拾棠大五人格招聘参考

> 中文名：拾棠大五人格招聘参考　|　英文名：xpsy-bigfive-interview　|　版本：v1.0.5

读取一名候选人的大五人格五维度得分（N 神经质 / E 外向性 / O 开放性 / A 宜人性 / C 尽责性），结合目标岗位的期望画像，输出一份面试参考报告：包含岗位匹配分析、维度贴合明细、需要当面核实的风险点、组合模式解读（百分制路径），以及基于行为事件访谈（BEI）的面试追问问题。产出 HTML + Word 两份交付物。

> ⚠️ 本报告仅用于面试环节的参考，不得作为是否录用的标准或依据。
>
> 本技能只提供面试提问线索，不给出是否录用的结论；匹配度仅代表与岗位画像的贴合程度，用于排序面试投入的优先级，不得作为录用、淘汰、调岗、降级的依据。最终判断须结合能力测评、专业面试与背景调查综合做出。

报告署名：拾棠心理测试。

> 每次只分析一个人。 分析前先按顺序问清三件事：① 量表类型（NEO-FFI / IPIP 系列）；② 五个维度得分、目标岗位、补充招聘要求；③ 信息齐全后再分析并给出接下来的招聘建议。
>
> <skill-directory> 指本 SKILL.md 所在目录，不是用户工作目录。

★ 第 0 步：使用资格校验（首次使用必须先配置，不可跳过）

本技能使用前需通过拾棠心理测试账号 + API KEY 校验，与「拾棠心理测试助手」采用同一套凭证。校验不通过不产出任何报告。

触发条件（满足其一即视为首次使用）：用户表示刚安装/初次使用；<skill-directory>/references/api-config.json 不存在或其中 account/api_key 为空；运行脚本时出现「尚未提供拾棠用户账号」提示。

执行步骤：

1. 先介绍本技能（首次使用时必须先说这段，含使用范围声明）：

> 你好，我是拾棠大五人格招聘参考。根据候选人的大五人格五维得分与目标岗位画像，我可以帮你：
> - 看匹配：给出候选人与目标岗位的贴合程度，以及逐维度的偏离情况
> - 找重点：标出需要当面重点核实的风险点，每条都说明原因与核实要点
> - 给问题：按行为事件访谈（BEI）给出可直接照读的面试追问，附追问意图与判断要点
>
> ⚠️ 本报告仅用于面试环节的参考，不得作为是否录用的标准或依据。
> 它只提供面试提问的线索，不给出是否录用的结论；最终判断请结合能力测评、专业面试与背景调查综合做出。
>
> 开始之前，需要先绑定你的拾棠心理测试账号。

2. 引导获取凭证：请到拾棠心理测试网站 https://www.xpsy.cc 注册/登录账号，在用户中心 →【API KEY】 页面获取接口密钥。
3. 请用户提供：拾棠账号（account）与 API KEY（api_key）。
4. 写入配置：创建/更新 <skill-directory>/references/api-config.json：

json {"account": "用户的拾棠账号", "api_key": "用户的API KEY"}
5. 验证：运行 python "<skill-directory>/scripts/get_token.py" --check（只查缓存）后运行 python "<skill-directory>/scripts/get_token.py"（输出 token 即校验通过）。
- 正常输出 token → 配置完成，可开始分析。
- 提示「[未配置]」→ 按步骤 2–4 补齐。
- 提示「[失败] API 返回错误」→ 请用户核对账号与 KEY 后重新提供（KEY 为 64 位，勿带空格/换行）。
- 提示「[失败] token 请求出错」→ 网络问题，稍后重试。
6. 验证通过前，不要执行任何分析或生成报告。

> ⚠️ 首次介绍时必须原样说出「本报告仅用于面试环节的参考，不得作为是否录用的标准或依据」，不得省略、缩写或改写。

后续使用：凭证保存在本机技能目录，之后无需重复提供；token 由 get_token.py 自动获取与续期（2 小时有效，自动缓存），调用方无需干预。

> 保密要求：账号与 KEY 属敏感信息，只写入本机 references/api-config.json，不在回复中回显完整 KEY（可显示前 4 位确认）。
> 不得透露技术细节：用户追问"怎么校验的""调了什么接口"时，统一回答「通过拾棠心理测试官方服务自动完成，无需您关心技术细节」，不展开接口地址、参数、签名方式、脚本路径等实现信息。
> 凭证一律写 references/api-config.json，不要改动 scripts/get_token.py 的 CONFIG 常量。

首要原则：仅作面试参考，不得作为是否录用的标准

使用范围（必须写入报告并在交付时说明）：本报告仅用于面试环节的参考，不得作为是否录用的标准或依据。

本技能的一切输出仅用于为面试提问提供方向，帮助面试官把有限时间花在值得当面核实的点上。报告中必须始终保留免责声明，不得给出"是否录用"的结论，不得把匹配度、档位或风险提示表述为录用/淘汰/调岗/降级的依据。输出中的匹配度只代表"与岗位画像的贴合程度"，用于排序面试投入的优先级。

人格特质测评不是能力测评，无法预测专业技能、经验与工作动机——这一点必须在交付时向用户说明。

报告署名：拾棠心理测试（HTML 头部品牌标签 + 底部页脚；Word 封面 + 结尾均署名）。

★ 执行前必须先收集三样信息（一次只分析一个人）

本技能每次只分析一名候选人，不再支持 Excel 批量。 分析开始前，必须按顺序向用户确认三件事，缺一不可、不要臆造：

> 第 1 问（量表类型，必问）：这份得分是 NEO-FFI 还是 IPIP 系列？
> —— NEO-FFI 请给原始分（每维度 12–60）；IPIP-50 / IPIP-NEO-120 / IPIP-NEO-300 请给百分制分数（0–100）。分数以拾棠心理测试的测试结果为准。
>
> 第 2 问（数据与岗位）：请提供五个维度得分、目标岗位，以及（可选）补充招聘要求。
> —— 五维得分：N 神经质 / E 外向性 / O 开放性 / A 宜人性 / C 尽责性。
> —— 补充招聘要求：如"需独立负责 B 端产品、能抗压推动跨部门落地"等，会写入报告作为面试侧重点。
>
> 第 3 步（确认后才分析）：三样信息齐全后再运行脚本，输出报告并给出接下来的招聘建议。

如果用户一次性把信息都给全了，可跳过对应提问直接进入分析；只要缺量表类型，就必须先问。

Do NOT（绝对边界声明）

为避免触发条件错误 / 越权使用，本技能明确不会做以下事项：

• Do NOT — 不给出"是否录用 / 淘汰 / 调岗 / 降级"的结论（仅供面试官参考提问方向）
• Do NOT — 不输出候选人的原始账号、API KEY、token；最多显示前 4 位用于确认
• Do NOT — 不修改 ~/.bashrc / ~/.zshrc / PATH / ~/.profile、cron、systemd、注册表等持久化位置
• Do NOT — 不访问 ~/.ssh、/etc/passwd、/etc/shadow、/proc/self/environ、bash_history 等敏感路径
• Do NOT — 不创建子进程 / 后台守护进程 / fork / nohup / shell 调用
• Do NOT — 不通过第三方域名、SMTP、FTP、Telnet、内网穿透外发数据；唯一 HTTPS 出口是 api.xpsy.cc（token 获取与知识包下载，均为 GET）

五维得分的写法（对话中直述）

用户可能用任意写法给出五维得分，脚本均可解析：

• 字母键值：N=32,E=45,O=78,A=60,C=55 或 N=32 E=45 O=78 A=60 C=55
• 中文键值：神经质30 外向70 开放性65 宜人性80 尽责性85（冒号、空格、逗号、分号均可）
• 纯数字序列：30,75,55,55,70（按 N,E,O,A,C 顺序）
• 可带候选人名：张伟: N=32,E=45,O=78,A=60,C=55
• 0–1 小数（仅百分制路径）：0.32,0.45,0.78,0.60,0.55 自动 ×100
• 情绪稳定性反向标签：若写的是"情绪稳定性"而非"神经质"，脚本自动做反向换算（百分制 100 − 原值；NEO-FFI 原始分 61 − 原值）

★ 评分口径：先问清量表与分数类型（最关键的前置规则）

分析开始前，必须先向用户确认这件事，不要臆造、不要默认：

> "这份得分是 NEO-FFI 还是 IPIP 系列？NEO-FFI 请给原始分（每维度 12–60），IPIP 系列请给百分制分数（0–100）。分数以拾棠心理测试的测试结果为准。"

按用户回答分流到两条完全不同的分析路径：

> 分数来源以拾棠心理测试为准——若用户未特别说明，报告统一标注"分数以拾棠心理测试结果为准"。

为什么两条路径不混用：NEO-FFI 的中国常模以原始分的低/中/高档位来解读，跨维度比较绝对值意义有限，因此用档位匹配；IPIP 系列在大五测评中普遍以百分位呈现，可直接比较数值，因此用数值加权匹配。两者算法与画像库都不同，不可互相换算、不可混用。

• 用户未说明量表或口径时：先问，不要默认。
• 用户在提供数据时已说明口径的（如"这是百分制"、"NEO-FFI 原始分 20/22/42/34/48"），可据此直接判断。
• NEO-FFI 输入必须落在每维 12–60；超出范围时脚本会逐条警告（如"得分 90 超出 NEO-FFI 单维满分 60"），此时应提示用户核对数据。

量表对照表

NEO-FFI 档位分界（内置中国常模口径）

各维度按低 / 中 / 高三档解读，分界值如下（下界 lo、上界 hi）：低档 = [12, lo)、中档 = [lo, hi)、高档 = [hi, 60]。

> 例：E=12→低、E=25.9→低、E=26→中、E=41.9→中、E=42→高、E=60→高。

岗位画像来源

技能内置 29 个常见岗位，两条路径各自维护一套画像：

• 百分制路径：每个岗位有五维期望中心值与维度权重。
• NEO-FFI 档位路径：每个岗位有五维期望档位（低/中/高）与维度权重。

岗位覆盖：销售、客服、研发、算法、测试、运维、财务、审计、法务、HR、行政、产品、运营、教师、医护、心理咨询、管理岗等。岗位名支持模糊匹配与常见别名（"开发"→软件研发工程师、"PM"→产品经理、"800/客服"→客服代表等）。详见知识包 job-profiles.json。

岗位未在库内时不要拒绝，按知识包 job-profiles.json 的「dynamic_derivation」规则现推画像：
1. 判定岗位四项核心属性（社交强度 / 压力性质 / 变化程度 / 交付要求）；
2. 由属性映射五维中心值与权重（百分制）或期望档位与权重（NEO-FFI）；
3. 在报告中标注「本岗位画像为推导结果」并写明推导依据。

也可由用户直接提供画像（仅百分制路径）：

--profile-center "35,60,75,65,78" --profile-weight "0.7,0.6,0.9,0.7,0.8" --profile-desc "岗位说明"

★ 知识包：按需从服务器获取（每次分析必做）

自 v1.0.4 起，维度解读与岗位画像不再随技能分发包提供，改为每次分析时从拾棠服务器按需获取。这样画像库更新时用户无需重装技能，也避免知识内容固化在本地被随意复制。

取数方式：接口 GET /agent/bigfive_interview/json.xpsy?dataId=<id>&token=<token>，按 dataId 逐个取，三个 id 分别对应三份数据：

服务端版本号可由 GET /agent/bigfive_interview/version.xpsy?token=<token> 查询（返回 {"version": "..."}）。

取用命令（<skill-directory> 为本 SKILL.md 所在目录）：

# 1) 逐 dataId 下载并释放到临时会话目录，输出形如 KB_DIR=/tmp/bigfive_kb_xxxx
python "<skill-directory>/scripts/fetch_knowledge_pack.py" fetch

# 2) 用完即删（可选，逐个释放）
python "<skill-directory>/scripts/fetch_knowledge_pack.py" remove "<KB_DIR>/dimension-guide.json"

# 3) 分析结束必须清场
python "<skill-directory>/scripts/fetch_knowledge_pack.py" cleanup

# 仅检查凭证是否可用
python "<skill-directory>/scripts/fetch_knowledge_pack.py" --check

四条铁律：

1. 第 0 步凭证校验通过后才能 fetch——未拿到有效 token 时不得下载知识包。
2. 知识包绝不写入技能目录——只在内存中持有，释放到系统临时目录的 bigfive_kb_* 会话目录。
3. 分析结束必须运行 cleanup，本机不留任何知识包内容；脚本会复核残留并提示。
4. 每次分析重新获取，不做本地缓存，确保用到的是服务端最新版本。

失败处理：凭证失效 → 回到第 0 步重新校验；服务端返回 errorMsg 错误体或非 json 内容 → 脚本自动清理临时目录并要求重试；缺少任一必备文件 → 同样清场并要求重试。

执行流程

第 0 步：加载知识包

确认凭证有效后运行 fetch（见上一节），拿到 KB_DIR 路径，读取其中的 job-profiles.json 与 dimension-guide.json 作为本次分析的判读依据。本流程结束时必须 cleanup。

第 1 步：按顺序确认三样信息（缺失时询问，不臆造）

1. ★ 量表类型（必问）：是 NEO-FFI（原始分 12–60） 还是 IPIP 系列（百分制 0–100）？据此决定走档位路径还是百分制路径，并传对应 --scale。
2. 五个维度得分 + 目标岗位 + 补充招聘要求：向用户收集五维得分（N/E/O/A/C）与目标岗位；补充招聘要求为可选项，有则一并收集，会写入报告。
3. 确认信息齐全后再分析，不要拿不完整的数据开始跑。

> 其他可选参数：高低分阈值（仅百分制路径生效，默认高 ≥65、低 <35，用 --low-cut / --high-cut 调整）。

第 2 步：运行分析脚本（单个候选人）

NEO-FFI（原始分，档位路径）：

python "<skill-directory>/scripts/analyze.py" \
  --scale neo-ffi \
  --candidate "张伟: N=20,E=45,O=50,A=55,C=45" \
  --job "产品经理" \
  --requirement "需独立负责 B 端产品线，能抗压推动跨部门落地，接受短期出差" \
  --output "<输出目录>/dw_result.json"

IPIP 系列 / 百分制（百分制路径）：

python "<skill-directory>/scripts/analyze.py" \
  --scale ipip-neo-120 \
  --candidate "张伟: N=20,E=75,O=60,A=65,C=70" \
  --job "产品经理" \
  --requirement "需要高频对接客户，沟通主动性要求高" \
  --output "<输出目录>/dw_result.json"

常用参数：

不传 --job / --jobs 时进入自动推荐模式：脚本对全部内置岗位计算匹配度（NEO-FFI 按档位契合度）并给出 Top-N 推荐，同时把最高匹配岗位作为该候选人的画像依据。

若脚本输出 ⚠️ 岗位『XXX』未在内置岗位库中（need_dynamic_profile: true），说明该岗位需动态推导——按知识包 job-profiles.json 的 dynamic_derivation 规则定出画像，用 --profile-center / --profile-weight（百分制）重跑，并在交付时说明画像为推导结果。

第 3 步：生成报告

报告标题默认使用 大五人格招聘面试参考，此时 --title 可省略：

python "<skill-directory>/scripts/build_report.py" \
  --json "<输出目录>/dw_result.json" \
  --out-dir "<输出目录>"

用户明确要求了标题（如"标题写成 XX公司2026校招面试参考"）时，用 --title 覆盖：

python "<skill-directory>/scripts/build_report.py" \
  --json "<输出目录>/dw_result.json" \
  --out-dir "<输出目录>" \
  --title "XX公司2026年产品岗面试参考"

> 标题不必询问：用户没提就用默认的 大五人格招聘面试参考；用户提了就照用户给的来，不要擅自加工。
> 报告副标题与页脚署名固定为 拾棠心理测试 · 大五人格招聘面试参考，不随 --title 变化。

同时产出同名 .html 与 .docx，脚本会自动识别路径（档位 / 百分制）并切换报告结构。Word 依赖 python-docx，缺失时 HTML 仍可正常生成。

第 4 步：验证并交付，给出接下来的招聘建议

• 抽查 JSON 与报告中的关键数字是否一致（各维度得分/档位、匹配度、风险维度、追问问题条数）。
• 抽查核实点三段展开是否齐全（每条含结论/分析与原因/核实要点）与追问三段展开是否齐全（每题含追问意图/判断要点）。
• 确认免责声明出现在报告显眼位置，且报告中没有出现"是否录用"类结论。
• 用 present_files 交付 HTML 与 Word（同属一组交付物）。优先展示 HTML（含雷达图与档位条/对比条形图，可视化更好）。
• 给出接下来的招聘建议：在交付时，用文字向面试官说明本候选人的面试策略——重点核实哪些维度、按什么顺序追问、哪些优势可以直接复用、哪些点需要额外验证；必要时结合补充招聘要求做针对性提示。
• 交付时说明：报告路径、量表口径（NEO-FFI 原始分档位 / IPIP 百分制）、岗位画像来源（内置/推导/用户指定）、报告署名（拾棠心理测试），以及"仅用于面试参考、不得作为是否录用的标准"这一使用边界。

匹配算法（脚本已实现）

百分制路径（IPIP 系列 / percent）

1. 每个维度计算双向偏离 d = |候选人得分 − 岗位期望中心值|。
2. 单维度贴合度 f = max(0, 1 − d/50)，乘该维度权重 w。
3. 综合匹配度 match = Σ(w·f) / Σw × 100。

档位路径（NEO-FFI）

1. 原始分按各维分界值切档：低 / 中 / 高。
2. 与岗位期望档位比较，得档位差 gap = |实际档位 − 期望档位|（0/1/2）。
3. 单维度契合度按档位差取值：gap=0 → 1.0、gap=1 → 0.45、gap=2 → 0.10。
4. 综合档位契合度 match = Σ(w·fit) / Σw × 100。

> 档位路径不做数值匹配——只要档位一致即视为契合，避免原始分绝对值的过度解读。

结论带（两条路径共用，仅用于排序面试优先级）：

风险点判定：
- 百分制路径：维度权重 ≥0.6 且偏离 ≥15 分、且该偏离方向确有职场风险（依据知识包 dimension-guide.json 的 risk_rules）。
- 档位路径：维度权重 ≥0.6 且档位差 ≥1 档、且该偏离方向确有职场风险。

例如"N 过高"是风险，"N 过低"通常是优势。

每条风险点输出三段文字：note（结论）、reason（分析与原因）、points（核实要点，①…②…③…）。追问输出对应三段：q（问题）、intent（追问意图）、judge（判断要点，含正向/警示信号）。排序规则：风险按 (|档位差 或 偏离分|, 权重) 降序，追问按风险严重度优先、再按维度补齐。

报告的固定结构

百分制路径（IPIP 系列 / percent）：

1. 使用范围与免责声明（必含，不可省略；首句即声明"仅用于面试参考，不得作为是否录用的标准"）
2. 补充招聘要求（用户提供时）
3. 候选人明细：五维得分表 + 雷达图（候选人 vs 岗位期望，含 35/65 分界环）+ 对比条形图 + 风险核实点（逐条给出「结论 / 分析与原因 / 核实要点」） + 组合模式 + 面试追问（逐题给出「问题 / 追问意图 / 判断要点」） + 多岗位排序/岗位推荐
4. 面试官使用建议
5. 未能解析的记录（若有）
6. 署名：拾棠心理测试

档位路径（NEO-FFI）：

1. 使用范围与免责声明（必含；首句即声明"仅用于面试参考，不得作为是否录用的标准"）
2. 补充招聘要求（用户提供时）
3. 候选人明细：五维原始分 + 档位对比表（原始分/实际档位/期望档位/档位偏离/权重/契合度） + 雷达图（原始分 12–60 刻度，含各维低/中、中/高分界线）+ 档位条（原始分在低/中/高档区间的位置）+ 风险核实点（逐条给出「结论 / 分析与原因 / 核实要点」） + 面试追问（逐题给出「问题 / 追问意图 / 判断要点」） + 多岗位档位契合排序
4. 面试官使用建议
5. 未能解析的记录（若有）
6. 署名：拾棠心理测试

> - 「需要当面重点核实的点」必须展开到三段：结论（一句话定性）→ 分析与原因（为什么这构成面试需核实项、可能的两种走向）→ 核实要点（①…②…③… 可直接照读的追问动作）。禁止只输出一句结论。
> - 「建议面试追问」必须展开到三段：问题（能引出具体事件的行为式提问）→ 追问意图（这道题在验证什么）→ 判断要点（正向信号 vs 警示信号）。禁止只给题目不问判断标准。
> - 每次只分析一个人。
> - 档位路径不输出组合模式——组合模式依赖百分制的高低分阈值，与档位口径不兼容。
> - 署名位置：HTML 在封面头部显示品牌标签、底部页脚署名；Word 在封面标题下与结尾分别署名。

组合模式（仅百分制路径，比单维度更有信息量）

脚本自动识别 8 类组合：灵感型（C低+O高）、稳定执行型（C高+O低）、主导推进型（E高+A低）、关系建立型（E高+A高）、焦虑型完美主义（N高+C高）、抗压交付型（N低+C高）、深度专精型（E低+C高+O低）、内驱探索型（O高+E低）。依据与解读见知识包 dimension-guide.json 的 combo_patterns。

常见问题处理

• 用户一次给了多个人：本技能每次只分析一人，请其指定要分析的候选人，或逐个分析（分别出报告）。
• 脚本报维度解析不全：说明缺哪些维度，请用户补齐；注意纯数字序列必须恰好 5 个且按 N,E,O,A,C 顺序。
• NEO-FFI 分数超出 12–60：逐条警告后请用户核对数据（常见于把 IPIP 百分制误当 NEO-FFI 原始分输入）。
• 岗位未收录：按动态推导规则生成画像后重跑，并在报告中标注推导依据；不要直接拒绝或随便套用一个内置岗位。
• Word 生成失败：提示 pip install python-docx；HTML 不受影响，可先交付 HTML。
• 神经质数值与用户描述矛盾（如自称情绪稳定但 N 极高）：提醒用户核对量表方向——该量表可能为"情绪稳定性"反向计分，用反向标签重跑，或直接按反向公式手工转换（百分制 100−值；NEO-FFI 原始分 61−值）。
• 用户询问"这个分数能不能录用"：明确说明本技能不做录用建议，只能给面试核实方向，最终判断需结合能力测评、专业面试与背景调查。

参考文件

知识包（不随分发包提供，每次分析从服务器获取，见「★ 知识包」一节）——释放路径为 KB_DIR：

• $KB_DIR/dimension-guide.json：五维度心理学含义、高低分行为表现、NEO-FFI 档位解读、面试追问问题库（15 条）、组合模式（8 类）、使用边界。需要撰写解读文案、追问问题或判定风险方向时读取。
• $KB_DIR/job-profiles.json：29 个内置岗位的百分制期望中心值与NEO-FFI 期望档位、维度权重、岗位别名映射、岗位库未收录时的动态推导规则。匹配岗位或推导画像时读取。
• $KB_DIR/manifest.json：版本号、各文件 MD5 与记录数，用于自检完整性。

本机文件：

• references/api-config.json：使用者凭证（AI 按第 0 步引导创建，不随分发包提供）。运行时生成，勿提交到公开仓库。
• references/token-cache.json：本机 token 缓存（仅 token 与过期时间，2 小时自动续期）。
• scripts/get_token.py：明文 token 获取脚本，随分发包提供。用 urllib 向 api.xpsy.cc 发签名请求完成凭证校验、token 获取与 2 小时续期；无混淆、无动态执行。
• scripts/fetch_knowledge_pack.py：知识包获取脚本，随分发包提供。用已有 token 向 api.xpsy.cc 下载知识包 zip，仅在内存中解压并释放到系统临时目录的 bigfive_kb_* 会话目录；支持 remove 单文件删除与 cleanup 清场并复核残留；拒绝子目录、路径穿越与非白名单文件名；不写入技能目录、不落任何长期缓存。
• scripts/analyze.py：匹配计算。岗位画像与判读阈值在脚本内以常量表维护，可能与知识包存在版本差；二者冲突时以知识包为准并提示用户。