whaojie797-design/career-fit-cn

MIT
Python
Zero deps
CI

career-fit-cn

面向 Agent 的、懂中国国情的候选人 ↔ 岗位适配度评分。

中国职场适配度评估：把中国职场特有的制度性因素（35 岁门槛、996/大小周、竞业协议、城市/落户、薪资现实度）量化进「候选人 ↔ 岗位」的适配度评分，并明确标注红线。

demo

改进前 / 改进后

改进前 —— Agent 评判一份 JD 时只看技能是否匹配，忽略制度性风险，给出过于乐观的建议，一到实际落地就崩盘（年龄上限、996、竞业协议）。

改进后 —— 一份标注了中国特有雷区的适配度报告：总分 + 五个维度细分 + 红线警告 + 给 Agent 的下一步建议。

功能说明

- assess —— 将候选人 profile 与 role 进行评分对比，输出结构化的适配度报告（FIT_REPORT.md + fit-state.json，机器可读，供 Agent 使用）。
- report —— 从存储中重新渲染上一份报告。
- 五个加权维度：skill（0.35）· experience（0.20）· location（0.15）· compensation（0.15）· redflag（0.15）。
- 中国特有的红线：age_35（候选人年龄 ≥ 35 → 重罚）、996 / size_week（候选人拒绝 → 扣分）、non_compete（候选人拒绝 → 警示性扣分）。任一红线被触发，报告即标记为 HIGH_RISK。
- 零第三方依赖 —— 纯标准库；内置一个极简的 YAML 子集解析器（或 JSON）。无需 pip install。

安装

克隆到你的 Agent 技能目录即可。无需 pip install。

Codex
git clone https://github.com/whaojie797-design/career-fit-cn ~/.codex/skills/career-fit-cn

Claude Code
git clone https://github.com/whaojie797-design/career-fit-cn ~/.claude/skills/career-fit-cn

Cursor
git clone https://github.com/whaojie797-design/career-fit-cn ~/.cursor/skills/career-fit-cn

快速开始

python scripts/fit.py assess --profile profile.yml --role role.yml --store .fitstore
python scripts/fit.py report --store .fitstore

profile.yml / role.yml 支持极简 YAML 子集或 JSON。

profile.yml
skills: [Python, Kubernetes, PostgreSQL]
years: 7
age: 32
city: 上海
expect_salary: 55
accept_996: true
accept_noncompete: true
role.yml
required_skills: [Python, Kubernetes, PostgreSQL]
min_years: 5
city: 上海
salary_range: [50, 70]
redflags: ["996"]

示例报告（真实输出）

$ python scripts/fit.py assess --profile profile.yml --role role.yml --store .fs
Total fit: 91/100   Risk: HIGH_RISK
skill        100   (missing: none)
experience   100   (10 yrs vs 8 required)
location     100   (上海 vs 上海)
compensation 100   (expect 60 vs [50.0, 80.0])
redflag      40   (1 triggered)

Suggestions:
- 重点确认年龄门槛：该岗位存在 35 岁风险，建议优先核实 JD 与实际用人偏好
一个干净的匹配（所有维度均为 100，未触发任何红旗）会报告
Total fit: 100/100   Risk: OK。

工作原理

1. 加载 profile 和 role（YAML 子集或 JSON）。
2. skill — 候选人技能对所需技能的覆盖程度。
3. experience — 年限与要求年限的对比，低于标准时线性扣分。
4. location — 城市相同与不匹配。
5. compensation — 期望薪资与该职位薪资范围的对比（要价过高会被扣分）。
6. redflag — 对每个触发的标志减去中国特有的扣分。
7. 总分 = 加权和；如果任何红旗触发，则为 HIGH_RISK，否则如果
skill/experience < 40，则为 LOW_FIT，否则为 OK。
8. 写入 FIT_REPORT.md + fit-state.json。

一切都是确定性的；测试套件完全针对本地
fixtures（tests/fixtures/）运行。

局限性

- 评分是启发式且可解释的，并非招聘决定。它揭示
风险因素；最终仍由人来决定。
- 城市匹配仅支持精确字符串（没有同城圈 / 落户 等价逻辑）。
- 仅识别已记录的红旗标签；未知标签会被记录
但不会自动扣分。扩展 score.py（_REDFLAG_PENALTY）以添加更多。
- 薪资比较将该范围视为年度薪资，单位与
expect_salary 相同；它不会针对 13薪 / 股票 / 补贴 进行调整。

许可证

MIT © 2026 whaojie797-design