跳至正文
OpenAgentSkill
浏览已开放 · 目录记录日期 2026-11-21 · 自动更新和账户服务暂时关闭。
搜索与研究

job-intel

Deconstructs a job description and builds interview intelligence — JD-to-evidence matching, company and product research, interviewer profiling, recruiter-vs-team discrepancy checks, and next-round question forecasting. Use when the user shares a JD or job link, names a company they will interview with, asks to analyze a position (拆解 JD / 分析这个岗位 / 查一下这家公司 / 面试官是谁 / 下一轮会考什么), or after a round when the next interviewer is known. Do NOT use for writing the answer script itself (use interview-script) or post-interview review (use debrief).

YunyueLi · 已有 AI 审核记录

安装与使用

运行命令前先阅读来源与依赖说明。复制命令不会自动安装或执行。

npx skills add YunyueLi/greenroom --skill job-intel

技能说明


name: job-intel description: Deconstructs a job description and builds interview intelligence — JD-to-evidence matching, company and product research, interviewer profiling, recruiter-vs-team discrepancy checks, and next-round question forecasting. Use when the user shares a JD or job link, names a company they will interview with, asks to analyze a position (拆解 JD / 分析这个岗位 / 查一下这家公司 / 面试官是谁 / 下一轮会考什么), or after a round when the next interviewer is known. Do NOT use for writing the answer script itself (use interview-script) or post-interview review (use debrief). license: AGPL-3.0 metadata: author: Yunyue Li version: "0.1.0"

job-intel · 岗位情报

把一个岗位变成一份可备战的情报文件 jobs/<slug>/intel.md。原则:证据驱动——匹配结论必须能指到候选人材料里的具体证据,查不到的就写查不到,不编。

前置

  1. 定位工作台(找 profile.md + jobs/;没有则建议先跑 greenroom 入口 skill 初始化)。
  2. 没有 jobs/<slug>/job.md 就先建:slug 用小写连字符(如 acme-ai-pm),frontmatter 含 type: job / company / role / status / source,正文放 JD 原文。
  3. 读 profile.md、story-bank.md,作为匹配分析的证据池。

产出 intel.md 的六个部分

1. JD 逐条匹配表

JD 的每条要求一行,证据只能来自工作台材料:

JD 要求(原文)我的证据匹配度风险/缺口面试策略
(逐条抄原文)指向具体项目和数字;无则写「材料未见直接证据」✅强 / ⚠️中 / ❌弱会被追问什么有证据→用哪个经历卡哪个角度;无证据→怎么正面回应缺口

表后给一段判断:这个岗位真正在招什么人(JD 措辞背后的核心诉求,通常 1-2 条,其余是装饰)。

2. 公司与产品

用 web 搜索补齐:公司近况(融资/组织变化/战略转向)、目标产品的当前状态、竞品格局、近期公开发言(创始人/业务负责人访谈是考题富矿)。每条结论带来源链接;搜不到的写「未核实」。

3. 面试官档案(拿到名字就做,价值极高)

  • 背景:履历、做过什么方向、公开内容(博客/播客/演讲/社交账号)。
  • 风格推断:技术出身→会往机理追问;业务出身→要结果和数字;投资背景→看判断和盘子大小。
  • prefer 什么人:从其背景推断雷区与加分项(例:面试官自己是某背景出身,慎打「我比你懂你的领域」的牌;面试官明确说过喜欢无包袱的人,就少打资历牌)。
  • 给出 2-3 条具体打法调整建议,写明推断依据,标注置信度。

4. 双轨核对:猎头描述 vs 实际岗位

猎头/HR 描述的岗位和业务团队实际在招的岗位经常有出入(汇报线、职级、是负责人还是组员)。把两边说法并排列出,差异处标 ⚠️,列出该向谁核实什么问题。差异本身就是反问环节的好问题。

5. 下轮考题预测

依据:JD 关键词、面试官背景、本轮面试官透露的信息(debrief 里常有下轮剧透)、该公司公开面经(带来源)。输出 5-10 个预测题,按概率排序,每题一行注明预测依据。这份清单直接喂给 interview-script 和 mock-interview。

6. 渠道情报

面经、社区帖子、内部消息,逐条带来源和日期,可信度分级(一手/二手/传闻)。

写入约定

  • frontmatter:type: intel / job: <slug> / updated: <date>。
  • 调研中发现的硬数字(公司估值、产品数据)只是背景情报,逐条带来源;查不到的写「未核实」,不替公司编数字。
  • 发现 JD 或情报与用户既有材料冲突(例:用户准备讲的方向公司刚砍掉),单独列一节「⚠️ 冲突提醒」。
  • 全部写完后更新 job.md 的 status 和 updated。

触发后的最小流程

用户只给了一个 JD 没说别的 → 建 job.md → 跑六部分 → 汇报匹配表的强弱结论 + 考题预测 top3 + 建议的下一步(通常是 story-bank 或 interview-script)。