/assess-interview-candidate

name: assess-interview-candidate
description: >-
  根据候选人简历与岗位要求生成可审计的后台评估、简明的候选人介绍、按岗位重要性排列的简历疑点、12–18 道可直接照读的面试题，以及支持重点标记和本机保存的离线 HTML。用于招聘方准备结构化面试、核验岗位能力和记录回答。不要用于求职者模拟面试、私人背景调查、心理或人格诊断、从敏感属性推断表现，或自动录用、淘汰、排序候选人。

候选人评估与面试报告

目标

把简历和岗位要求整理成两层材料：

1. 后台保留完整岗位模型、证据账本、来源、假设和评分数据，便于复核。 2. 给面试官的 HTML 只保留“候选人简介、简历疑点与水分排查、面试提问”三个模块，使用通俗中文。

始终区分候选人明确提供的事实、外部佐证、推断和未知。最终招聘决定由具备权限的人作出。

可移植运行约定

本 Skill 不依赖某个特定 Agent、Skill 安装根目录或命令行外壳。任何能够读取本地文件并运行 Python 3.10 及以上版本的 Agent 都可以使用；PDF 处理、联网核验和浏览器检查按当前宿主实际具备的能力执行。

• 先把 `<skill-dir>` 解析为本 `SKILL.md` 所在目录，不猜测固定安装路径。
• `<python>` 表示当前系统可用的 Python 3 启动方式。Windows 通常使用 `py -3` 或 `python`，macOS 与 Linux 通常使用 `python3` 或 `python`；先用版本命令确认实际可用项。
• `<approved-root>`、`<output-dir>` 等是路径占位符，不代表固定路径分隔符。通过宿主文件 API 或 `pathlib` 组合路径，并把含空格或非 ASCII 字符的路径作为一个完整参数传入。
• 命令示例使用单行、外壳无关的参数形式。不要依赖 Bash 续行符、环境变量展开、当前用户主目录结构或某个 Agent 的专用工具名。
• `agents/` 中的文件只是特定宿主可选的界面元数据；核心工作流以本文件、`references/`、`scripts/`、`assets/` 和 `evals/` 为准。

遇到能力差异时按 [agent-portability.md](references/agent-portability.md) 处理。缺少必要能力时明确报告未完成的核验，不得把未执行的步骤写成已完成。

结果契约

每次完整运行在新的案件目录中生成：

input/       原始简历、岗位要求和用户提供的链接
normalized/  经文字提取与视觉核对的文本及案件清单
research/    查询和来源记录
models/      岗位模型、证据账本、行为假设和面试蓝图
interview/   初始评分状态
output/      完整后台数据、精简报告数据和离线 HTML
audit/       运行、校验和隐私排除记录

关键输出：

output/assessment-data.json
output/interviewer-report-data.json
output/<候选人姓名>-候选人评估与面试报告.html

HTML 文件名、浏览器标题和页面最上方标题都必须包含候选人姓名。不要覆盖既有案件或报告。

开始前读取

先把 `<skill-dir>` 解析为本文件所在目录。

1. 每次读取 [workflow-contract.md](references/workflow-contract.md)、[evidence-and-inference-policy.md](references/evidence-and-inference-policy.md) 和 [privacy-and-fairness-cn.md](references/privacy-and-fairness-cn.md)。 2. 建立岗位模型前读取 [job-modeling.md](references/job-modeling.md)。 3. 联网核验候选人职业证据前读取 [research-and-identity-policy.md](references/research-and-identity-policy.md)。 4. 生成题目时读取 [structured-interview-methods.md](references/structured-interview-methods.md) 和 [scoring-and-coverage.md](references/scoring-and-coverage.md)。 5. AI、LLM、Agent 或工程岗位读取 [role-adapter-ai-llm-engineering.md](references/role-adapter-ai-llm-engineering.md)。 6. 写 JSON 前读取对应 Schema；面试官报告必须读取 [schema-interviewer-report.json](references/schema-interviewer-report.json)。

输入门

必需输入：

• 可读取的候选人简历；
• 岗位要求或招聘方确认的实际任务；
• 输出根目录，未提供时使用当前目录下的 `candidate-cases/`。

尽可能取得：

• 公司工作地点、岗位级别、现场办公和出差要求；
• 候选人主动提供的职业链接；
• 候选人职业信息联网核验的允许范围；
• 岗位专家确认的能力权重和门槛。

缺少简历或岗位要求时以 `REQUIRED_INPUT_MISSING` 停止，不创建案件。缺少公司地点时继续生成，但写明“距离无法计算，待补充公司地址”。缺少候选人联网核验权限时关闭该分支，不影响本地简历分析。

工作流

1. 创建案件并完整读取材料

<python> "<skill-dir>/scripts/create_candidate_case.py" --root "<approved-root>" --role-slug "<role-slug>"

复制原始输入并记录哈希，不移动或删除用户文件。PDF 简历在案件目录中使用固定受限副本 `input/resume-original.pdf`，同时在案件清单保留原文件名和哈希。PDF 必须同时使用当前宿主可用的文字提取能力和逐页视觉检查能力，核对页数、姓名、时间线、表格、图片文字及提取遗漏。为保证完整核对，原件和逐页提取文本可能保留电话、邮箱、证件号或精确住址，因此 `input/` 与 `normalized/` 都按受限候选人资料处理；这些内容不得进入联网查询、面试官数据或 HTML。若无法完成逐页视觉检查，以 `PDF_VISUAL_CHECK_UNAVAILABLE` 停止生成最终报告，并说明缺少的能力。

逐页视觉检查时同时记录照片状态：

• 页面上没有候选人个人头像时使用 `not_present`；
• 有疑似头像但无法可靠确认是候选人本人时使用 `ambiguous`；
• 已确认页面上有候选人头像、但当前工具无法可靠提取时使用 `extraction_unavailable`；
• 只有在头像来自原始简历 PDF、已与对应页面视觉核对一致、且能记录页码和提取位置时才使用 `included`。

先检查 PDF 的嵌入图片；若头像不是独立图片，再从对应页面裁切。所有提取结果统一转换为 PNG，并在转换后再次与 PDF 页面视觉比对；JPEG、PPM 等格式不能直接嵌入。不得从公开主页或其他文件补图，不得使用人脸识别、相似度匹配、照片年龄估计或外貌分析。选定图片后运行下列脚本；脚本要求来源为案件内的 `input/resume-original.pdf`，会在解压前检查尺寸、校验 PNG 结构和像素数据、移除非显示所需元数据和文件尾随内容，再以内嵌图片输出：

<python> "<skill-dir>/scripts/prepare_candidate_photo.py" --input "<visually-confirmed-image>" --resume-pdf "<original-resume-pdf>" --page <one-based-page> --extraction-method embedded_image --image-index <zero-based-image-index>

页面裁切时把最后两个参数改为 `--extraction-method page_crop --crop-box <x,y,width,height>`。脚本只负责校验格式、尺寸、哈希和结构化来源，不能替代视觉身份确认。

2. 建立当前岗位模型

按“工作产出 → 关键任务 → 能力 → 目标熟练度 → 可接受证据 → 验证方法”拆解岗位。记录重要性、频率、失败影响和是否入职即需具备。缺少招聘方确认时标为暂定，不把学历、年限或公司名气自动当作能力。

对快速变化岗位进行不含候选人身份信息的当前岗位研究；优先官方招聘页、一手技术资料、标准和职业框架。

3. 建立简历证据账本

逐条拆分与岗位重要能力有关的声明，记录原文位置、情境、任务、本人行动、结果、个人贡献边界、可验证材料和剩余缺口。简历没有写某项能力只表示“当前证据不足”，不能直接写成“不具备”。

疑点使用“描述不清”“可核验缺口”等中性语言。优先检查：

• 只写“参与”但没有本人分工；
• 完成功能但没说明自主设计、改造开源方案还是简单调用；
• 提到增长、准确率或降本，但没有基线、时间范围和计算口径；
• 团队、论文或平台结果与个人贡献边界不清；
• 岗位关键能力只有技能名词，没有可运行产物或验证过程。

4. 可选的公开职业证据核验

仅研究获得允许、公开可访问、身份确认且与岗位直接相关的职业资料。系统发现的页面至少需要两个一致职业锚点；同名不足以确认身份。不得搜索年龄、籍贯、婚姻、家庭或私人生活。没有公开主页、论文或代码仓库不得扣分。

5. 保留完整后台审计

继续生成岗位模型、证据账本、候选人视角、九类岗位行为假设、面试蓝图、评分状态、来源记录和 `output/assessment-data.json`。这些对象供审计与人工复核，不直接展示在面试官 HTML 中。

6. 生成精简面试官数据

按 [schema-interviewer-report.json](references/schema-interviewer-report.json) 生成 `output/interviewer-report-data.json`。

候选人简介

• 姓名必须使用候选人材料中的明确姓名。
• `personal_info` 只保存候选人主动提供的出生信息、出生地、老家或籍贯、婚姻状况、现居城市；没有就显示“未提供”，不得搜索或补写。
• 有出生日期时按报告日期计算准确周岁；有出生年月或出生年份时计算近似年龄并标“约”。同时保存原始出生信息、规范日期、换算截止日和来源位置。
• 照片放在 `candidate_overview.candidate_photo`，不得放进 `personal_info`。只有 `status=included` 时 HTML 才显示本地 `data:` 图片；其他状态不保留空白照片栏。
• 候选人未提供出生信息时，才可生成独立的 `candidate_overview.timeline_age_estimate`：优先使用简历明确写出的最早本科入学时间；没有入学时间时，只有同时明确写出本科毕业时间和学制，才可反推入学年份。毕业月份或日期不能证明入学月份或日期，因此回推锚点一律降为年份精度。以本科入学年龄 18 岁为中心，固定使用 16–20 岁区间，并把锚点精度造成的日期不确定性计入上下界。
• 研究生入学、工作开始等后续时间只能做先后关系核对，不能单独作为年龄锚点。时间线冲突或证据不足时不输出数值区间；推算结果必须标明“非候选人自述”。
• 候选人已经明确提供的学校、学历、专业、工作单位、职位、时间和城市应直接汇总；某个城市没写就显示“未提供”，不根据学校或单位地址推测。
• 照片、年龄（包括履历推算区间）、籍贯和婚姻状况不进入人岗匹配、能力评分、稳定性预测、录用决定或候选人排序。
• 人岗匹配只用“符合”“有相关基础，需面试确认”“当前证据不足”。
• 单列现居地、公司地点、实际通勤、搬迁意愿、现场办公、出差和最早到岗问题。出生地或老家不能代替现居地计算距离。

简历疑点与水分排查

只列与岗位核心能力直接相关的 0–8 项，按能力重要性降序。每项写清：对应能力、简历原话、哪里说不清、为什么要核实、怎么核实。不要在可见文案中输出内部状态码、能力编号或英文评估术语。

面试提问

生成 12–18 道按优先级排列的问题。问题必须能让面试官直接照读。每道岗位题提供提问目的、回答好/一般/差的具体表现、加分点和减分点。

题库必须包含：

• 共同核心专业题和至少一个真实工作样本；
• 与本候选人核心简历声明对应的核验题；
• 表达沟通、协作责任、危机处理或压力情境题；
• 现居地、通勤/搬迁、到岗和现场工作安排；这些题只记录双方条件，不评分；
• 一道可选择不问的婚姻状况问题。该题只记录候选人自愿回答，不设好坏、不加分、不扣分；候选人可以不回答。

7. 生成离线 HTML

HTML 只嵌入 `interviewer-report-data.json`，不嵌入完整 `assessment-data.json`。页面恰好包含三个主模块：

1. 候选人简介； 2. 简历疑点与水分排查； 3. 面试提问。

头像只在 `candidate_photo.status=included` 时出现在候选人简介中，并注明来自简历 PDF、只展示、不参与评估或