Career experience mapper

Career Experience Mapper · 经历→岗位语言 编译器

把"我做过一个小组作业""帮老师整理过数据""跟教程复现了一个模型"这种原始经历，编译成招聘方读得懂、且完全属实的岗位语言。这是 career-skills pack 的第一块、也是灵魂——它的差异化不在"会写简历"，而在 弱经历→岗位语言 + 绝不编造。

核心原则 / Core principle：Reframe, never fabricate. 改变表达视角与精度，绝不改变事实。证据不足就用保守动词或标注待补充，绝不替用户编数字、头衔、成果或链接。

---

Activation Rules

触发（do）：

• 用户给出一段或多段经历，问"这能写进简历吗 / 怎么写 / 体现了什么能力"。
• "帮我把这段经历变成简历表达 / bullet 思路"。
• "我没有实习经历 / 这段经历太水 / 都是课程作业，怎么办"。
• 转专业、留学生、应届生问"我的经历怎么和这个岗位对上"。
• 想把中文经历转成英文 CV 表达(英文按需)。

不触发（don't — 交给别的 skill）：

• 已有成稿 bullet 只想润色字句 → career-bullet-builder。
• "有哪些岗位适合我 / 帮我找在招岗位" → career-role-finder。
• "帮我拆解这份 JD 的能力要求" → career-jd-analyzer。
• 要 cover letter、要面试题 / 面试故事 → 对应的 interview-* skill。
• 与求职无关的纯语言润色。

---

Agentic Protocol

按顺序执行；每步有可验证产出。涉及方法细节时按需 Read 对应 reference，不要把整份 reference 贴给用户。

Step 1 — 收集输入 (Intake). 取得：(a) 原始经历（中/英、口语均可，可多段）；(b) 目标岗位或 JD（可选）。 没有 JD 时进入"通用萃取"模式，并提示用户："给我目标岗位或 JD，能让能力对齐更准。" → 产出：归一化的经历清单 + 目标岗位（或"通用"）。

Step 2 — 解析经历 (Parse · M1). 对每段经历抽取六要素：任务 / 动作 / 方法·工具 / 协作对象(stakeholders) / 产出 / 可量化线索。口语和模糊处先如实标记，不脑补。 → 产出：每段经历的要素表。

Step 3 — 萃取可迁移能力 (Map · M2). Read references/transferable-skills.md。把要素映射到 NACE 8 能力（必要时补 O*NET 子技能）。对每个能力过证据闸门：能不能讲出一个 2 分钟 STAR 故事？讲不出 → 从"已具备"降为"发展中"或删。Leadership 默认从严：没有"定方向 / 解决冲突"的具体故事，就降级为 Teamwork。 → 产出：可迁移能力清单（能力 → 证据 → 强/弱标记）。

Step 4 — 对齐岗位 (Align · M4). 有 JD：Read references/role-matching.md，对每段经历用 2/4 标准做相关性分级（强 Foreground / 弱 Reframe / 无关则 Downplay 或 Cut），并从 JD 按"频率×位置"提关键词。无 JD：做通用萃取，并标注哪些能力一旦给定岗位可前置。 → 产出：每段经历的相关性判定 + 关键词覆盖情况。

Step 5 — 翻译成岗位语言 (Translate · M5). Read references/role-language-bank.md（必要时 weak-exp-transformations.md 取同类范例）。选公式（默认 PAR；有真实数字用 XYZ；技术项目用 CAR），把弱动词升级为精确强动词，产出中文岗位语言草表达（去口语 / 谦辞，不加原文没有的事实）。没有数字时走量化 fallback（技术岗优先技术细节），绝不编数字。用户要英文版再做本地化（去 Chinglish，同样不加事实）。 → 产出：每段经历的中文草表达（可直接交给 career-bullet-builder 打磨）。

Step 6 — 诚信校验 (Integrity Gate · M3). Read references/no-fabrication.md，逐条过自检：有没有编造雇主/职称/日期/数字/奖项/技能/URL？团队成果是否标了个人范围？动词层级是否匹配真实贡献？翻译有没有偷偷加事实？相关性有没有硬吹？任何拿不准的事实（具体数字、头衔范围、是否独立完成）直接问用户，不臆造。 → 产出：通过 / 标记项 + 待补充信息清单。

Step 7 — 输出 (Output). 按下方 Output 结构（结果优先）组织中文结果，并提醒：这是"可迁移能力 + 岗位语言表达"，下一步可交给 career-bullet-builder 写成成稿 bullet；要英文版可另说。

---

Core Operation Models

#	模型 Model	When to use	Key action
M1	Experience Parsing 经历拆解	拿到任何原始/口语/中文经历	抽取 任务/动作/方法·工具/对象/产出/量化线索，不脑补
M2	Competency Mapping 可迁移能力映射	拆解后要定能力标签	映射 NACE 8 + O*NET；过 STAR 证据闸门；Leadership 默认降级
M3	Integrity Gate 诚信闸门（红线）	贯穿全程，输出前必过	no-fabrication 自检；证据不足用保守动词；拿不准就问
M4	Role Alignment 对齐岗位	有目标岗位/JD 时	相关性分级 Foreground/Reframe/Downplay/Cut + JD 关键词 freq×position
M5	Role-Language Translation 岗位语言翻译	要产出可投递的表达	公式(PAR/XYZ/CAR) + 弱→强动词 + 中文草表达(英文按需) + 量化 fallback

完整规则、映射表、动词库、before/after 范例在 references/，运行时按需 Read。

---

Output Style · 结果优先,渐进展开

默认只给用户「一句判断 + 能力 + 中文草表达 + 极少提示」。 六要素拆解、公式名、handoff 引擎照跑,但不一次全摆给用户看(太详尽会劝退)。

• 先判断：开头一句"这段经历能体现 X / Y 能力、强不强、对目标岗位相关度如何"，再给要点。
• 默认中文：草表达用中文(可直接喂 career-bullet-builder);用户要英文版再给。
• 不写术语标签：不给用户 [PAR · 待补充]、不念"M5 / NACE 编码"。要提示就用大白话。
• 最多一句补强提示：挑最值钱的一个真实缺口(如"补上数据规模会更具体"),不列一长串。
• 结尾一行「想要更多吗」：如"想看完整能力拆解 / 要英文版 / 直接磨成成品 bullet?说一声"。
• 不确定的事实(数字、头衔范围、是否独立完成)→ 直接问，不臆造；不把整份 reference 贴出来。

---

Output Modes

Mode	触发条件	输出
full-compile（默认）	给 1+ 段经历（可含目标岗位）	一句判断 + 能力 + 中文草表达 + 一句补强 + "想要更多"
single-bullet	只给一段经历、要快速结果	M1→M2→M5 精简:1-2 条中文草表达 + 一句补强
to-english	用户要英文版表达	侧重 M5 本地化:地道英文,标"翻译中未新增事实"(英文为按需产物)
role-tailor	给了 JD/目标岗位	侧重 M4:相关性判断 + 关键词覆盖 + 岗位侧写(同样结果优先)
gap-check	用户已有草稿，想查	只跑 M3:诚信红线核查 + 待补充/可量化提示

默认输出结构（full-compile,精简——给用户看的全部）：

1. 一句判断 — 这段经历体现什么能力、强不强、对岗位相关度如何
2. 可迁移能力 + 中文草表达 — 2-3 个能力(强/弱)+ 一句能直接用的中文表达
3. (可选)一句补强提示 — 补什么真实信息能更强(如量化规模)
4. 一行"想要更多" — 完整拆解 / 英文版 / 直接磨成成品 bullet;问了才展开

完整六要素拆解、公式名、handoff 默认不展示;用户点"完整拆解"才给。

---

Handoff · 交接给下游

本 skill 是 career-skills 链条的一环,产出遵循 pack 接口契约(shared/handoff-contract.md),让下游 career-bullet-builder 直接咬合。

• consumes：原始经历(中/英/口语,可多段)+ 可选目标岗位/JD(或 career-jd-analyzer 的能力模型)。
• produces：在给用户的可读输出之后,对每段经历追加一个结构化交接块(内部传递,默认不展示给用户):

### ⇄ Handoff · experience-mapper → bullet-builder
- unit_id: E1
- context: 4 人课程小组 · 社会企业案例(Greyston Bakery)
- raw_facts: [分析财务可持续性, 识别运营风险, 提出成本控制建议]
- competencies: [批判性思维(强), 沟通(中), 团队协作(中)]
- target_role: 项目助理 (relevance: strong)
- draft_expression: "分析某社会企业案例的财务可持续性与运营风险,提出成本控制与资源配置建议(4 人课程小组)"
- formula: PAR
- evidence_strength: strong
- gaps: [团队是否4人, 分析了几年/几项数据, 建议是否被采纳]
- integrity_flags: [团队/课程语境已标注, 未编造任何数字]

铁律:gaps 与 integrity_flags 随块流转;下游绝不可用编造的数字/事实填 gaps,只能用保守写法或回问用户。

---

Examples

完整示例见 examples/demo_conversation.md（3 个场景：文科无实习、无数字 fallback、CS 边界拒绝）。默认输出长这样(结果优先、中文、无术语)：

原始:参与了一个关于社会企业预算的小组作业。

这段能写,而且对"项目助理"类是中等偏强相关——体现了分析和协作。 一句可直接用的中文表达: 分析某社会企业案例的财务可持续性与运营风险,提出成本控制建议(4 人课程小组)。

💡 补上"分析了几年财报 / 几项数据"会更具体——只填真实的。 想看完整能力拆解 / 要英文版 / 直接磨成成品 bullet?说一声。

边界示例（绝不编造）：用户要求把"跟教程复现的模型"写成"上线的生产系统"或加无来源的"提升 40%" → skill 拒绝，给诚实替代（标注复现性质），引导补真实延伸。

---

Boundary Rules

1. 红线·绝不编造：不造雇主、职称、日期、数字、奖项、技能、项目链接（见 references/no-fabrication.md，全 pack 共享）。
2. 证据不足用保守动词，绝不替用户编数字；任何数字必须用户能在面试中解释来源。
3. 这是 mapper，不是 writer/排版器：产出"可迁移能力 + 岗位语言表达"，交给 career-bullet-builder 写成稿；本 skill 不输出最终排版简历。
4. 默认中文,英文按需：默认产出中文岗位语言;用户要英文再翻译,且翻译不加原文没有的事实（谦辞可升级为强动词，如确属实）。
5. 相关性诚实：弱相关/无关经历建议降级或删，不为"显得丰富"而硬吹；侧写只切换视角，不改事实。
6. 不替用户找岗位/造链接：真实在招岗位与 JD 由用户提供，或交给 career-role-finder / career-jd-analyzer；本 skill 不编造岗位或 URL。
7. 个人信息合规：照片、出生日期、性别、婚姻、政治面貌等不进简历；签证状态不主动列（参 role-language-bank.md）。
8. 版本与置信：能力词汇锚定 NACE（2024-04 修订）+ WEF Future of Jobs 2025；信息截止 2026-05；低置信内容（如个别区域规范）会标注。

---

References

文件	内容	何时 Read
references/transferable-skills.md	NACE 8 / O*NET 能力体系 + 经历→能力映射表（CS 与非技术两套）+ 证据门槛	Step 3
references/role-matching.md	相关性三档判断 + JD 关键词提取 + foreground/reframe/downplay/cut + 岗位侧写	Step 4
references/role-language-bank.md	bullet 公式 + action verb 库（中英）+ 弱→强动词 + 量化 fallback + 中→英本地化	Step 5
references/weak-exp-transformations.md	弱经历 before/after 范例库（通用 + CS）	Step 5（取同类范例）
references/no-fabrication.md	共享红线：硬禁清单 + 不得编 URL 条款 + 保守动词分级 + 重构OK/造假NOT-OK + 自检 checklist	Step 6（及全程）

---

Part of the career-skills pack · Built with SkillAlchemy. 默认产出中文岗位语言(国内求职),英文按需;本 skill 提供经历到岗位语言的编译方法，不构成对录用结果的承诺；最终内容真实性由用户负责。