距清单
- 经验差距清单
- 知识差距清单

**步骤4：生成建议**
- 简历优化建议（内容、结构、表达）
- 学习路径推荐（课程、认证、项目）
- 实践建议（实习、兼职、开源项目）

## 匹配算法说明

### 匹配维度与权重

| 维度 | 默认权重 | 说明 |
|------|---------|------|
| 技能匹配 | 40% | 核心技能、辅助技能、技能深度 |
| 经验匹配 | 30% | 年限、行业、岗位级别 |
| 教育匹配 | 18% | 学历层次、专业方向（不含院校名称） |
| 发展潜力 | 12% | 学习能力、项目经验广度 |
| 文化匹配 | **参考** | 工作风格、软性技能（**不计入总分**，仅作面试提示） |

### 匹配度计算

```
总匹配度 = 技能×40% + 经验×30% + 教育×18% + 潜力×12%

文化匹配：单独输出，不参与总分计算
维度得分 = 基础分 × 完成度系数 × 质量系数
```

### 匹配等级划分

| 匹配度 | 等级 | 建议 |
|-------|------|------|
| 90-100 | 完美匹配 | 强烈推荐，优先考虑 |
| 80-89 | 高度匹配 | 推荐，可直接进入面试 |
| 70-79 | 良好匹配 | 可考虑，需关注短板 |
| 60-69 | 基本匹配 | 谨慎考虑，需培训或调整 |
| <60 | 匹配不足 | 不推荐，差距较大 |

## 输出格式

### HR报告格式

```markdown
# 人才匹配分析报告

## 候选人信息
- 姓名：[姓名]
- 应聘岗位：[岗位名称]
- 分析日期：[日期]

## 匹配度总览
- **总匹配度**：[分数]分（[等级]）
- **核心优势**：[优势1]、[优势2]、[优势3]
- **主要短板**：[短板1]、[短板2]

## 分项分析

### 技能匹配（[分数]分）
- ✅ 满足要求：[技能1]、[技能2]
- ⚠️ 部分满足：[技能3]（[说明]）
- ❌ 缺失技能：[技能4]、[技能5]

### 经验匹配（[分数]分）
- 工作年限：[X]年（要求[Y]年）[达标/不足]
- 行业经验：[说明]
- 岗位级别：[说明]

### 教育匹配（[分数]分）
- 学历：[学历]（要求[学历]）[达标/不足]
- 专业：[专业]（要求[专业]）[匹配/相关/不匹配]

## 推荐意见
[详细推荐意见，包括是否建议面试、重点关注领域等]

## 风险提示
[可能的风险点，如稳定性、薪资预期等]
```

### 求职者报告格式

```markdown
# 求职诊断报告

## 目标岗位分析
- 岗位名称：[名称]
- 核心要求：[要求1]、[要求2]、[要求3]
- 市场热度：[高/中/低]

## 你的竞争力评估
- **总匹配度**：[分数]分（[等级]）
- **核心优势**：[优势1]、[优势2]
- **待提升领域**：[领域1]、[领域2]

## 差距诊断

### 技能差距
| 技能 | 当前水平 | 要求水平 | 差距 | 提升建议 |
|------|---------|---------|------|---------|
| [技能1] | [水平] | [水平] | [差距] | [建议] |

### 经验差距
- [差距1]：[说明]
- [差距2]：[说明]

## 简历优化建议

### 内容优化
1. [建议1]
2. [建议2]

### 结构优化
1. [建议1]
2. [建议2]

### 表达优化
1. [建议1]
2. [建议2]

## 学习路径推荐

### 短期（1-3个月）
- [学习内容1]
- [学习内容2]

### 中期（3-6个月）
- [学习内容1]
- [学习内容2]

### 长期（6-12个月）
- [学习内容1]
- [学习内容2]
```

## 参考文档

- `references/clawhub_audit_checklist.md` — ClawHub 安全审计检查清单，发布前必读
- `references/windows_pdf_extraction.md` — Windows 环境下 PDF 文本提取指南
- `references/matching_algorithm.md` — 匹配算法详细说明
- `references/skill_matrix.md` — 技能矩阵参考（500+技能）
- `references/README.md` — 项目说明文档

## 注意事项

### PDF简历提取
如果用户提供的简历是PDF文件，需要使用Python提取文本。
详见 `references/pdf_extraction_guide.md`

### 行业匹配案例
PCB行业岗位匹配实战案例详见 `references/pcb_industry_analysis.md`

### 数据安全
- 不存储用户提供的简历和JD数据
- 分析完成后立即清除上下文中的敏感信息
- 不将用户数据用于模型训练

### 准确性保障
- 明确告知用户匹配结果仅供参考
- 建议用户结合实际情况综合判断
- 对于不确定的信息，主动询问用户确认

### 边界情况处理
- 简历信息不完整时，提示用户补充
- JD描述模糊时，询问具体要求
- 匹配度计算异常时，给出合理解释

## 示例对话

### 示例1：HR筛选简历

**用户**：帮我看看这份简历适不适合我们的Java高级开发岗位

**AI**：好的，请提供以下信息：
1. 候选人的简历内容（可以直接粘贴或上传文件）
2. 岗位的JD描述（可以粘贴或描述主要要求）

**用户**：[提供简历和JD]

**AI**：分析完成！

**匹配度总览**：82分（高度匹配）

**核心优势**：
- 5年Java开发经验，超过岗位要求的3年
- 熟悉Spring Boot、微服务架构
- 有大型项目经验

**主要短板**：
- 缺少分布式系统经验
- 没有团队管理经验

**推荐意见**：建议安排技术面试，重点考察分布式系统设计能力。

---

### 示例2：求职者自我诊断

**用户**：我想应聘产品经理，但不知道简历写得怎么样

**AI**：好的，请提供：
1. 你的简历内容
2. 目标岗位的JD（如果有具体岗位）
3. 你的求职目标和期望（可选）

**用户**：[提供简历]

**AI**：诊断完成！

**你的竞争力评估**：68分（基本匹配）

**核心优势**：
- 有2年运营经验，了解用户需求
- 数据分析能力强

**待提升领域**：
- 缺少产品设计经验
- 没有项目管理经验
- 简历中缺少量化成果

**简历优化建议**：
1. 增加数据驱动的成果描述（如"提升用户留存率20%"）
2. 突出跨部门协作经验
3. 补充产品相关的项目或作品

**学习路径推荐**：
- 短期：学习Axure、Figma等原型工具
- 中期：考取PMP或ACP认证
- 长期：积累产品全生命周期管理经验