职业教育职业分析 Skill

概述

本skill用于职业教育专业建设中的职业分析环节，按照工作过程系统化课程开发方法(工作任务分析-典型工作任务分析-行动领域划分-职业能力归纳-学习领域转换-学习情境设计)，自动生成规范的职业分析文档。

适用范围：
- 中等职业教育（中职）
- 高等职业教育（高职/专科）
- 职业教育本科（职教本科）

分析前思维框架

在开始职业分析前，必须理解以下关键决策点：

1. 层次适配原则

核心问题：这个教育层次的职业面向和能力深度是什么？

判断方法：查看专业教学标准中的"培养目标"关键词：
- "技能人才" → 中职深度
- "高素质技术技能人才" → 高职深度
- "高层次技术技能人才" → 职教本科深度

2. 数据源选择决策树

需要职业数据（本地文档）？
├─ 职业教育专业和职业岗位信息 → 专业-职业对照表.xlsx
├─ 职业定义和主要任务 → 必须用中国职业大典
├─ 技能和能力补充、工具和工作环境、职业素养 → 推荐 ESCO/O*NET（本地文档）和 O*NET Tools & Technology

数据源必要性判断：

3. 职业大典分段加载策略

**分块策略**：
├─ 按职业代码第一位选择大类文件
├─ 第5大类- 农林牧渔业生产及辅助人员
├─ 第6大类- 生产制造类及有关人员
├─ 第2大类- 专业技术人员
├─ 第4大类- 社会生产服务和生活服务人员
└─ 其他大类

**关键判断**：
- 如果目标职业代码以 `6-` 开头 → 加载第6大类
- 如果需要多个职业 → 检查是否属于同一大类，合并加载

4. 课程转换逻辑

行动领域 → 学习领域 的转换依据：

1. 工作对象相似性：处理相同或相关对象的任务归为一类，适配职业岗位工作内容范畴
2. 任务难度梯度：从简单到复杂，符合学习认知规律
3. 工作逻辑顺序：按实际工作流程排列
4. 学时合理性：每个学习领域参考学时 48-144 学时为宜,累计学时：中职一般不少于1200学时，高职专科和本科一般不少于1600学时
5. 学习领域数量: 一般为10个左右

NEVER Do

Token 和性能

• NEVER 在同一会话中重复加载同一大类文件
• 原因：浪费 tokens，OccupationDictionaryLoader 已实现缓存
• 正确做法：复用已加载的内容

数据处理

• NEVER 使用简单字符串匹配来对应中国职业代码与ESCO、ISCO和O*NET代码
• 原因：不同分类体系命名差异大（如"汽车维修工" vs "Motor Vehicle Mechanic"）

• 正确做法：进行语义理解和推断

• NEVER 忽略教育层次差异，为所有层次生成相同深度的内容

• 原因：中职侧重操作和陈述性知识，本科侧重创新、组织管理和策略性知识，工作任务分析和学习领域描述等内容深度必须匹配

• 正确做法：参考"层次适配原则"调整能力描述深度

• NEVER 在用户确认职业信息前就开始数据检索

• 原因：可能检索错误的专业或层次

• 正确做法：先展示确认面板，用户确认后再执行

• NEVER 接受用户提出的非职业大典中的职业

• 原因：非职业大典职业无法获取标准定义和任务
• 正确做法：要求用户重新提出职业大典中存在的职业

流程

• NEVER 跳过步骤0预检验证
• 原因：数据文件缺失会导致后续所有步骤失败

• 正确做法：每次执行前运行预检脚本

• NEVER 跳过用户确认环节

• 原因：职业信息可能有误或不完整，用户可能需要修改、删除或新增职业
• 正确做法：步骤4必须使用 question 工具展示确认面板，等待用户回复后才能继续步骤5

• ⚠️ 即使执行"全流程测试"也必须等待用户确认

• NEVER 忽略本地文档缺失警告

• 原因：缺失文档会影响分析完整性

• 正确做法：展示缺失列表，用户确认后继续

• NEVER 使用非职业大典中的职业

• 原因：无法获取标准职业定义和任务
• 正确做法：要求用户提供职业大典中存在的职业

边缘场景处理

> 详细场景处理方法: 详见 references/troubleshooting.md

工作流程

架构概览

本Skill采用分层架构，明确区分Python脚本层和大模型处理层：

┌─────────────────────────────────────────────────────────────────────────────────┐
│                        Python脚本层（数据获取与格式化）                            │
│                                                                                 │
│  职责：精确匹配、文件读写、API调用、格式转换                                       │
│  特点：不调用大模型API，执行确定性逻辑                                            │
└─────────────────────────────────────────────────────────────────────────────────┘
                                      │
                                      ▼ JSON数据
┌─────────────────────────────────────────────────────────────────────────────────┐
│                        agent大模型处理层（语义分析与生成）                              │
│                                                                                 │
│  职责：文本检索、语义理解、创造性生成、质量校验                                             │
│  特点：由执行本Skill的Agent（当前大模型）完成                       │
└─────────────────────────────────────────────────────────────────────────────────┘

完整工作流程

┌──────────────────────────────────────────────────────────────────────────────────┐
│ 阶段一：数据获取（Python脚本 + 大模型）                                            │
├──────────────────────────────────────────────────────────────────────────────────┤
│  步骤1: 检索专业教学标准及职业编码对照（Python脚本）                              │
│         - search_major.py 检索专业教学标准                                        │
│         - 查询专业-职业对照表.xlsx，获取职业编码和名称                              │
│         → major_info.json（含职业编码列表）                                        │
│                                                                                  │
│  步骤2: 获取职业详细信息（大模型处理）                                            │
│         ⚠️ MANDATORY: 必须使用 OccupationDictionaryLoader 加载职业大典              │
│         - 根据职业代码首位加载对应的职业大典文档（class_*.md）                         │
│         - 使用完整职业代码在文件中检索职业定义和主要工作任务                           │
│         - 语义解析职业面向字段补充岗位信息                                             │
│         → occupation_info.json                                                   │
│                                                                                  │
│  步骤3: ESCO/O*NET映射推断（大模型世界知识）                                   │
│         - 输入：occupation_dict_data.json                                           │
│         - Agent构造提示词，调用自身大模型的世界知识推断                              │
│         - 输出ESCO编码（4位数字）+名称、O*NET编码（XX-XXXX.XX）+名称               │
│         - 后处理验证编码格式                                                      │
│         → occupation_mapping_info.json                                            │
│                                                                                  │
│  步骤4: 用户确认环节（⚠️ 强制性暂停点）                                    │
│         - 展示提取的职业信息（批量展示）                                           │
│         - 确认面板同时展示中国职业信息和国际映射结果                                 │
│         - 使用 question 工具展示确认选项                                          │
│         - ⚠️ 必须等待用户回复（确认/修改/删除）                                     │
│         - 若用户提出新职业不在职业大典 → 要求重新提出                              │
│         → 确认后的occupation_info.json                                            │
│                                                                                  │
│  步骤5: 整合全部数据（Python脚本）                                               │
 │         - 读取 major_info.json、occupation_dict_data.json、mapping_info.json       │
 │         - 按映射代码读取 assets/esco_details_md/ 和 onet_details_md/ 原始文档      │
 │         - 零提取、零转换，合并输出 Markdown                                         │
 │         → combined_data.md（4个数据源）                                            │
└──────────────────────────────────────────────────────────────────────────────────┘
                                       │
                                       ▼
┌──────────────────────────────────────────────────────────────────────────────────┐
│ 阶段二：语义分析与生成（大模型）                                                │
├──────────────────────────────────────────────────────────────────────────────────┤
│  步骤6: 职业面向语义解析                                                          │
│         - 从职业面向、职业岗位、职业工种等内容提取职业名称、岗位名称、工作任务    │
│         - 生成分岗位的工作任务列表                                                │
│                                                                                   │
│  步骤7: 工作任务分析                                                              │
│         - 参考：report_template.md 表1字段定义                                    │
│         - 为每个职业的每个工作任务生成完整分析                                    │
│         - 输出：job_tasks[]（表1数据源）                                          │
│                                                                                   │
│  步骤8: 典型工作任务确定                                                          │
│         - 参考：report_template.md 表2+表3字段定义                                │
│         - 参考：work_process_method.md 典型工作任务特征                           │
│         - 从job_tasks中筛选提炼典型工作任务                                       │
│         - 输出：typical_tasks[]（表2+表3数据源）                                  │
│                                                                                   │
│  步骤9: 行动领域划分                                                             │
│         - 按工作对象相似性、任务难度梯度、工作逻辑顺序等原则聚类                  │
│         - 生成行动领域表和聚类原则                                                │
│         - 设定能力等级递进（初级→中级→高级）                                      │
│                                                                                   │
│  步骤10: 职业能力分析                                                             │
│         - 推导专业能力、方法能力、社会能力                                        │
│         - 生成表6（汇总表）、表7（一览表）、表8（解构表）                         │
│         - 确保表7与表8能力编号和名称一致                                          │
│                                                                                   │
│  步骤11: 学习领域转换                                                             │
│         - 行动领域转换为学习领域                                                  │
│         - 设定参考学时                                                            │
│         - 生成学习目标和学习内容                                                  │
│                                                                                   │
│  步骤12: 学习情境设计                                                             │
│         - 为每个学习领域设计3-6个学习情境                                         │
│         - 生成学时、教学方式、评价方式                                            │
│                                                                                   │
│  步骤13: 输出结构化分析数据 → analysis_data.json                                  │
└──────────────────────────────────────────────────────────────────────────────────┘
                                       │
                                       ▼
┌──────────────────────────────────────────────────────────────────────────────────┐
│ 阶段三：格式化输出（Python脚本）                                                   │
├──────────────────────────────────────────────────────────────────────────────────┤
│  步骤14: 生成Markdown报告   → generate_report.py    → report.md                  │
│           - 将analysis_data.json转换为Markdown格式                                │
│           - 按七部分结构组织表格                                                   │
└──────────────────────────────────────────────────────────────────────────────────┘
                                       │
                                       ▼
┌──────────────────────────────────────────────────────────────────────────────────┐
│ 阶段四：自我校正（大模型自身）                                                      │
├──────────────────────────────────────────────────────────────────────────────────┤
│  步骤15: 质量校验                                                                │
│          - 验证表1岗位与表2对应岗位一致                                           │
│          - 验证表4覆盖表2所有典型任务                                             │
│          - 验证表格编号连续（表1→表11）                                           │
│          - 验证表7与表8能力编号一致                                               │
│          - 验证总学时符合教育层次要求                                             │
│          - 验证学习情境数量合理（每领域3-6个）                                     │
│                                                                                  │
│  步骤16: 问题修复（如有）                                                         │
│          - 修复发现的问题                                                         │
│          - 重新生成analysis_data.json                                            │
│          - 最多3次修复循环                                                        │
└──────────────────────────────────────────────────────────────────────────────────┘

职责划分速查表

重要原则

1. Python脚本不做语义分析：脚本只负责精确匹配和格式转换
2. 大模型不调用外部API：所有语义分析由执行Skill的Agent完成
3. 数据驱动：每个阶段的输出是下一阶段的输入
4. 结构化传递：使用JSON格式传递数据，确保数据完整性
5. 用户确认必需：步骤4和步骤5均需用户确认

步骤0：预检验证（必须执行）

> MANDATORY - READ REFERENCE FILE: 在开始工作流程前，建议阅读
> references/precheck_guide.md
> 获取完整的环境检查清单和预检脚本。

快速检查命令：

# 检查核心数据文件
python -c "from pathlib import Path; files=['assets/moe_pdfs_final.json', 'assets/esco_details_md', 'assets/onet_details_md']; [print('[OK]' if Path(f).exists() else '[X]', f) for f in files]"

核心检查项：Python 3.8+、依赖安装、数据文件（职业大典、ESCO、O*NET本地文档）。

数据源配置（摘要）

> 详细数据源说明：references/workflow_details.md

本地数据文件

职业大典分段加载

> 关键判断：根据职业代码首位数字加载对应大类文件

使用方法：OccupationDictionaryLoader.load_by_occupation_code('6-22-02')

ESCO/O*NET查询

• ESCO文件命名：{ISCO代码}.{序号}.md（如 7231.1.md）
• O*NET文件命名：{O*NET代码}.md（如 49-3023.00.md）

实施步骤概览

> 详细执行命令和输出格式：各步骤的详细内容详见 references/workflow_details.md

阶段一：数据获取

步骤1：检索专业教学标准（Python脚本）

> MANDATORY - READ: references/workflow_details.md 步骤1

执行命令：python scripts/search_major.py --major "专业名称" --level "教育层次" --output temp/major_info.json

输出：major_info.json

步骤2：获取职业信息（大模型处理）

> MANDATORY - READ: references/workflow_details.md 步骤2
>
> ⚠️ CRITICAL - 必须使用 OccupationDictionaryLoader
>
> 本步骤必须调用 scripts/occupation_dict_loader.py 加载职业大典数据。
> 禁止直接读取职业信息而不查询职业大典，会导致职业定义缺失。

核心任务：检索专业-职业对照表、加载职业大典、提取职业详细信息

输出：occupation_info.json

步骤3：ESCO/O*NET映射推断（大模型世界知识）

> MANDATORY - READ: references/workflow_details.md 步骤3

核心任务：利用大模型世界知识推断ESCO和O*NET职业编码

输出：occupation_mapping_info.json

步骤4：用户确认环节（⚠️ 强制性暂停点）

> MANDATORY - READ: references/workflow_details.md 步骤4
>
> ⚠️ 必须等待用户回复：确认面板展示中国职业+国际映射 → question工具确认 → 等待回复 → 继续步骤5

重要约束：用户新增职业必须在职业大典中存在。

步骤5：整合全部数据（Python脚本）

> MANDATORY - READ: references/workflow_details.md 步骤5

执行命令：

python scripts/integrate_data.py \
    --major temp/major_info.json \
    --occupation temp/occupation_dict_data.json \
    --mapping temp/occupation_mapping_info.json \
    --output temp/combined_data.md

整合内容（4个数据源）：
1. 专业教学标准（major_info.json → # 专业教学标准）
2. 中国职业信息（occupation_dict_data.json → # 职业信息）
3. 国际职业代码映射（mapping_info.json → # 国际职业代码映射 表格）
4. ESCO/O*NET原始MD文档（按映射代码直接从assets/读取 → 按职业分节）

输出：combined_data.md（零提取、零转换，原始内容供大模型参考）

输出：major_info.json，包含专业代码、名称、职业面向、培养目标等字段。

步骤2：获取职业信息（大模型处理）

> 本步骤由执行本Skill的Agent（大模型）完成，不使用脚本
>
> 详细流程和输出格式详见：references/workflow_details.md 步骤2

任务：
1. 检索专业-职业对照表：读取 assets/专业-职业对照表.xlsx，根据专业代码查找对应的职业编码和名称
2. 加载职业大典文档：根据职业编码首位数字，加载对应的职业大典大类文件（class_.md）
3. 提取职业详细信息：在职业大典中匹配职业条目，提取职业定义、主要工作任务等
4. 语义解析补充*：从专业教学标准的职业面向字段，补充提取岗位名称和工作任务

输出：occupation_info.json，包含 occupations 和 jobs 数组。

对照表结构示例：

专业代码: 740202 | 专业名称: 西餐烹饪
职业编码: 4-03-02-03 | 职业名称: 西式烹调师
职业编码: 4-03-02-04 | 职业名称: 西式面点师

步骤3：ESCO/O*NET映射推断

> 本步骤由执行本Skill的Agent（大模型）完成
>
> Agent利用自身大模型的世界知识推断ESCO和ONET职业编码。
>
> 核心思路：
> - 大模型训练数据包含公开的ESCO（欧盟职业分类）和ONET（美国职业分类）体系
> - 无需本地文档依赖，直接利用大模型知识推断
> - 后处理验证编码格式确保输出正确

输入文件：temp/occupation_dict_data.json

提示词模板：

你是一个职业分类专家，熟悉ESCO（欧盟职业分类）和O*NET（美国职业分类）体系。

请根据以下中国职业信息，推断对应的国际职业分类编码。

**输入数据**：{occupation_dict_data.json内容}

**任务要求**：
1. 为每个职业推断ESCO职业（4位数字编码+英文名称）
2. 为每个职业推断O*NET职业（XX-XXXX.XX编码+英文名称）

**输出格式**：
{
  "mappings": [
    {
      "china_code": "中国职业编码",
      "china_name": "中国职业名称",
      "esco_code": "4位数字",
      "esco_name": "ESCO职业英文名称",
      "onet_code": "XX-XXXX.XX",
      "onet_name": "O*NET职业英文名称",
      "confidence": "high/medium/low",
      "mapping_reason": "推断依据（职业核心能力相似性）"
    }
  ],
  "metadata": {
    "mapping_date": "YYYY-MM-DD",
    "mapping_method": "大模型世界知识推断",
    "total_mappings": 数量
  }
}

**注意事项**：
- 若无法精确匹配，输出最接近的职业编码
- 若置信度低，confidence标记为"low"
- mapping_reason简要说明匹配依据
- 不要输出不存在的编码

后处理验证：
- ESCO编码格式：4位纯数字（如2529）
- O*NET编码格式：XX-XXXX.XX（如15-1132.00）
- 必需字段完整性检查

输出：occupation_mapping_info.json

步骤4：用户确认环节

> 本步骤由执行本Skill的Agent（大模型）完成
>
> 确认面板示例和处理方式详见：references/workflow_details.md 步骤4

> ⚠️ MANDATORY - 必须等待用户回复
>
> 本步骤是强制性暂停点。Agent必须：
> 1. 展示提取的职业信息表格
> 2. 确认面板同时展示中国职业信息（职业名称+编码+来源）和国际映射结果（ISCO/ESCO代码、SOC/ONET代码、confidence、mapping_reason）作为参考
> 3. 使用 question 工具展示确认选项（确认/修改/删除/新增/合并/查找）
> 4. 等待用户回复（确认/修改/删除）
> 5. 用户明确回复后才能继续步骤5
>
> 禁止行为：
> - ❌ 展示信息后直接继续执行步骤5
> - ❌ 以"结果显而易见"为由跳过确认
> - ❌ 以"全流程测试"为由跳过确认
>
> 正确示例*：
> > 已提取职业信息： > | 序号 | 职业大典职业 | 代码 | 匹配来源 | > |------|-------------|------|----------| > | 1 | 数字媒体艺术专业人员 | 2-09-06-07 | 虚拟现实产品设计师 | > ... > > 国际映射参考： > | 职业名称 | ISCO/ESCO代码 | SOC/O*NET代码 | confidence | > |---------|--------------|---------------|------------| > | 数字媒体艺术专业人员 | 2529 | 27-1027.00 | medium | > ... > > 请确认以上职业信息是否正确？ > [question工具展示选项：确认继续 / 需要修改 / 删除某项] >

任务：展示提取的职业信息（同时展示国际映射结果作为参考），等待用户确认。用户可确认、修改、删除、新增、合并或查找职业。

重要约束：若用户新增职业，该职业必须在职业大典中存在。

输出：确认后的 occupation_info.json。

步骤5：整合全部数据（Python脚本）

> 使用 scripts/integrate_data.py 将JSON和原始MD文档合并。
>
> 详细查询逻辑详见：references/workflow_details.md 步骤5

执行命令：

python scripts/integrate_data.py \
  --major temp/major_info.json \
  --occupation temp/occupation_dict_data.json \
  --mapping temp/occupation_mapping_info.json \
  --output temp/combined_data.md

脚本行为：
- 读取 major_info.json、occupation_dict_data.json、mapping_info.json
- 按映射代码读取 assets/esco_details_md/ 和 assets/onet_details_md/ 原始MD文档
- 零提取、零转换，输出combined_data.md（Markdown格式）
- 若文档缺失则在报告中标注数据完整性说明

输出：combined_data.md（含专业教学标准、职业信息、国际映射、ESCO/O*NET原始文档）

输出格式：

---
生成时间: 2026-04-06 15:56:26
数据格式: Markdown
---

# 专业教学标准
- 专业代码：740202
- 专业名称：西餐烹饪
...

# 职业信息
## 职业1：西式烹调师
- 职业代码：4-03-02-03
...

# 欧盟职业数据
## ESCO数据
...

阶段二：语义分析与生成

> Agent/大模型基于阶段一获取的数据，进行语义理解、分析推理、创造性生成。
>
> 核心参考资料：references/work_process_method.md

输入文件：temp/combined_data.md

步骤6：职业面向语义解析

任务：从职业面向字段提取职业名称、岗位名称、工作任务列表

输出： occupations[].tasks（每个职业的所有工作任务列表）

步骤8：工作任务分析

> MANDATORY - READ: references/report_template.md 表1字段定义（第31-39行）

任务：为每个职业的每个工作任务生成完整的五个维度分析

输出数据结构：job_tasks[]（表1数据源）

关键约束：
- 每个职业的所有任务必须完整分析（无遗漏）
- occupation_code/occupation_name字段必须追溯职业来源
- 表格属性：纵向表格，每个任务单独一个表格

教育层次适配：
| 层次 | 能力动词 | 禁止动词 |
|------|----------|----------|
| 中职 | 操作、执行、完成、使用、识别、检测、制作、编制 | 设计、优化、创新、管理、分析 |
| 高职 | 检测、诊断、分析、维护、维修、优化 | 研发、创新、管理 |
| 职教本科 | 设计、优化、管理、创新 | - |

步骤9：典型工作任务确定

> MANDATORY - READ: references/report_template.md 表2字段（第61-64行）+ 表3字段（第74-83行）<br>
> MANDATORY - READ: references/work_process_method.md 第3.2节（典型工作任务特征，第82-89行）

任务：从job_tasks中筛选提炼典型工作任务

输出数据结构：typical_tasks[]（表2+表3数据源）

关键约束：
- related_tasks字段必须引用job_tasks中的任务ID
- typical_tasks数量通常为job_tasks的40%-60%
- 工作要求字段（work_requirements）必须填写具体内容，不可空白

步骤10：行动领域划分

> MANDATORY - READ: references/work_process_method.md 第3.3节（行动领域）+ 第2.1节（模板）+ 第四节步骤3（一致性检查）

聚类原则：工作对象相似性、任务难度梯度、工作逻辑顺序

步骤11：职业能力分析

能力编号规则：Z=专业能力、F=方法能力、S=社会能力

关键约束：表7与表8能力编号必须一一对应

步骤12：学习领域转换

> MANDATORY - READ: references/work_process_method.md 第五节（推导算法：数量计算、命名规则、拆分判断、学时估算）+ 第2.2节（模板）

转换原则：
- 每个行动领域对应1-2个学习领域
- 参考学时：每领域48-144学时
- 总学时：中职≥1200，高职≥1600

步骤12：学习情境设计

> MANDATORY - READ: references/work_process_method.md 第六节（情境设计：数量计算、命名规则、学时分配）+ 第2.3节（模板）

任务：为每个学习领域设计3-8个情境，分配学时（16-32学时/情境）

步驟13：输出结构化分析数据

> MANDATORY - READ: references/analysis_data_template.json 完整格式规范 + references/analysis_data_template.json appendix.table_data_mapping（数据结构对应关系）

必需字段：major_info、occupations、jobs、job_tasks、typical_tasks、action_domains、abilities、learning_domains、learning_situations、metadata

关键约束：
- job_tasks包含每个职业的所有工作任务（表1数据源）
- typical_tasks引用job_tasks任务ID（表2+表3数据源）
- action_domains[i]必须包含tasks和abilities
- learning_domains[i]必须包含methods和assessment

阶段三：格式化输出（Python脚本执行）

步骤14：生成Markdown报告

python scripts/generate_report.py \
  --data temp/analysis_data.json \
  --output temp/report.md

脚本将 analysis_data.json 转换为七部分结构的Markdown报告。

转换为Word：

pandoc temp/report.md --reference-doc=references/reference.docx -o output/report.docx

阶段四：自我校正

步驟15：质量校验

Agent读取生成的报告，检查以下项：

步驟16：问题修复

如发现问题：
1. 修改 analysis_data.json 中对应字段
2. 重新执行步骤14生成报告
3. 重复步骤14验证
4. 最多3次修复循环

修复后输出：最终版 report.md 和 report.docx

执行检查清单

Agent执行本Skill时，按以下清单逐项确认：

阶段一检查

• [ ] 步骤1（Python脚本）：major_info.json 已生成，包含 career_orientation
• [ ] 步骤2（大模型）：已加载职业大典文档，输出职业信息
• [ ] 步骤3（大模型）：ESCO/O*NET映射已完成
• [ ] 步骤4（大模型+用户）：确认面板已展示中国职业+国际映射参考，用户已回复确认，occupation_info.json 已更新
• [ ] 步骤5（Python脚本）：combined_data.md 已整合（4个数据源）

阶段二检查（大模型自身）

• [ ] 步骤6：职业面向已解析
• [ ] 步骤7：每个职业的每个工作任务已生成完整分析（job_tasks已生成）
• [ ] 步骤8：典型工作任务已确定（typical_tasks已生成，related_tasks引用正确）
• [ ] 步骤9：行动领域已划分，能力等级已设定
• [ ] 步骤10：能力分析完成，表7/表8一致
• [ ] 步骤11：学习领域已转换
• [ ] 步骤12：学习情境已设计
• [ ] 步骤13：analysis_data.json 已生成，包含job_tasks和typical_tasks

阶段三检查（Python脚本）

• [ ] 步骤14：report.md 已生成

阶段四检查（大模型自身）

• [ ] 步驟15：质量校验通过
• [ ] 步骤16：如有问题已修复

脚本工具

关键参数：
- --output: 输出文件路径
- --no-pdf: 跳过PDF解析（仅返回基本信息）
- --cache-dir: PDF缓存目录
- --mapping: 映射信息JSON文件（用于本地文档查询）

配置要求

Python依赖

pip install requests python-dotenv pypandoc pypdf pdfplumber

系统依赖：pandoc（Word 转换必需）

本地数据文件

确保以下目录和文件存在：
- assets/moe_pdfs_final.json - 专业教学标准
- assets/occupation_dictionary_split/ - 职业大典（按大类拆分）
- assets/esco_detail_md/ - ESCO职业文档
- assets/onet_details_md/ - O*NET职业文档

注意事项

故障排除

> CONDITIONAL - READ IF NEEDED: 如需详细的故障排除指南，请阅读
> references/troubleshooting.md
> 获取常见问题、调试方法、数据完整性检查指南。

常见问题速查

参考资料