求职招呼词 skill（通用版 v1.1.4）

> 招呼词不是自我介绍，是一个信号包：既要过平台 AI 预筛（关键词/语义打分），又要抢 HR 10–20 字的预览框。
> 本 skill 不预设「你是谁、你会什么」——那部分必须从你的简历和目标 JD 里现算。

Pay Skill 改造说明（接入支付宝 AI 按量付费 · A2M 402）

本 skill 已按 SkillHub「改造与测试 Pay Skill」规范接入付费：服务端负责验付、交付资源与商家履约确认；Skill 负责发起请求、调用官方支付能力、展示结果；后端源码独立部署，不放入 Skill 包。

付费、验付、履约确认全部在独立服务端完成，Skill 包内不含任何密钥、凭据或账本；scripts/pay_client.py 只负责发起请求并把结果落盘。

版本升级（重要：本 skill 不会自动更新）

SkillHub 不会自动替换你已安装的 skill 版本——新版本上架后，你本地目录里的旧版不会变，只有主动重装才生效。所以：

• 怎么知道自己是哪一版：每次运行 pay_client.py 首行都会打印 [skill vX.Y.Z]；也可单独跑一次版本检查（不付款、不落盘）：
  bash python "$SK/pay_client.py" --check-version
  它会连服务端对比「服务端要求的最低版本」，输出 ✓ 版本可用 或 ✗ 需升级（退出码 0=可用 / 1=需升级 / 2=异常）。
• 怎么升级：skillhub install yingpin-zhaohuci（同一命令重跑即拉最新版）。
• 脚本检测到你版本落后时，会在付款前打印 ⚠ ... 建议先升级：skillhub install yingpin-zhaohuci；若服务端判定不兼容（HTTP 426），直接中止并给出升级命令，不扣费。
• 升级后会自动清理旧版正文（重要）：1.0.x 时代服务端下发的是整份写词规范（落盘为 _写词规范.md + _meta.json，约 8.6 KB）。那份文件可离线无限复用，留着等于绕过按条计费，所以 1.1.x 每次运行第一步就会检查并删除它（只认这两个确切文件名，不递归、不碰同目录其他文件；不存在则什么都不做）。删除时会打印一行说明。如果你曾把那份文件另存到别处，脚本无从得知，也不去追查。

安装（一次，2 分钟）

把整个 yingpin-zhaohuci 文件夹原样拷到下面这个目录即可，不要只拷 SKILL.md：

拷完目录应该长这样（这是最小可用集，缺任何一项都会报错）：

yingpin-zhaohuci/
  SKILL.md
  references/   mechanism.md  platform-playbook.md
  scripts/      extract_resume.py  split_jd.py  cluster_jd.py  pay_client.py
  templates/    config-fill-in.md  workspace-init.md  resume-extra.md  jd-intake.md

自包含保证（已逐项核对）：

唯一的环境要求：Python 3.8 及以上（实测 3.13）。Windows / macOS / Linux 通用。

• 读 .pdf 简历才需要 pip install pypdf；用 .docx / .txt / .md 时零依赖。开放平台云端沙箱通常不允许 pip install，云端使用时请直接粘贴 .txt/.md 或用 .docx，避免上传 .pdf 简历。
• ⚠️ 本地手动安装时必须放用户级 ~/.workbuddy/skills/，不要放项目级 {项目}/.workbuddy/skills/** ——项目级目录不在 Skill 工具的索引范围里，放了会加载不到。（通过开放平台订阅安装的无需关心此条，平台会自动部署到正确位置。）

付款依赖（用付费部分才需要，装一次）

施工单走支付宝 AI 按量付费（402 协议），付款由买家侧官方支付能力完成，本包不自带、也不含任何密钥。装官方依赖：

npx -y @alipay/agent-payment@latest install

装完应同时具备两样东西，缺一样都付不了款：

pay_client.py 按以下顺序自动找 alipay-bot：环境变量 ALIPAY_BOT → PATH → ~/.openclaw-autoclaw/alipay-bot-cli/bin/；也可用 --bot <路径> 显式指定。装了但找不到，先 npx -y @alipay/agent-payment@latest install 重装一次。

验证依赖是否可用（不花钱，只查价）：

python ~/.workbuddy/skills/yingpin-zhaohuci/scripts/pay_client.py --out . --probe-only

能打印出单次价格就是通了；报「没找到 alipay-bot」按上表重装。

装完自检一条命令（能出参数说明就是装好了）：

python ~/.workbuddy/skills/yingpin-zhaohuci/scripts/extract_resume.py --help

调用方式（WorkBuddy 运行环境）

本技能包内不含任何密钥、凭据或账本，服务端代码也不进包。
包内三个脚本（简历提取 / JD 拆分 / 岗型聚类）完全在你本机运行，零第三方依赖；
施工单由独立服务端按条付费下发（每条 JD 0.10 元，无跨条复用、无时间窗），
付费、验付、履约确认都在服务端完成，本包只负责发起请求并把结果落盘（scripts/pay_client.py）。
生成所需的全部输入都通过对话以文本形式提供，不要求读取你本机任何文件。

最简用法（对话内即可完成）

直接把 JD 文本和简历要点粘贴到对话里，按正文 Step 3 + 该条施工单出词，无需任何脚本：
- JD：粘贴岗位描述（或先复制链接全文）
- 简历：粘贴关键经历、可量化的真实数字、明确不会的禁项

可选本地增强（本机有文档时）

若你用 .docx / .txt / .md / .pdf 管理简历或成批 JD，可在你本机跑 scripts/ 下的三个
脚本做结构化提取与聚类（见正文 Step 1–2）；提取出的文本同样粘贴进对话使用。脚本零第三方
依赖（仅读 .pdf 时需 pip install pypdf），只在你本机运行，不影响云端出词逻辑。

数据流向与隐私

可完全不带简历事实：省略简历要点时，skill 会基于你粘贴的 JD 出词，代价是拿不到
「前 10 字最强命中词」与「真实数字」这两项 GEO 加成。

它凭什么能提高 HR 回复率（机制说清楚）

一条招呼词要被人看到，路上有两道关卡。这个 skill 的每一步设计都对着这两道关：

你的简历 ──┐
           ├─→ 逐词对齐 ─→ 招呼词 ─→ ①平台 AI 初筛 ─→ ②HR 真人 10-20 字预览 ─→ 回复
目标 JD  ──┘

第一道关：平台 AI 初筛。 招聘平台（Boss 南北阁/DeepHire、智联通义千问 embedding、
51job 大模型分层）会用 AI 给你的招呼词和岗位做匹配打分。已知口径：关键词匹配约占
60%、学历年限约 25%、简历完整度约 15%（智联白皮书），Boss 与 51job 还会做
二次关键词匹配。所以招呼词里的词干必须和你的简历、JD 里的表述字面一致——
同义改写在语义打分里能兜一点，但字面命中才是主项。

第二道关：HR 的 10–20 字预览框。 HR 日均收海量招呼，约 45% 只读前 20 字；
脉脉口径是前 10 字决定是否被推荐。所以最强的命中词（年资 + 领域）必须压进
前 10 字，后面才是成果和提问。

这套 skill 具体做了五件事：

关于「真实数字」这一条特别说明： 招呼词里那个数字必须来自你的简历、而且要能
展开讲清怎么来的。模型编一个看着合理的百分比，平台 AI 一追问就穿——穿了就判注水
降权，比不写还糟。所以这个 skill 不允许编数字，简历里没有的会留白让你补。

关于「GEO」： 这里的 GEO 指的是让招呼词被检索与被机器读懂，不是搜索引擎
优化。它有两个层面——① 招呼词里的词干与 JD 同款（不是同义词），让平台的语义匹配
能打高分；② 招呼词本身结构化（前 10 字命中词 / 成果锚点 / 提问钩子），让 AI 与
HR 都能在极短时间内判断「这人做过这个」。

这个 skill 做什么、不做什么（先看清边界）

它唯一的目标是：提高招聘平台上 HR 的回复率。 不是帮你找工作，也不是帮你改简历。

它只做两件事，也只承诺这两件事：

它明确不做的事：

> 换个说法：这个 skill 是放大器，不是发动机。它能把「你确实会的东西」用平台更认的方式说出来；它变不出你没有的经历，也救不了跟岗位完全不匹配的简历。

⚠️ 每次调用必说的第一句

> 为增加回复几率，请确认：你在这个平台上填的在线简历、以及随招呼一起发出去的简历附件，跟交给本 skill 的这份简历是同一版。

原因：招呼词里每个词干都靠简历做字面兜底。平台 AI 会把在线简历和招呼词交叉比对，版本不一致就对不上号，判注水降权；HR 点开附件发现和招呼词说的不一样，第一印象直接废掉。

这条每次都要说，不是只在第一次说。 用户换了简历、或在另一个平台投，都要重新提一遍。

使用顺序（第一次用必读 · 顺序不能颠倒）

只需要给两样东西，按这个顺序给：① 简历 → ② JD。 不要反过来，也不要把两样一次全丢过来。

第一次对话
  ↓
① 用户：把简历文本/要点粘贴给 skill（「帮我写招呼词，这是我简历要点」；若有 .docx/.pdf 文档，可本机跑 extract_resume.py 提取后粘贴）
  ↓
② skill：先说「为增加回复几率，在线简历/附件要与给 skill 的这份一致」→ 跑 Step 1 读简历
        → 回一份「提取结果」给用户确认（哪些能力词干 / 哪些可量化数字 / 哪些判不准）
  ↓
③ 用户：确认哪些真会、哪些数字能展开（划掉的进禁项，漏写的补简历或写 resume_extra.json）
  ↓
④ skill：确认完，才向用户要 JD。**先问「你浏览器登录了吗」**：
        登录态可拉全文 → 只要链接；拉不到 → 请用户粘贴全文（见 Step 2 与 templates/jd-intake.md）
  ↓
⑤ 用户：给链接或贴全文（可能是好几条，甚至一坨粘在一个文件里）
  ↓
⑥ skill：跑 Step 1c 拆分 → 报「共识别 N 条（= N 次调用），正文合格 M 条、偏短可写 P 条、需补全文 K 条」→ 用户确认
  ↓
⑦ skill：逐条验正文（≥80 字 + 含职责/要求段，≥150 字为标准档），拉不到的列清单回头要全文 → 再跑 Step 2 归纳岗型
  ↓
⑧ 用户：确认岗型（改簇、并簇、删掉不投的类）
  ↓
⑨ skill：**每条 JD 分别取自己的施工单**（一条一付 ¥0.10/条；同一条 JD 买过会按指纹自动复用、不扣费）
        python "$SK/pay_client.py" --jd "$WS/第N条.json" --profile "$WS/简历摘要.json" --out "$WS"
        → 获取 _施工单_<JD指纹>.md（只对这一条有效）
  ↓
⑩ skill：逐条过 Step 3b 匹配门 → 能写的写招呼词（按**该条**施工单的分档参数 + 14 项自查；**该条施工单不存在就先回 Step 4–7 付款取回，禁止直接出词**），
        缺一两项的**照写但用 `***` 留白 + 附待补清单**，零落点的**出拒写说明说清为什么**→ 一起交付

硬规则：

没简历怎么办：让用户口述「做过什么、几年、哪些项目、有什么数字」，落到一份 txt 再跑（效果略差，但比不给强）。

> 想先看成品长什么样：直接跳到后面的「例子：简历一句话 → JD 一段 → 招呼词」，那里有一份从简历原句到成品的完整拆解。

谁该用、什么时候用

• 适用对象：任何候选人，不限行业、不限资历。新人、转行、应届都可用。
• 前置条件：手上要有 ① 简历文本/要点（有文档可本机 extract_resume.py 提取）② 一批真正想投的 JD（建议 15–25 条，越多聚类越准）。
• 它帮你做的事：提高 HR 回复几率——过平台 AI 预筛、过 HR 预览框。
• 它不做的事：不生成简历、不判定简历好坏、不替你编经历、不替你决定投什么行业、不保证应聘成功（不承诺回复率/面试率/offer）。

Step 0 · 建工作区（一次性，5 分钟）

在工作目录下建这三样：

工作区/
  简历/                     把你的简历放进来（docx / txt / md / pdf；更新了就换新版）
  jd_pool.jsonl             目标 JD 池，每行一条：{"title":"","company":"","url":"","source":"link|paste","jd_text":""}
  resume_extra.json         可选：简历里没有但真会的能力/数字（模板见 templates/resume-extra.md）
  _招呼词配置.md            从本 skill 的 templates/config-fill-in.md 复制过来，边跑边填

生成 resume.json 和 岗型归纳.md 后，后续每条招呼词都只读这两个文件；resume_versions.json 记录简历每一版的变化。

先定义脚本目录变量，后面所有命令都用 $SK（脚本住在 skill 里，不在工作区里，别在原地找 scripts/）：

# Git Bash / macOS / Linux
SK=~/.workbuddy/skills/yingpin-zhaohuci/scripts

# Windows PowerShell 用完整路径代替：
# $SK = "C:\Users\<你的用户名>\.workbuddy\skills\yingpin-zhaohuci\scripts"

Step 1 · 读简历（用户交付简历后立刻跑，不靠猜）

python "$SK"/extract_resume.py 简历/我的简历.docx -o resume.json

产出三样，必须人过一遍：

> 🔴 这一步是全部工作的地基。terms 不人工过一遍，后面必然写出注水词。
>
> 脚本已自动挡掉两类常见噪音：数字候选里剔除电话/QQ/邮箱/纯日期（1998、2026.05）；词干候选里剔除简历章节标题的任意片段（项目描述 → 项目描 / 目描述）和半个英文单词（in、Co）。仍然留下的泛词（如「负责」「独立」）要你自己划掉。

Step 1b · 简历更新 / 手动补充（可反复跑，不必从零开始）

简历不是一次性的。改了一版、或者发现有东西没写进去，都重跑同一条命令，不要手工改 resume.json。

A. 简历更新了（v1 → v2）

python "$SK"/extract_resume.py 简历/我的简历_v2.docx -o resume.json

脚本会自动：

拿到差异后做两件事：
1. 新增词干逐个判（真会 → 进白名单；不会 → 进禁项）
2. 消失词干要问一句「是删了还是改了说法」——强词被无声删掉是最常见的退化

> 提示：脚本会把「正文里仍在、只是没进候选清单」的词单独标出来。候选清单有数量上限（默认 200 个），按词频+词长排序截断，词频刚好卡在边界上的词会被新加入的词挤下去——这不代表简历里没了。判断「能不能写」只看 resume_text 有没有这个词，不看清单。真碰上重要词被挤掉，加 --topn 400 重跑。

B. 简历里没有但确实会（新人最需要）

写一份 resume_extra.json（模板见 templates/resume-extra.md），再带上 --extra 跑：

python "$SK"/extract_resume.py 简历.docx --extra resume_extra.json -o resume.json

手动词条的 source 标为 manual，与简历原文抽出的 cv 区分得开，方便回查哪些是补的。

三条纪律：
- 只补真的，面试第一个问题就会追问这里
- 补完回填正式简历，否则平台 AI 拿在线简历交叉验证会对不上
- 数字展不开就改成规模/周期/角色，别编百分比

> 版本历史文件 resume_versions.json 是给用户看的：换了哪版简历、什么时候、改了哪些词，一条条都有。用户说「我简历更新了」时，先看这个文件确认当前是第几版。
>
> ⚠️ 上一版带过 --extra、这一版忘了带，手动补的词会被报成「消失词干」。这不是简历改了，是参数漏了——带 --extra 重跑一次即可。

Step 1c · 拆分与计数（1 份 JD = 1 次调用 = 1 次付费）

先说一件给用户听的话：别穿插，一条一条给

> 请把每条职位分开给——一条链接一行、或一份 JD 完整一段。不要把几条链接和几段招聘正文穿插混在一起。

本 skill 有分篇机制（下一步的 split_jd.py），但它靠边界工作：分隔线、成行的链接、以及「岗位职责/工作内容/职位描述」这类正文开头标记。一旦穿插，边界就没了：

正确给法（任选一种）：

① 一条一条给：
   https://...  （发完再发下一条）

② 一次性给，但分行分块：
   岗位名 + 链接
   岗位名 + 链接
   （每行一条，行与行之间不要交叉写正文）

③ 一个文件一份，或同一文件里明确分隔：
   JD 正文…… 
   =====
   JD 正文……

标准块：照这个格式给，脚本一次就能配对

岗位名
https://职位详情页链接

岗位职责：……（全文）
任职要求：……
（这块结束）

=====

下一个岗位名
https://...

三条规矩：一块一条；链接放在块头前 3 行内（放在块尾容易被当正文吞掉）；块间必须 =====。

拿到 JD 先做输入体检（上游规整，别跳过）

切分是猜边界，配对才是根本。体检三个问题，任一不过就停下来请用户重给，不要硬拆：

脚本每次都会打一行 [pair]：

[pair] 输入里链接 3 个 / 已绑定正文 3 个 / 未绑定 0 个；有正文无链接 2 条
  ❌ 配对没通过 → 先别往下跑聚类
  只有链接没正文 3 条 / 只有正文没链接 2 条
  → 两边数量接近，几乎确定是「链接一堆、正文一堆」分开给的

判据：未绑定 > 0 或 有正文无链接 > 0 都算不通过。两边数量接近时，几乎可以确定是「链接一堆、正文一堆」分开给的。

自动化流程里可以加 --strict，配对不通过时脚本直接以退出码 2 结束，避免硬着头皮跑聚类。

> 为什么不自动按顺序配对：链接和正文的顺序不保证一致。配错比不配更危险——A 岗的链接挂到 B 岗的正文上，招呼词写得再好也是投错岗。

然后才是拆分与计数

处理单位：一次调用只处理一份 JD。 下面三种情况都必须先拆开：

• 一次贴了好几行职位链接（可能还混在一段文字里）
• 把好几份 JD 复制进同一个 md / txt / docx
• 一个文件夹里放了一堆 JD 文件

python "$SK"/split_jd.py 一大堆JD.txt
python "$SK"/split_jd.py 链接.txt -o jd_batch.jsonl
python "$SK"/split_jd.py jd合集.docx -o jd_batch.jsonl
python "$SK"/split_jd.py JD目录/

脚本会自动判断怎么切，输出 jd_batch.jsonl（一条一份）+ JD拆分清单.md（给人看的清单）：

每条会打质量标签，先报条数再动手：

> 清单里若某条注了「疑似笔记/非 JD 正文」，说明它是以 markdown 标题（#）开头的片段——多半是你自己的扫描记录混进池子了，确认后剔掉，别让它参与聚类（否则会聚出一个全是噪音的垃圾簇）。

硬规矩：
1. 收到 JD 先看有没有穿插。发现链接与正文交错、或几条 JD 糊成一段，先请用户分开给或明确分隔，别硬拆——硬拆比返工更费。
2. 拆完必须先向用户报「共识别 N 条，其中正文合格 M 条、偏短可写 P 条、需补全文 K 条」，得到确认再往下走。
3. 不许把多份 JD 当一份处理——一份招呼词只能对应一份 JD，否则必然串岗（拿 A 岗的词投 B 岗），条数也会算错。
4. 同一链接或同一正文会被自动去重，去重条数要报给用户（避免重复算条数）。
5. 用户明确说「我就要一次投这一批」时也要逐条写，不能在一条招呼词里塞多个岗位名。
6. 配对体检不通过就不许往下跑聚类（[pair] 显示未绑定 > 0 或有正文无链接）。半配对的池子聚出来的岗型全错，还会把别人的链接写进你的交付清单。

Step 2 · 归纳岗型（简历确认后，向用户索取 JD 再跑）

2.0 先解决「JD 怎么给」

能给链接就给链接，拉不到全文就必须粘贴全文。 判断链：

能联网 + 浏览器有该平台登录态？
  ├─ 有 → 只发链接，skill 自己去拉；拉完必须验
  │        ├─ 正文 ≥80 字且含「职责/要求」两段 → 收下（source:"link"；≥150 字为标准档）
  │        └─ 只拿到登录墙 / 导航栏 / 「未显示」 → 转粘贴（source:"paste"）
  └─ 没有（无网 / 未登录 / 反爬 / 页面已下线）→ 请用户粘贴全文

禁止：拉不到正文时拿标题 + 薪资顶上。那样聚出来的是噪音，等于白跑。

混合场景（一半链接一半粘贴）：先把链接批量试拉，失败的列成清单一次要齐，收齐后再跑聚类；不要用半池子先跑一版。

> 细则（粘贴时要包含什么、jd_pool.jsonl 字段、各平台拉取差异）见 templates/jd-intake.md。

2.1 跑聚类

# 用 Step 1c 拆出来的 jd_batch.jsonl（一条一份、已带质量标签）；
# 若你本来就是一条一份的干净文件，直接喂 jd_pool.jsonl 也行
python "$SK"/cluster_jd.py --jd jd_batch.jsonl --resume resume.json -o 岗型归纳.md --max-k 8

> 别对已经拆好的 jsonl 重跑拆分。 「干净 jsonl 直接喂 cluster」和「1c 再拆一遍」是二选一：重拆会在 jd_text 头部插一行「标题 + URL」，正文变长、词频虚高，聚类质量反而下降，还会把 source 从 link/file 统一覆盖成 paste。split_jd.py 遇到这种文件默认直接拒绝执行并提示你跳过；确实要重拆必须显式加 --force。

> 正文短于 80 字的记录会被跳过并打印 [skip] 提示——只有标题/半段的内容聚不出有效岗型，先补全文再跑。
>
> 三条已内建的防噪规则，看到结果不用奇怪：年资套话（「五年以上」「相关经验」）不会成为簇名；2 字泛词（服务、系统、管理）和「名词+动作」四字复合词（体系搭建、流程优化）不会单独当种子，否则会把不相干的岗吸进同一簇（曾出现「仓储运营经理」被并进 Java 簇、「用户运营」被并进 AI 产品簇）；通用素质套话（团队协作精神、沟通协调能力、工作认真负责，含它们的 n-gram 切片变体如「作认真负责」）一律不进词干——每份 JD 的「任职要求」最后一句都是这些，对岗型零信息量。所以一批 JD 有时会比预期多出一簇——那是分得更准，不是出错。
>
> 不足 8 条 JD 时会打印 [note] 提示样本偏少——提示阈值和下面那条兜底是同一条线，不会出现「整域判不了却不解释」：一是不同领域的岗容易被并成一簇，判「可打」不可信；二是某个领域共享的词干如果只有 2 个字（如「招商」「运营」），不够 3 字就不会当种子，那个域会整块落到「未归类」，这是样本不足、不是脚本出错。攒到 15–25 条再看结论。
>
> 同一份 JD 池、同样的参数跑多次，簇名和判定逐字一致（簇内同频词干按固定次序取，不受运行环境影响），可以直接拿两次报告做前后对比。

原理（顺序不能反）：先在 JD 侧无偏聚类（防漏类），再用简历侧过滤（标可打性）。

产出报告里每一簇给你四样东西：主词干、简历覆盖率、代表 JD、可打性判定。

人工要做的三件事：

1. 确认簇数是否合理。簇里的 JD 若某簇 <2 条，说明该类岗没收够样本，补 JD 或并簇；--max-k 调大能分更细。
2. 给每簇起个中文岗型名（脚本给的是词干，不是人话），写进 _招呼词配置.md。
3. 处理「简历未命中」词，逐个二分：
   - 真会但简历漏写 → 补简历（这是最常被搞错的一步，漏写 ≠ 不能写）
   - 真不会 → 进禁项清单

> ⚠️ 报告里的「未归类」簇 = 样本不足（通常只有 1 条），脚本不判可打性，别当成「不可打」直接删掉。要么补几条同类 JD 让它成簇，要么这一条单独走 Step 3 人工判。

2.1b 只有 1 条 / 几条 JD：单条兜底

不是所有人都会一次攒 15 条。手上就 1–3 个真想投的岗，这很正常。这个量级不要硬聚类——一条一簇，等于没归纳。

# 只有 1 条时自动进兜底模式，不用加参数
python "$SK"/cluster_jd.py --jd jd_batch.jsonl --resume resume.json -o 岗型归纳.md

# 有十几条也想逐条看、不做聚类时，显式加 --solo
python "$SK"/cluster_jd.py --jd jd_batch.jsonl --resume resume.json --solo

单条兜底的判定只能当方向，不能当判决，三条纪律：

1. 判定一律带后缀。 不会出现裸的「强可打 / 不可打」，只会是「可打·单条兜底（建议人工确认）」「疑似不可打·单条兜底（需人工确认）」。看到「疑似不可打」= 你简历里没有字面对上主词干，不等于这份岗不能投——单条 JD 抽出来的词干含碎片、分母偏大，投前把主词干对着简历过一遍，看到「真会但漏写」的先补简历。
2. 单条模式下的「不可打」不能直接当 Step 3b 的拒写依据。 拒写要说「零落点」，而单条兜底的覆盖率只能证明「词面没对上」，证明不了「你完全没相关经历」。
3. 单条兜底不替代 Step 3 的人工判岗型。 它把「我判不了，你自己看」换成了「我给了个方向，你来定」，岗型名、投哪版简历仍由你定。

> 词干为什么干净：单条模式下脚本不用文档频次（一条 JD 里每个词都只出现 1 次，那样会全军覆没），改按「词内出现次数 + 长度」选，并做三道收敛——同源回收（「供应链计划经验」→「供应链计划」）、动作词头剔除（「分析库存周转」）、正向最大匹配切分（把「存周转数」「划并」这类滑窗碎片整批去掉）。

> 🔴 岗型不是从简历分出来的，是从 JD 池归纳出来的。只从简历出发一定会漏类——这是本 skill 最容易犯的错。

Step 3 · 判岗型（每条 JD 归到 Step 2 的某一簇）

判据：JD 岗位职责前 3 条的主词干属于哪一簇。归不进任何一簇（岗型池没覆盖这类岗）→ 别急着判死，先回头看两件事：① 这份 JD 的职责词干在你简历里有没有字面落点——有落点说明是「池子没收够样本」，按「未归类」单独人工判、照样能写；② 一个落点都没有，才是 Step 3b 的 ③ 零落点，出拒写说明（不是沉默放弃）。

> 报告里标了「未归类·单条兜底」的条目，脚本已经给过词干和覆盖率——那是方向，不是结论（纪律见 §2.1b）。岗型归属和「写不写」仍然由人定。

归档后立刻决定两件事：前 10 字打什么词干、投哪一版简历。

Step 3b · 匹配门：先分层，再决定写不写

> 不是"不匹配就拒写"。五条信号分两档处理——只有「彻底没交集」或「要补的空缺超过 2 处」才拒写，其余照写，但要把缺的地方标出来给你补。

写词之前先问一句：这份 JD 和你的简历，有没有真实交集？

为什么③才硬拒：零落点意味着这条招呼词的每一句都只能靠编，写出来必然被判注水，还有拉低账号权重、污染推荐画像的连带损失。缺一两项（①②④⑤）则不同——那条岗仍有真实交集可写，只是有几处要你补，直接拒掉等于白扔机会。

裁决规则：只有两种输出格式（A 拒写 / B 出词）

• 判定顺序：先看 ③，再看 *** 数量，最后才看 ①②④⑤。 顺序倒了会把该拒的岗写出来（③ 命中还硬写 = 全篇注水），或把能写的岗拒掉（①② 命中就放弃 = 白扔机会）。

• N 可以是 0（没有任何空缺）→ 标题写「无 *** 待补」，差距提醒照给。

• ①②④⑤ 命中但 N=0 的情况很常见（比如硬卡不合，但你选择不写那项、改打能打的线）——照样出词，照样提示差距，不许因为"不合"就拒写。
• 禁止第三种输出：不许只丢一句「这条不太合适」；也不许"部分拒写"（写一半说另一半不写了）。

🟡 降级出词：用 *** 标出要你补的地方

原则：空着也不能编。 话术可以由 skill 给，事实必须由你填。

*** = 这里需要你填真实信息，我没有替你编

*** 四条用法：

*** 未填完的招呼词绝对不能发出去——HR 看到 *** 只会认为你群发模板。

输出格式 A · 硬拒（③ 零落点 / 要补的空缺 >2 处）

⚠️ 这份不写招呼词：<岗位名>（<公司>）
原因：③ 零落点｜JD 要求的 <能力X> <能力Y>，在你简历里找不到任何对应经历
   （另一种写法）④ 可写内容不足｜这条要补的事实空缺有 <N> 处，写出来等于填空题
依据：JD「<原句>」↔ 你简历「无对应」
下一步可选：① 放弃这条招聘 ② 按 <另一个岗型> 的口径重看 ③ 你确实有这段经历但简历漏写 → 在简历中补充后重跑，同时更新在线简历

输出格式 B · 降级出词（①②④⑤）

✅ 招呼词（Boss · 39 字 · 含 1 处***待补）
5年快消供应链计划，主导过***上线，库存周转从38天压到26天，聊10分钟？

⚠️ 待你补（1 处）：
- `***` = 你上线的那套系统叫什么（WMS / ERP / 自研平台），只有你知道具体名字。填完记得把这段补进简历，并同步更新平台在线简历；这套系统你真没上过 → 删掉「主导过***上线」这半句，只留计划与周转成果。

⚠️ 差距提醒：<①/②/④/⑤ 的具体差距>，不影响这条发出，但 HR 可能会问，先想好怎么答。

降级时必须做到：

• 标题固定写「含 N 处***待补」（N=0 写「无 *** 待补」），让用户一眼知道要不要动手填
• 差距写清「差在哪、差多少」，不写「你还有提升空间」这类空话
• 没做过的东西一个字都不写（禁项纪律优先于凑字数）
• ② 硬卡不合里你没法补的那类（学历、年限下限、必备证书）→ 直接说明「这条大概率过不了初筛，要不要投你自己定」，不替你决定
• ⑤ 年资不足 → 按真实年限写，宁可数字小也不虚标（虚标是靠平台交叉验证一眼就看穿的）

四条不许

• 不许硬写：明知不匹配还拼一条出来，平台 AI 交叉验证一比对就判注水，不只是这一条白费，还会拉低账号权重、污染候选人画像。
• 不许猜着填 ***（对你、对 skill 都一样）：猜的数字比空着更致命——HR 一问就穿，而且这就是编造。
• 不许用「我是个快速学习者」「虽然没做过但很有热情」填坑：这类话在招呼词里等于自认短板，ATS 直接过滤。
• 不许沉默跳过，也不许只说「不合适」：要么出招呼词 + 待补清单，要么出拒写说明 + 依据，不能只丢一句结论。

Step 4–7 · 按条取回写词施工单（每条 JD 一次付费）

> 🔒 本包不内置任何写词参数。字数分档、结构槽位、能力词、自查项等取值，由服务端针对这一条 JD 单独生成，¥0.10 / 条。

> ⛔ 硬性前置（不可绕过）：每写一条招呼词之前，必须先为这一条 JD 取回施工单。没有施工单就不许出词——服务端不可用、或用户尚未付款时，流程必须中止，向用户说明「收费服务暂不可用 / 请先付款」，绝不允许用本文档正文里的字数示例（如「43 字」「30 字」）拼凑出词。违反此条 = 绕开付费 = 平台判定为虚假付费，skill 会被下架。

计费条款（付费前用户有权当场核对，开局先讲清楚）

取回方式（每条 JD 跑一次）

先准备两个文件：

1. 这一条 JD：第N条.json（{{"title","platform","url","text"}}）或 第N条.md（首行当标题，全文当正文）
2. 简历摘要（可选，但强烈建议）：简历摘要.json
json {{"years": 8, "domains": ["供应链计划","库存管理"], "numbers": ["周转 38→26 天","团队 12 人"], "forbidden": ["金融监管政策体系"]}}
   ⚠️ 只放年资 / 领域 / 数字 / 个人禁项，不要放姓名、手机、公司全称。

python "$SK/pay_client.py" --jd "$WS/第3条.json" --profile "$WS/简历摘要.json" --out "$WS"

只想先看价格、不付款：

python "$SK/pay_client.py" --jd "$WS/第3条.json" --probe-only

pay_client.py 参数：

行为约定（照此执行，别自己发挥）：

成功后落盘 $WS/_施工单_<JD指纹>.md，同时把施工单全文打印到对话里。

施工单里有什么（出词的唯一取值来源）

本文档正文出现的任何字数示例（如「43 字」「30 字」）仅为帮助理解的演示，绝不构成免付费替代——没有施工单，任何出词动作都必须中止，不得用正文示例拼凑出词。

三条铁律

> 付款走支付宝 AI 按量付费（402 协议），由本机 alipay-bot 完成，auth 凭证与密钥不落在本 skill 包里。任何让你把密钥、私钥写进配置文件的指引都是错的。
>
> 隐私边界：简历原文不出本机，脚本只把「年资 / 领域 / 数字 / 禁项」摘要随请求上传；JD 是招聘网站公开信息，上传后仅用于生成本条参数，服务端履约即清除，不落盘、不挪作他用。

Step 8 · 交付格式

对话内直接发，不写 txt。每条两块：

**Boss 3] 库存计划主管(20-30K)**
https://职位详情页链接

5年快消供应链计划，库存周转从38天压到26天，补货这条线我能直接接，聊10分钟？

标题行格式固定为 **平台 序号] 岗位(薪资)**，后面按情况带状态：· 可投 / · 含 N 处***待补 / · 已拒写。

正文里带了 *** 时，紧跟一段待补说明（格式见 Step 3b 输出格式 B）：

⚠️ 待你补（N 处）：*** = <需要什么信息>；填完再发，别带着 *** 发出去

• *** 未填完的招呼词不算可投，交付时明确标「含 N 处***待补，填完可发」
• 一处 *** 都没有（N=0）→ 不加待补说明，但差距提醒照给（①②④⑤ 命中过就必须提）
• 硬拒的（③ 零落点）不出正文，只出拒写说明

例子：简历一句话 → JD 一段 → 招呼词（照着这个看一遍就懂）

> 例子用的是虚构人物（快消/零售供应链方向），跟任何真实候选人无关。你写自己的时候，把行业和数字换成你自己的。

① 简历里的一句话（原文，就这一句就够用）

负责华东区 42 家门店的库存计划与补货，把平均库存周转天数从 38 天压到 26 天。

② JD 里的对应段落（原文）

岗位职责：
1. 负责区域库存计划与补货策略制定，保障门店供货率；
2. 推动库存周转效率提升，清理呆滞库存；
3. 参与 S&OP 月度会议，输出需求预测。
任职要求：5 年以上快消/零售供应链经验，有门店端补货经验优先。

③ 拼出来的招呼词（43 字，Boss / 智联 / 51job 直接可用）

5年快消供应链计划，库存周转从38天压到26天，贵司的补货策略我能直接接，聊10分钟？

逐字拆开看它为什么长这样：

④ 同一份简历，换个岗型就换第 1 点

同一个人的另一段经历（参与过 WMS 上线；如果这段简历里没写，先补进简历再写，否则平台交叉验证对不上），去打另一个方向的 JD：

JD 职责：负责供应链系统实施交付，梳理客户业务流程并落地 WMS。

出来是这样（39 字）：

5年快消供应链计划，主导过WMS上线，贵司实施交付这条线我能补位，聊10分钟？

变化点只有一个：第 1 点从「库存周转」换成 JD 的主词干「WMS 上线」，前 10 字的年资 + 领域没动。这就是「词干跟随 JD，不跟随简历」——库存周转 在这份 JD 里一个字都没出现，写上去就是无效词。

⑤ 反面例子（同一个岗位，为什么这样写没人回）

您好，我有5年供应链经验，熟悉库存管理、S&OP、补货策略、WMS，期待与您沟通。

⑥ 缺一项怎么办：缺经历就不写，缺事实才留 ***

同一份简历，去打一份要求「有冷链温控经验」的 JD（假设这人没做过冷链，但仓储计划是真本事）：

JD 职责：负责冷链仓的库存计划与补货，需熟悉温控仓储作业。
任职要求：5 年以上快消供应链，有冷链经验优先。

① 判断：主词干「库存计划 / 补货」在简历里有落点 → 不是零落点，可以写；「冷链」落在个人禁项 → 一个字不编，也不留 ***（留白是给"你有、只是没写"的事实，不是给"你没有"的经历）。

② 出来的东西：N=0，标题写「无 *** 待补」，差距提醒照给。

✅ 招呼词（Boss · 无***待补）
5年快消供应链计划，库存周转从38天压到26天，补货这条线我能直接接，聊10分钟？

⚠️ 差距提醒：④ 冷链经验落在你的个人禁项。JD 写的是「优先」不是硬卡，这条可以投，但 HR 大概率会问「冷链你做过没有」，先想好怎么答（说没有 + 说清计划能力怎么迁移，比含糊过去好）。

③ 缺的是事实、不是经历时才用 ***——比如「你上线的那套系统叫什么」「具体压到多少天」这种只有你知道、简历上又漏写的细节。示例见 Step 3b 的输出格式 B。

④ 关键是别做的事：不能写成「熟悉冷链温控」凑满字数——那是编造，平台交叉验证必穿；也不能整条拒写——库存计划这条线是真能打的，白白扔掉。

Step 9 · 发前自查（清单在该条施工单里）

发前 14 项自查与年资红线已随施工单下发，见该条 $WS/_施工单_<JD指纹>.md 的「发前自查」「白名单纪律」两节。

交付前逐项打勾，一条不过就不发。 该条施工单缺失就先回 Step 4–7 为这一条取回，不要跳步凭感觉发。

Step 10 · 发送与账号纪律

新人最常见的九个坑

1. 从简历出发分岗型 → 必然漏类。永远先 JD 聚类，再简历过滤。
2. 把「简历没写」当成「不能写」 → 丢掉一半强词。先问自己「我真做过吗」，真做过就在简历里补上（或写 resume_extra.json）后重跑，并同步更新平台在线简历。
3. 没有数字硬凑一个 → 平台 AI 一追问就穿。宁可换成规模/周期/角色，也不编百分比。
4. 照抄别人的话术 → 一用就废。这个 skill 能给你的只有机制和骨架，词干必须来自你自己的简历。
5. 拉不到 JD 正文就凑合用标题 → 聚出来全是噪音簇，岗型全错，后面每条招呼词都跟着废。拉不到就开口要全文。
6. 把几条链接和正文穿插着喂进来 → 分篇机制靠边界工作，穿插后切分失效、条数算错、招呼词串岗。一条一行，或一份一段用 ===== 隔开。
7. JD 和简历明显不匹配，还硬凑一条招呼词 → 平台 AI 交叉验证判注水，这一条白费不算，还拉低账号权重、污染推荐画像。缺一两项就写能写的部分，剩下的用 *** 留白给你自己填；只有零落点（一个都对不上）或要补的空缺超过 2 处才该放弃。
8. 把 *** 里的内容自己猜着填上 → 猜的数字比空着更致命，HR 一问就穿，而且这就是编造。填不了就删掉那半句。
9. 写不满就缩成短版（「您好，5年供应链，想投贵司这个岗」这种）→ 短版信息量为零，等于群发，Boss 直接降权。最低就是中版 30 字；实在没内容可写，说明这份 JD 该走 Step 3b 的拒写说明，不是缩字。

Resources

• scripts/extract_resume.py — 简历读取（docx/txt/md/pdf → resume.json，无第三方依赖）；支持 --extra 手动补充、自动升版本 + 差异比对
• scripts/split_jd.py — JD 拆分与计数 + 配对体检：多链接 / 多 JD 粘连 / 目录 → 一条一份 + 质量标签 + 调用条数；每次打印 [pair] 断链体检，--strict 不通过时退出码 2
• scripts/cluster_jd.py — JD 池岗型归纳（聚类 + 简历可打性过滤 → 岗型归纳.md/.json）；--solo 为单条兜底：JD 只有 1 条时自动启用，逐条抽词干 + 判可打性，判定带「·单条兜底」后缀只作方向（见 §2.1b）
• scripts/pay_client.py — 按条付费客户端：按 402 协议为一条 JD 取回该条施工单并落盘 _施工单_<指纹>.md（纯标准库，需本机装有 alipay-bot；--probe-only 只查价不付款；同一条 JD 按指纹本地去重，不重复扣费）
• @references/mechanism.md — GEO 信号权重实证 + 四平台 AI 预筛机制（执行时作为技能上下文自动加载）
• @references/platform-playbook.md — 分平台写法、字数、骨架、发送 SOP 细则（执行时作为技能上下文自动加载）
• templates/config-fill-in.md — 候选人配置表（岗型 / 白名单 / 禁项 / 数字 / 简历版本）
• templates/workspace-init.md — 工作区初始化与 JD 池准备
• templates/resume-extra.md — 手动补充表（简历没有但真会的能力/数字怎么写）
• templates/jd-intake.md — JD 三种交付方式（链接 / 粘贴全文 / 文件）+ 标准块格式 + 配对体检判读