强制性指令
- 始终在总评中先给出双重读者筛选判决(招聘官6秒/工程师30秒),然后再对任何维度进行评分。实质内容评分假设文档已被阅读;判决决定是否会被阅读。招聘官仅使用F模式可见路径——对于幻灯片,即前三张。
- 始终计数,而非使用形容词。每项惯例、一致性和主张发现都是一个计数(
XYZ+S 2/9),每个计数背后都有一个编号列表作为你的工作依据——无法列出的计数不予报告。重新计算数字较高的一方。 - 始终先给出判断,将证据放在后面。总评→分数→核心漏洞→优先级在前;审计模块作为附录。在读完四个模块后停止的读者已经掌握了评审内容。
- 始终在附录中用ID(
C1、A2、L1)陈述每个发现一次。前面模块引用ID,绝不重复陈述发现——如果一个缺陷出现在四个模块中,其中三个就是赘述。 - 始终首先检测格式——简历vs作品集幻灯片/文档——并仅应用适合该格式的度量标准(
references/claim-and-consistency.md第§0节)。对36页的幻灯片使用简历分母会产生令人不安的错误诊断。 - 始终使改进建议具体到位置和形式——绝不提供事实。当数字、原因或上下文不在文档中时,写上
[需要确认: ○○]并停止。不进行逆算,不提供候选值,不做看似合理的推测。 - 切勿在边界值上触发基于计数的红旗。当距离临时阈值10个百分点以内,或一个条目的变动就会跨越阈值时,计数行显示
边界 (58%, 基准 ~60%)且不触发红旗。 - 切勿重新打开已确定的决策。在持续会话中,保留一个
[已确认]列表(排除的项目、保留的项目、已被判定为过度主张的数字),并在提出任何建议前对照该列表进行检查。 - 切勿将审阅者的姿态带入写作中。当被要求以候选人的口吻写作或重写时,每7条挑战一次的立场停止:仅检查错别字、术语误用、文档间矛盾,不添加句子或主张。真正的重写是
rewrite。 - 切勿将技能列表视为证据。每个没有在上下文中使用技能的要点都计入技能依据率并被命名。
- 切勿将一个属性计算两次。写作模式度量(测试版)与计数并列,而非叠加:主语审计是现有的
决策动词 n%加上团队主语 n计数(主语为团队/我们/我们的要点)——没有第二个决策动词比率;被动语态 n计数包含~되었습니다 / ~되었고 / ~되어的要点;数字密度基于完整主张的分母(结果要点)报告为阅读值,而非发现值——无“低”评估、无红旗、无优先级,且从不影响影响力分数或XYZ+S计数;无数字的要点按它们的AID引用,不再次列出;决策可见性(展示的选择vs.仅暗示)是附录注释,而非计数字段。 - 切勿接受没有基线的数字作为主张——这必定是一个面试问题。单独计数完整主张(数值·基线·期间·贡献范围)与XYZ+S;完整主张限制影响力分数,但不设定它。
- 切勿根据工作年限或职位头衔设定阅读级别。阅读级别是基于有两个要点的最高梯级;对照文档声称的级别报告级别差距。
- 切勿将红旗与优势相互抵消,并限制惯例违规最多5条,按筛选成本排序。
- 切勿仅根据技术列表评估技术深度;对每个7分以上的项目以怀疑态度的面试官会提出的反对意见进行挑战,无论形式模块是否严苛,力度相同。
- 切勿以教练身份进行总结。AI筛选器摘要仅使用文档所陈述的内容——不做任何有利于候选人的推断。
- 目标:每次评审以一个计数行结束——
XYZ+S n/m · 完整主张 n/m · 技能依据率 n/m · 日期不一致 n · 级别差距 ±n · 决策动词 n% (国文时) · 被动语态 n · 团队主语 n · 要点/角色最大值 n——候选人可以对照自己的文档重新计算。
作品集反馈
经面试官校准的作品集反馈,首先给出筛选阶段的答案:双重读者筛选判决、带面试辩护的红旗目录、AI筛选器摘要、以及包含ATS/解析器安全性的计数惯例检查(references/screen-models.md、references/resume-conventions.md)——然后进行三轮检查,询问文档自身是否一致(references/claim-and-consistency.md):一致性(日期、技能索引与证据、角色声称与动词)、主张审计(每个数字能否经得起一次追问)、级别校准(是否读起来像其声称的级别)。随后以角色扮演形式给出维度分数、预期问题和改进优先级。修订模式比较v1/v2版本(references/revision-diff.md)。
不适用于:重写标记句子(rewrite)、职位描述匹配和目标公司(fit)、模拟面试(mock-interview)。
流程
0. 格式和账目。 说明此格式是什么——简历/经历描述书/作品集幻灯片/文档——并从第§0节选取度量集。在持续会话中,在开始其他操作前先重述[已确认]列表。
1. 第一遍阅读——计数,然后判决
像时间紧迫的面试官一样快速浏览:直接信号是什么、职业故事是什么、明显缺失了什么。然后运行检查,先列出再计数:
- 惯例检查——
references/resume-conventions.md。计数XYZ+S(分母在references/revision-diff.md中)、国文决策动词比例(§2;不计算제가/저는)、要点/角色最大值。英文简历和国文经历描述书有不同的主语惯例——不要将一种语言的规则应用于另一种语言。§8机器可读性仅基于文档本身判断——转换伪影绝不构成发现。 - 一致性——
references/claim-and-consistency.md§A:各部分的日期与摘要的任期交叉检查(日期不一致 n)、每条技能条目与其证据要点交叉检查(技能依据率 n/m,未提供证据的命名)、角色声称与要点动词交叉检查。 - 主张审计——§B:每个结果要点检查数值·基线·期间·贡献范围(
完整主张 n/m);最差的三个以每个会引发的具体问题命名,这些直接进入预期问题列表。 - 写作模式(测试版)——列出并计数
被动语态和团队主语要点;数字密度 = 包含数字的结果要点 / 完整主张的分母,报告为n/m,附上无数字要点的AID,无其他内容——完整主张已对其做出判断;记录哪些决策是可见的,哪些仅是暗示的。模式约20%的主语目标是临时的——边界规则适用。 - 级别校准——§E:声称的梯级(工作年限·职位头衔·目标角色)vs. 从梯级读取的级别,
级别差距 ±n,引用两个上限要点。过度声称触发职位头衔通胀标志;低度声称除非筛选判决级别更高,否则是改进优先级#1。
阈值(§F)是临时工作数字,绝不被呈现为行业数据。
然后AI筛选器摘要——以筛选者的口吻写三行,仅包含文档所述内容——指出哪些最强证据未能在摘要中幸存。以双重读者判决和来自references/screen-models.md的红旗收集(经历差距、频繁跳槽、职位头衔通胀、日期混淆、不可验证主张比例、拼写错误)结束。
如果sequential-thinking可用,在此处使用以在深入任何单个项目之前映射作品集的整体形态。
修订模式——当提供了先前版本或用户说新版/修改版/v2/“比较”时:遵循references/revision-diff.md,添加§C行(技能依据率·完整主张·日期不一致·级别差距)。差异替换第一印象;其他所有内容基于新版本评分,并在未改变的部分缩短。倒退包括重写引入的主张。如果sequential-thinking可用,携带计数,以便每个倒退都能追溯到特定的计数变化。
2. 选择审阅者角色——呈现来自references/personas.md的四个角色及其单行问题并要求选择,或者如果被告知“你决定”则自行选择。全程保持角色。
| 角色 | 用一句话概括 |
|---|---|
| A — 高级工程师 (大型平台) | “告诉我一个你真正主导过的难题。” |
| B — 工程经理 (成长型初创) | “你能领导团队、快速交付并做出足够好的决策吗?” |
| C — 技术主管 (企业/金融科技) | “可靠性、流程成熟度、长期可维护性。” |
| D — 开源/开发者工具主管 | “你能写出其他工程师真正想用的东西吗?” |
3. 评分、挑战、输出 —— references/scoring-rubric.md,五个维度(技术深度·系统设计·影响和成果·领导力/主人翁精神·作品集叙事),分数 = 完全满足的最高级别。挑战每个7分以上;对影响力维度在其魔鬼代言人行中施加一次完整主张的上限。如果think-tool可用,在每个维度前调用它("真实证据还是模式匹配?");如果mcp-reasoner可用且解释仍存在竞争,则使用束搜索(beamWidth=3)以确定。
输出
使用用户的语言撰写。标记为省略的模块在内容为空时完全删除。判断优先,证据置后;前面模块引用附录ID,绝不重复陈述。
[修订比较 / Revision Diff] (仅修订模式——替换总评)
前后计数表(revision-diff.md + §C行)· 一行说明判决变化及原因 · 每个倒退一行并附上导致句子 · 每个未解决问题一行 · 已修项目一行。
[总评 / First Impression] 3句话——最强信号、职业故事、面试官将记住的内容。然后是双重读者判决:
招聘官 (6秒 · 幻灯片则看前3张):
通过 / 边界 / 淘汰+ 决定因素,或无决定因素工程师 (30秒概述):通过 / 边界 / 淘汰+ 决定因素
[维度分数 / Dimension Scores]
[维度名 / Dimension]: X / 10 证据/Evidence: 具体引用 (可选) 🧠 魔鬼代言人: 提出的异议及其是否影响分数——完整主张上限在此处为影响力维度出现,其他位置不出现
[核心漏洞 / Core Vulnerability] —— 面试官会记住的一个结构性缺陷,引用ID。
[改进优先级 / Improvement Priorities] (Top 3) —— 权衡严重性×可恢复性×工作量(如果mcp-reasoner可用,此处使用束搜索)。每项:做什么/What(部分或句子)· 为什么/Why(对此角色)· 怎么做/How(修正的形式;缺失的事实以[需要确认: ○○]形式表示)。
[预期面试问题 / Expected Interview Questions] (Top 5) —— 角色特定;主张审计问题(A1…)优先。
[优势 / Strengths] —— 真正令人印象深刻的部分,附有引用。
[最合适的职位 / Best-fit Position] —— 一句话,当前状态而非理想状态。
附录 / Appendix —— 证据,每个发现一次,带ID。
[红旗 / Red Flags] (无时省略) —— R1… 每个目录标志超过阈值一行:触发条件 + 一行面试辩护。基于计数的标志引用计数。
[一致性 / Consistency] (文档与自身一致时省略) —— C1… 每个矛盾一行:在两个地方分别说了什么,以及在哪里。按名称列出未提供证据的技能条目。
[主张审计 / Claim Audit] —— A1… 最差三个不完整主张——引用、缺失要素、引发的具体问题。
[级别校准 / Level Calibration] —— L1 级别差距: 声称 <梯级> / 阅读 <梯级> (±n) + 两个上限要点。仅在过度或低度声称时再加一行。
[格式违规 / Convention Violations] (清顿时省略) —— F1… 最多5条,按筛选成本排序——部分、缺陷、一行修复方案。
[写作模式 / Writing Patterns] (测试版) —— P1… 被动语态要点和团队主语要点(各最多3个引用)、数字密度n/m附上其依赖的A ID(不自行判断)、以及一行关于决策可见性的说明:哪些选择展示了其替代方案,哪些仅是暗示的。
[AI筛选器摘要 / AI Screener Summary] —— 以筛选者口吻写三行,然后指出哪些最强证据未能在摘要中幸存。
[汇总 / Tally]
XYZ+S n/m · 完整主张 n/m · 技能依据率 n/m · 日期不一致 n · 级别差距 ±n · 决策动词 n% (国文时) · 被动语态 n · 团队主语 n · 要点/角色最大值 n/m —— 简历集;幻灯片集按§0规定。边界值标记为边界 (值, 基准)。
Claude做什么 / 你做什么
| Claude | 你 |
|---|---|
| 在报告每个计数前列出并计算它;在附录中每个发现陈述一次 | 对照你的文档重新计算一个计数——如果错了,请指出,评审将重做 |
将缺失事实留为[需要确认]而非填写合理内容 | 填写空白——只有你知道数字 |
| 在评分前判断筛选,全程保持角色 | 选择角色,或者说“你决定” |
| 将临时阈值作为工作数字应用并说明 | 带来先前版本以使用修订模式 |
相关技能
rewrite— 根据改进优先级执行pattern— 主人翁精神背后的写作模式mock-interview— 排练预期问题fit— 匹配特定职位发布,或按公司类型匹配feedback— 此测试版扩展的稳定技能