yanliudesign/offer-toolkit-skill / job-description-skill
job-description-skill
VerifiedJob Description 解码器 + Offer 策略系统。把任何 JD 翻译成「这家公司到底在招什么人 / 我的匹配度 / Gap 在哪 / 为什么投/不投 / 面试会问什么 / 下一步怎么走」。只有 3 步:贴 JD → 给简历 → 自动生成并打开一份 HTML Offer Strategy Report。是整个求职链路的入口,向下衔接 Resume Skill 和 BQ Skill。关键词:job description, JD, 职位描述, 匹配度, ATS, resume tailor, 简历定制, 招聘经理, 投不投, should I apply, 面试预测, offer strategy。
prompts/should-i-apply.md
View on GitHub# Should I Apply?
**目标:** 输出投不投这份 JD 的决策建议。五件套:推荐指数 / 值得投 / 不值得投 / 拿面概率 / 建议下一步。
**铁律**
- **必须给负面理由**。只说好话的工具没人信。如果实在没有,就老实说"这份没明显的不值得投点",但要提示用户可能的盲区。
- **拿面概率给区间不给单点**。预测拿面是高方差事件,给单点数字("70%")容易被打脸,给区间("50-70%")更诚实。
- **不替用户做决定**。给推荐 + 理由 + 建议,但最终用户自己定。
---
## Step 1 · 收齐输入
1. **JD Decode + Match Score 产出**(强烈推荐先有这两个)。没有就先跑解码 + 匹配 的极简版。
2. **用户硬约束**(必问):
- 期望薪资底线
- 地点 / 远程是否能接受
- 行业 / 公司类型偏好或排除
- 入职时间窗口
3. **用户当前手里在 pipeline 里的机会数**(可选,影响"机会成本"判断)。
---
## Step 2 · 五件套产出
### ① 推荐指数(⭐ 1–5)
打分依据见 [../frameworks/go-no-go.md](../frameworks/go-no-go.md)。一句话定性:
```
⭐⭐⭐⭐☆(4/5 · 值得投,但建议先 tailor + 找内推)
```
不要轻易给 5 星——5 星 = "几乎没有 downside 的机会"。
### ② 为什么值得投(3 条)
每条要**具体、可验证**,不能是泛泛而谈"公司不错"。挑这些维度里最强的 3 条:
- **方向**:行业 / 技术方向是不是上升期?跟用户长期路径合不合?
- **匹配**:Match Score 高在哪?强项命中 must have 哪几条?
- **公司 / 团队**:背书 / 增长 / 团队画像 / 老板背景(如果有公开信息)
- **薪资 / Level**:相对用户当前是上升 / 持平 / 下降
- **学习曲线**:能学到什么新东西
- **网络价值**:进去能认识什么人 / 拿到什么 brand
- **机会稀缺性**:这类职位多不多 / 多久才有一个
```
✅ 值得投 1:AI Product Designer 方向当前是稀缺岗位,且公司刚拿 C 轮预算充足
✅ 值得投 2:Match Score 78%,强项直接命中 Must Have #1 #3
✅ 值得投 3:HM 之前在 Figma,团队美学和 craft 标准高,对个人成长是加速器
```
### ③ 为什么不值得投(3 条 · 必须给)
跟值得投同样的维度反向看。**这部分是这个流程的灵魂**——市面工具都不愿意说,但用户最需要这个:
- **Level / 薪资**:是不是横跳或降级?
- **Gap 风险**:Match Score 里"难补"的 Gap 会不会成为 reject reason?
- **画像风险**:用户从 X 跳到 Y 招聘经理会怎么质疑?(参考 Match Score 里"风险"部分)
- **公司 / 团队风险**:阶段是不是不稳?团队是不是刚换 lead?业务是不是在转型?
- **行业 / 方向风险**:JD 描述的方向是不是过热 / 过冷 / 已经晚了?
- **入职后真实工作**:JD 写的跟实际可能差距大(如"design leadership"实际是"画原型")
- **机会成本**:流程长 / 拿面概率低 / 用户手里有更好的
```
❌ 不值得投 1:Level 标的是 Senior 但 JD 职责描述更接近 Lead,可能错位
❌ 不值得投 2:JD 强调 ML/coding,用户简历这块只有 partial 覆盖,过 ATS 难
❌ 不值得投 3:公司 Glassdoor 6 个月内换过 Design Head,team 处于动荡期
```
如果真没有 3 条 → 老实说"我从 JD 看不到明显 downside,但建议查这些盲区:① 公司财务健康度 ② Glassdoor 离职率 ③ 团队成员 LinkedIn 任期"。
### ④ 预估拿面概率(给区间)
依据 [../frameworks/go-no-go.md](../frameworks/go-no-go.md) 的估算法。核心因子:
- Match Score(基础概率)
- 是否有内推(巨大乘数)
- 简历是否 tailor(中等乘数)
- 公司当前招聘热度(如果知道)
- 用户画像是否有 deal-breaker(直接砍半)
```
预估拿面概率:30-45%
(裸投 + 简历未 tailor 基线约 15-25%;
你的 Match 78% 拉到 30-45%;
如果能找到内推,可拉到 50-65%)
```
**永远给区间 + 给"如何提升"的具体动作。**
### ⑤ 建议下一步(具体动作,不要废话)
从这几个动作里挑最该做的 1-2 个:
- 🚀 直接投(裸投也能拿面)
- 🔧 先 Tailor 再投(去 Tailor)
- 🕵️ 先找内推(具体怎么找)
- 📚 先补 1-2 个关键 Gap(如重写某段经历 / 加某个 portfolio case)再投
- ⏸ 暂时不投(明确理由)
- 🔍 先做尽调(找前员工聊 / 看更多公开资料)
```
🎯 建议下一步:
1. 优先找内推(LinkedIn 搜该公司 Design 同事,提 referral)
2. 同步把跑一版 tailored 简历
3. 投递前再用面试预测看一下面试可能题,准备 Top 5
```
---
## Step 3 · 存档 + 生成 HTML 报告 + 导流
1. **更新 JD 文件**:加 should_i_apply section(推荐指数 + 决策 + 下一步动作)。
2. **生成 HTML Offer Strategy Report(默认动作)** —— 把 解码 + 匹配 + 面试预测 + Should-I-Apply + 策略层(内推 / portfolio / 时间线)融合成一份可分享的单文件 HTML:
- 路径:`~/Desktop/Claude skills/offer-strategy-<company>-<role>-<YYYYMM>.html`(目录不存在也先建)
- 完整 20 章骨架 / 视觉规范 / 内容铁律见 [../frameworks/offer-strategy-report.md](../frameworks/offer-strategy-report.md)
- CSS / 结构骨架参考 [../examples/offer-strategy-template.html](../examples/offer-strategy-template.html)
- **生成后告诉用户文件路径**,并在 JD 文件末尾加一行 `> 📊 HTML 报告:~/Desktop/Claude skills/offer-strategy-<slug>.html`
- 如果匹配还没跑或者简历事实不足以填 6 条 Must Have 证据 → **拒绝生成**,告诉用户"先补完 ___ 再出报告"
3. **导流**:
> "评估完成 ✅,报告在 `~/Desktop/Claude skills/offer-strategy-<slug>.html`。基于上面的建议:
> - 决定投 → 跑一版 Tailor 简历
> - 还想多看一份对比 → 把另一份 JD 发我
> - 决定不投 → 我帮你把这份归档到 jd-bank(status: closed)"
---
## 常见卡点
| 症状 | 处理 |
|---|---|
| 用户已经决定要投 | 告诉用户:"那直接走 Tailor。但建议先看一眼我这里的 ❌ 部分,避免盲区。" |
| 用户犹豫到底投不投 | 不要逼用户决定。给清楚信息后说:"要不要先把这份存进 jd-bank(status: considering),过两天再决定?" |
| 用户说"你帮我决定" | **温和拒绝**:"最终决策需要你自己的硬约束和直觉。我能做的是把信息摆清楚——基于我看到的,倾向是 ___(推荐指数对应方向)。" |
| 用户问"我能不能拿到 offer" | 老实说:「拿面概率我能估,拿 offer 受面试表现和 fit 影响太大,估了也不准。先把拿面概率最大化。」 |
Related skills
| Skill | Stars | Updated | Works with | Status | Install |
|---|---|---|---|---|---|
| reverse-engineer-anythingmorluto/reaReverse engineer native, managed, Electron/JavaScript, packaged, firmware, and browser targets with REA, and build agent environments (AgentEnv bundles) of web applications from a live instance or a capture, and of Linux desktop apps with a task from a request. Use shipped-artifact or requested runtime evidence to explain features, compare versions, decompile code, or guide a reconstruction. Skip REA for ordinary source-repository architecture analysis. | Stars: 472k | Updated | Claude CodeCodex | Verified | Install |
| diagnosing-superpowersobra/superpowersUse when a superpowers session went wrong and your human partner wants to know why — repeated work, ignored plans, stumbles, poor results, a skill that didn't fire, "it took too long", "why is it so expensive", "what is it doing" — or wants to build a bug report for the superpowers maintainers, for the current session or a past one identified by id or path, on any harness. | Stars: 323k | Updated | Claude CodeCodex | Verified | Install |
| dispatching-parallel-agentsobra/superpowersUse when facing 2+ independent tasks that can be worked on without shared state or sequential dependencies | Stars: 323k | Updated | Claude CodeCodex | Verified | Install |
| executing-plansobra/superpowersUse when executing an implementation plan in the current session as the implementer yourself — your human partner chose inline execution, or no subagent tool is available | Stars: 323k | Updated | Claude CodeCodex | Verified | Install |