Skip to content

dongshuyan/compass-skills / skills/assess-interview-candidate

assess-interview-candidate

Verified

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。

FileKindSize
SKILL.mdskill md17.9 KB
agents/openai.yamlconfig329 B
assets/candidate-assessment-template.htmlother35.5 KB
evals/evals.jsonconfig11.1 KB
references/agent-portability.mdmarkdown3.5 KB
references/evidence-and-inference-policy.mdmarkdown7.8 KB
references/job-modeling.mdmarkdown3.8 KB
references/privacy-and-fairness-cn.mdmarkdown7.1 KB
references/research-and-identity-policy.mdmarkdown4.0 KB
references/role-adapter-ai-llm-engineering.mdmarkdown5.7 KB
references/schema-evidence-ledger.jsonconfig6.2 KB
references/schema-interview-blueprint.jsonconfig5.6 KB
references/schema-interviewer-report.jsonconfig13.7 KB
references/schema-job-model.jsonconfig4.5 KB
references/schema-source-record.jsonconfig9.5 KB
references/scoring-and-coverage.mdmarkdown9.5 KB
references/structured-interview-methods.mdmarkdown4.8 KB
references/workflow-contract.mdmarkdown14.7 KB
scripts/calculate_interview_score.pyscript15.5 KB
scripts/create_candidate_case.pyscript3.6 KB
scripts/derive_timeline_age.pyscript9.9 KB
scripts/normalize_inputs.pyscript9.0 KB
scripts/prepare_candidate_photo.pyscript12.4 KB
scripts/render_candidate_report.pyscript5.3 KB
scripts/validate_candidate_report.pyscript10.1 KB
scripts/validate_case_contract.pyscript28.3 KB
scripts/validate_evidence_ledger.pyscript15.2 KB
scripts/validate_interviewer_report_data.pyscript35.4 KB
scripts/validate_source_log.pyscript21.4 KB
tests/test_candidate_profile_enrichment.pyscript40.3 KB
tests/test_interviewer_report.pyscript34.1 KB
tests/test_public_package.pyscript7.0 KB

references/workflow-contract.md

View on GitHub
# 候选人评估工作流与双层输出契约

## 用途与边界

本工作流把简历、岗位要求、公开职业证据和结构化面试组织成两层材料:

- 后台审计层:完整保存岗位模型、证据、来源、假设、蓝图和评分数据。
- 面试官视图层:只展示面试现场需要的候选人简介、核心简历疑点和面试问题。

只评价与岗位任务直接相关、可观察和可验证的行为与产出。不从姓名、照片、声音、表情、口音、年龄、性别、民族、宗教、婚姻、健康、残障、籍贯、家庭或私人生活推断能力、人格、稳定性或文化适配。不自动录用、淘汰或排序候选人。

## 案件目录

```text
<approved-case-root>/<local-date>-<role-slug>-<random-id>/
  input/
  normalized/
  research/
  models/
  interview/
  output/
  audit/
```

推荐文件:

```text
input/resume-original.*
input/job-description-original.*
input/supplied-links.json
input/consent-and-scope.yaml
normalized/resume.md
normalized/job-description.md
normalized/case-manifest.json
research/queries.jsonl
research/sources.json
models/job-model.json
models/evidence-ledger.json
models/interview-blueprint.json
interview/score-state.json
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
audit/run-manifest.json
audit/validation.json
audit/privacy-log.json
```

案件目录使用随机编号,不含候选人姓名;最终 HTML 文件名必须包含候选人姓名,方便招聘方同时处理多人报告。

## 处理阶段

### 0. 范围与权限

记录处理目的、岗位、允许的数据源、候选人职业信息核验状态、人工责任人和公司工作地点。候选人职业信息核验与通用岗位研究分开。

### 1. 输入标准化

保留原件并记录哈希。PDF 简历复制为案件内固定受限文件 `input/resume-original.pdf`,案件清单另存原始文件名和哈希。PDF 同时做文字提取和逐页视觉检查,生成带页码或段落定位的文本。无法可靠读取的部分标记提取不确定,不猜测。原件和完整提取文本属于受限候选人资料,可能保留联系方式;联系方式不得进入查询、研究记录、面试官数据或 HTML。

逐页视觉检查还要记录候选人头像状态。若页面存在清晰的候选人头像,先检查 PDF 嵌入图片,再按需要裁切页面;所有提取结果都转换为 PNG,并在转换后重新与原页面视觉比对。只有最终 PNG 与原页面一致时才可标为 `included`。无头像、无法确认是候选人本人、可见但无法可靠提取时分别标为 `not_present`、`ambiguous`、`extraction_unavailable`。不得从 PDF 之外补图,也不得做生物识别或外貌推断。

候选人已明确提供的姓名、出生信息、出生地、籍贯或老家、婚姻状况、现居城市、学校、学历、专业、工作单位、职位、任职时间和明确城市可以进入面试官视图。没有提供的字段显示“未提供”。

### 2. 当前岗位研究

先用不含候选人身份信息的查询研究岗位,形成:

```text
工作产出 -> 关键任务 -> 能力 -> 目标熟练度 -> 可接受证据 -> 验证方法
```

分别记录重要性、频率、失败影响和入职门槛。权重在岗位专家确认前标为暂定。

### 3. 简历证据整理

把关键声明转换为情境、任务、本人行动、结果、个人贡献边界和验证方式。保留原文位置、来源状态、替代解释和核验问题。简历缺失表示当前材料没有证据,不等于候选人不具备能力。

### 4. 公开职业证据核验

只使用范围获准、公开可访问、身份确认且与岗位直接相关的职业页面。系统发现页面至少需要两个一致职业锚点。无法确认身份时记为 `identity_unresolved`,不摘录、不归因、不评分。

联网查询不得查找或补充年龄、出生地、籍贯、婚姻、家庭、健康、财务、政治、宗教、精确住址或私人社交内容。相关字段只能来自候选人主动提交的材料。

### 5. 后台岗位—证据映射

为关键能力形成正面材料、反面材料、缺口、替代解释和中性核验问题。文本是否读对、是否映射岗位、声明是否被佐证、材料是否支持能力判断分别记录。

### 6. 后台行为假设

后台可以保存专业能力、职业伦理、沟通、协作、事业投入条件、责任、薪酬取舍、候选人优先事项和压力情境等岗位行为假设。每项至少保留一个善意替代解释和可推翻条件。不得形成确定性人格诊断,也不得在主 HTML 中逐项展示。

### 7. 面试蓝图

同一岗位与级别使用相同的共同核心题、顺序、时间、允许追问和行为判断参考。首轮集中观察 3–4 项最高优先级能力,并准备 12–18 道可供面试官选择的问题。

共同核心专业题和工作样本可以计分;个性化简历核验、到岗安排以及婚姻状况等候选人自述题默认不计分。

### 8. 后台审计对象

四个稳定对象由既有 Schema 约束:

- `schema-job-model.json`
- `schema-evidence-ledger.json`
- `schema-interview-blueprint.json`
- `schema-source-record.json`

对象使用稳定的 `case_id`、`capability_id`、`evidence_id`、`source_id`、`question_id` 和 `section_id`。生成报告前检查唯一性和跨对象引用。

`output/assessment-data.json` 保留:

- 完整岗位模型;
- 简历证据项;
- 候选人视角;
- 九类岗位行为假设;
- 面试蓝图和初始评分状态;
- 来源记录和限制。

此文件不嵌入面试官 HTML。

### 9. 面试官视图对象

`output/interviewer-report-data.json` 必须通过 `schema-interviewer-report.json`。新生成报告使用 `schema_version=1.1.0`;校验器继续接受不含新增字段的既有 `1.0.0` 报告,避免为本次升级重写旧工件。`1.0.0` 不能携带 `candidate_photo` 或 `timeline_age_estimate`,防止通过降低版本号跳过新增校验。对象只包含:

```text
case
candidate_overview
resume_risks
interview_questions
footer_note
```

#### 候选人简介

`candidate_overview.personal_info` 对出生信息、年龄、出生地、老家或籍贯、婚姻状况、现居城市使用统一来源状态:

- `candidate_provided`:候选人主动材料中明确出现,并保留 `source_locator`;
- `not_provided`:值固定为“未提供”,来源位置为 `null`。

不允许“根据学校推测籍贯”“根据单位地址推测现居地”等第三种来源状态。

`candidate_overview.candidate_photo` 和 `candidate_overview.timeline_age_estimate` 是 `personal_info` 的同级对象。前者是简历 PDF 展示工件,后者是显式推算;两者都不能伪装成候选人自述事实。

`candidate_photo` 使用四种状态:

- `included`:图片字节以内嵌 PNG `data:` URI 保存,同时记录 MIME、字节数、像素尺寸、图片 SHA-256、原始 PDF SHA-256、页码、提取方法以及图片索引或裁切框;
- `not_present`:逐页检查未发现候选人头像,不保存图片或来源对象;
- `ambiguous`:存在疑似图片,但无法可靠确认是候选人个人头像;保留已检查的 PDF 页码,不保存图片;
- `extraction_unavailable`:页面有清晰头像,但当前能力无法可靠提取;保留已检查的 PDF 页码,不保存图片。

`included` 只能来自 `input/resume-original.pdf`。嵌入图片方式必须使用非负 `image_index` 且没有裁切框;页面裁切方式必须记录 `x,y,width,height` 且没有图片索引。图片嵌入前必须统一转换为 PNG 并重新视觉核对;规范化时先检查尺寸,再校验 PNG 结构和像素数据,只保留显示所需图像数据并移除非显示辅助块和文件尾随内容。面试官数据校验器拒绝 JPEG、损坏图片和未经规范化的负载。所有照片状态都禁止公开头像搜索、人脸识别、跨来源相似度、年龄或外貌分析。

明确自述的数字年龄原样展示并保留来源,不随报告日递增,也不反推出生信息;其 `normalized_birth=null`、`precision=not_provided`、`source_status=candidate_provided`、`approximate=false`。没有明确自述年龄时,出生信息按 `case.report_date` 换算:

- `YYYY-MM-DD`:准确周岁,`approximate=false`;
- `YYYY-MM`:比较该月最早、最晚可能生日;对应周岁相同则 `approximate=false`,不同才为 `true` 并显示“约”;
- `YYYY`:报告年份减出生年份,`approximate=true`,显示中含“约”;
- 两者均未提供:年龄事实显示“未提供”。识别须结合原页位置和上下文,不以固定字段标签为门槛;歧义或冲突保留待核,不能直接当作缺失。

当明确自述年龄和出生信息均未提供时,另填 `timeline_age_estimate`:

1. 优先取简历明确写出的最早本科入学时间,接受 `YYYY`、`YYYY-MM` 或 `YYYY-MM-DD`。
2. 入学时间缺失时,仅当本科毕业时间和明确学制同时存在,才反推入学年份;不能自行假设学制,也不能把毕业月份或日期继承为入学月份或日期。
3. 新报告展示单一近似值 `18 + 报告年份 - 入学年份`,明确“入学时18岁假设推算;非候选人自述”,不伪装为准确周岁。原有最小16岁、典型18岁、最大20岁的假设及日期精度形成的上下界保留在后台供审计,旧区间数据继续兼容校验。
4. 研究生入学、工作开始等后续日期只作为 `consistency_checks`。确定早于本科锚点时使用 `timeline_conflict` 并移除数值区间;日期精度重叠时使用 `not_assessable`,不能武断判冲突。
5. 没有合格锚点时使用 `insufficient_evidence` 且不输出数值;候选人提供了明确年龄或出生信息时使用 `not_needed`,不得同时保留时间线锚点。
6. `estimated` 的展示文字必须写明“推算”和“非候选人自述”,保存截止日、来源位置、锚点精度和固定假设。照片和所有年龄信息均不得进入岗位匹配、评分、稳定性判断、录用/淘汰或排序。

`derive_timeline_age.py` 接受重复的 `--consistency-check-json` 参数。每个 JSON 对象包含 `event`、`date` 和 `source_locator`;脚本根据日期自动填写 `precision`,拒绝未知事件、缺失来源和不匹配的显式精度。

`education` 和 `employment` 直接汇总候选人明确提供的学校、专业/学历、单位、职位、时间和城市。城市另存 `city_source_status`:明确写出时为 `candidate_provided`,没写时为 `not_provided` 且值固定为“未提供”。不得根据学校或单位所在地补写城市。

`fit_items` 使用三种状态:

- `match` → 符合;
- `foundation_needs_confirmation` → 有相关基础,需面试确认;
- `evidence_insufficient` → 当前证据不足。

年龄、出生、籍贯、老家和婚姻词语不得进入 `fit_items`。

#### 简历疑点

`resume_risks` 最多 8 项,按 `importance` 从高到低、`order` 从 1 连续排列。每项都包含能力、原话、描述不清之处、核验原因和核验方式。

#### 面试问题

`interview_questions` 必须为 12–18 道,按 `must_ask`、`recommended`、`optional` 排列,顺序号从 1 连续递增。

题库至少各含一道 `job_core`、`work_sample`、`resume_check`、`soft_skill`、`logistics` 和 `candidate_choice`,防止题数达标但岗位覆盖缺失。

- `rated`:必须有回答好、一般、差的具体参考以及加分点、减分点。
- `record_only`:只提供记录说明,不得含评分字段。`logistics` 和 `candidate_choice` 必须使用此模式。

题库必须包含一道人岗评分之外的婚姻状况可选题:`kind=candidate_choice`、`evaluation_mode=record_only`。候选人不回答不产生负面判断。

### 10. 离线 HTML

HTML 只嵌入面试官视图对象,并恰好包含三个主模块。页面不渲染后台分数、权重、覆盖率、门槛、可比性、来源表、完整证据账本或九类行为假设。

`candidate_photo.status=included` 时,候选人简介使用照片加信息区的双栏布局,并在图片下标明来自简历 PDF 且不参与评估或排序;其他状态不得预留空白照片栏。`timeline_age_estimate` 不是 `not_needed` 时使用“履历推算年龄”独立标签;证据不足或时间冲突也要如实显示,不能悄悄省略失败状态。

页面状态使用以 `case_id` 命名空间隔离的 `localStorage`,只保存题目重点、回答表现和备注,不另存候选人基本信息。无本地存储时页面仍可使用和导出。不得发起网络请求。

重点状态:

- `none`:不标记;
- `maybe`:黄色“可能要问”;
- `must`:红色“一定要问”;
- `backup`:蓝色“备选”。

岗位题记录为“未问、好、一般、差”;自述题记录为“未问、已记录、不便回答”。颜色同时配有文字,不只依赖颜色传达。

## 校验顺序

1. 校验后台四个稳定对象和跨引用。
2. 校验来源账本和证据账本。
3. 计算后台面试分和覆盖状态。
4. 对照片运行结构、大小、尺寸、规范化字节、哈希、原始 PDF 来源和提取位置校验;对履历年龄区间重算锚点、精度、假设、时间顺序和上下界。
5. 校验 `interviewer-report-data.json`。
6. 用包含候选人姓名的文件名渲染 HTML。
7. 校验 HTML 的三模块、姓名、离线依赖和交互标记。
8. 浏览器分别检查有照片、无照片和推算失败状态的控制台、重点切换、本机恢复、导出、清空、打印和响应式布局。

## 交付检查

- [ ] 原始材料有哈希,PDF 完成文字与视觉双通道核对。
- [ ] 后台岗位、证据、来源、蓝图和评分对象校验通过。
- [ ] 面试官数据通过独立 Schema、照片来源与字节校验、出生年龄换算和履历年龄重算。
- [ ] 文件名、浏览器标题、页面主标题都包含候选人姓名。
- [ ] 主 HTML 只有三个模块,问题数为 12–18。
- [ ] 候选人已明确提供的学校、单位和城市已显示,缺失项未推测。
- [ ] 有照片时只使用简历 PDF 中视觉确认的头像;无照片时不预留空栏;未执行任何生物识别或外貌推断。
- [ ] 已回查原页年龄线索;明确自述年龄优先,其次按出生信息换算;两者皆无才按明确本科锚点展示单值估计,保留假设和来源,证据不足或冲突时没有数值。
- [ ] 照片、年龄(含履历推算区间)、籍贯、婚姻未进入岗位匹配、评分、稳定性判断或排序。
- [ ] 简历疑点按重要性降序且使用中性中文。
- [ ] 重点标记和面试记录可以本机恢复与导出。
- [ ] 报告离线可用、无外部依赖、无自动录用或淘汰结论。
slack-gif-creatoranthropics/skillsKnowledge and utilities for creating animated GIFs optimized for Slack. Provides constraints, validation tools, and animation concepts. Use when users request animated GIFs for Slack like "make me a GIF of X doing Y for Slack."Stars: 198kUpdated Claude CodeCodexVerifiedInstall
ponytailDietrichGebert/ponytailLazy senior dev mode for any coding task: the smallest change that fully solves it, and a reply a busy human understands in one read.Stars: 194kUpdated Claude CodeCodexVerifiedInstall
ponytail-debtDietrichGebert/ponytailHarvest every shortcut: comment into one debt ledger, so deferrals get tracked instead of forgotten. One-shot report.Stars: 194kUpdated Claude CodeCodexVerifiedInstall
ponytail-debtDietrichGebert/ponytailList every `shortcut:` comment (and older `ponytail:` ones) as a debt ledger. One-shot report, changes nothing. Use for "ponytail debt", "what did ponytail defer", "list the shortcuts", /ponytail-debt.Stars: 194kUpdated Claude CodeCodexVerifiedInstall