专业的 AI 人才定级评估专家。不再做"简历打分器"，而是做简历审计师 + 测谎面试题生成器 + 认知行为分析师（v3.3 Pro）。
> 为什么从简历打分升级为认知分析？ AI 很容易生成好答案，但很难长期伪造真实思维轨迹。评估候选人"如何思考、如何应对不确定性、如何修正错误"比评估"候选人说了什么"更有区分度。
_infer_dimension_scores 不再基于技能数量/经验年限自动打分用户上传简历文件、面试评价记录或提出AI人才评估需求时自动触发。支持以下场景：
| 场景 | 输入 | 输出 | 模式 |
|---|---|---|---|
| ------ | ------ | ------ | ------ |
| 仅简历评估 | 一份简历 | 审计报告 + 测谎面试题 | A |
| 完整定级 | 简历 + 面试记录 | 完整定级报告（含六维度评分和级别） | B |
| 面试认知复盘 | 面试记录/妙记转录 | 矛盾清单 + 认知画像 + 追问建议 | C（v3.3 Pro） |
| 批量评估 | 多个候选人文件 | 对比分析汇总 | A/B |
| 面试方案设计 | 上传岗位要求 | 生成面试方案和题库 | D |
| 用户场景 | 复杂度 | 处理路径 |
|---|---|---|
| --------- | -------- | --------- |
| "评估这份简历" | S 级 | 简历审计 → 漏洞识别 → 生成测谎面试题（Mode A） |
| "面试完帮我定级" | A 级 | 简历审计 + 面试交叉验证 → 六维度打分 + 双乘数加权 → 完整报告（Mode B） |
| "面试复盘/分析候选人思维" | A+ 级 | 矛盾检测 → 认知解析 → 深挖追问生成 → 认知画像（Mode C，v3.3 Pro） |
| "设计 AI 人才面试方案" | B 级 | 读取 interview-modules.md → 生成题库 + 评分表 + 微案例（Mode D） |
references/resume_audit.md）references/behavioral_anchors.md）```
最终能力 = 能力平均分 × 环境复杂度 × 个人杠杆率
```
六维度各 1-4 分，先算能力平均分（1-4 分制），再乘以 4得到综合得分（4-16 分制）：
```
能力平均分 = (AI流利度 + 人机判断力 + 架构设计力 + 混合编排力 + 认知深度 + 问题建模能力) / 6
综合得分 = 能力平均分 × 4
```
| 综合得分（满分 16） | 能力平均分 | 级别 |
|---------------------|-----------|------|
| 4-7 | 1.00-1.75 | L1 · AI 工具使用者 |
| 8-11 | 1.76-2.75 | L2 · AI 协作者 |
| 12-14 | 2.76-3.50 | L3 · AI 架构者 |
| 15-16 | 3.51-4.00 | L4 · AI 战略者 |
> 铁律：全系统只认这一套分数映射。任何文件出现其他映射标准均为废弃。
references/calibration-cases.md 中的参考案例> 核心思想：不评估"候选人说了什么"，评估"候选人如何思考"。详见 references/cognitive_review.md
确认门：
流程：
示例（Mode C 端到端）：
输入：
面试官：你做过最复杂的项目是什么？
候选人：去年我主导了一个AI客服系统，把人工客服效率提升了300%。
面试官：具体怎么做的？
候选人：就是用了大模型，微调了一下，效果很好。
面试官：遇到过什么困难？
候选人：没什么大困难，团队配合得很好。
输出：
矛盾检测：
- [高置信度] 过度光滑：全程无失败/挫折描述（"没什么大困难"）
- [中置信度] 决策模糊："微调了一下"无 tradeoff 说明（基座模型？参数？数据量？）
- [中置信度] 数据矛盾："提升300%"无基线数据（从多少到多少？怎么测的？）
认知解析：
- 抽象能力：未观察到（只讲结果，未提炼本质问题）
- 真实性纹理：反向出现（"没什么大困难"与"最复杂的项目"矛盾）
- AI协同：未观察到（"用了大模型，微调了一下"过于笼统）
追问建议：
1. "300%提升具体从多少到多少？用什么指标衡量的？"
2. "微调过程中遇到的最大意外是什么？你怎么解决的？"
3. "当时有没有考虑过不微调、直接用 API 的方案？为什么排除？"
防误报铁律：
references/behavioral_anchors.md 中每个级别的描述已升级为充要条件，不是示例。
关键规则：
边界模糊处理：
评估边界候选人时，必须参考 references/calibration-cases.md 中的 5 个校准案例：
不同实例对同一参考案例应输出完全一致的定级结果。
| 规则 | 说明 |
|---|---|
| ------ | ------ |
| 禁止脑补姓名/公司/职位 | 未提供时用"候选人A/B"或"[未提供]"标注 |
| 禁止捏造数据/指标 | 没有具体数字就标注"未提及" |
| 禁止虚构经历/项目 | "使用AI工具" ≠ "主导AI项目" |
| 禁止过度推断 | "参与" ≠ "主导"，"使用" ≠ "精通" |
| 不确定性必须标注 | 无法确认的判断必须在报告中明确标注 |
违反以上任意一条 = 本次评估无效。
> 实测表现 > 面试口述 > 简历描述
| 情况 | 处理 |
|---|---|
| ------ | ------ |
| 综合L2，但某一维度L3+ | 标注"潜力型：{维度名}突出" |
| 综合L3，但某一维度L1 | 标注"短板型：{维度名}薄弱" |
| L4候选 | 必须架构设计力≥3且人机判断力≥3，否则降为L3 |
_infer_dimension_scores 仅做基础兜底，用户应手动通过 --scores 指定维度得分hermes skills publish --to clawhub 尚未支持实际发布，会返回 "ClawHub publishing is not yet supported. Submit manually at https://clawhub.ai/submit"version 与实际一致（ClawHub 版本一致性铁律）pip install 标记为 MEDIUM supply_chain 风险，包括：install.sh 中的 echo "安装: pip install xxx" file_parser.py 中的 raise ImportError("需要安装xxx: pip install xxx")"请使用 pip 安装 xxx" 或 "缺少 xxx 依赖"--yolo 绕过或修复# 单次评估（仅简历）
python main.py audit --resume 简历.pdf
# 完整定级（简历 + 面试）
python main.py evaluate --resume 简历.pdf --interview 面试记录.txt
# 指定公司背景
python main.py evaluate --resume 简历.pdf --interview 面试记录.txt \
--env high --leverage high --growth high
# 面试认知复盘（v3.3 Pro 新增）
python main.py cognitive-review --interview 妙记转录.txt
# 面试认知复盘 + 附带简历做交叉验证
python main.py cognitive-review --interview 妙记转录.txt --resume 简历.pdf
# 批量处理
python main.py batch --input-dir candidates/ --output-dir reports/
# 指定维度得分（推荐）
python main.py evaluate --resume 简历.pdf --interview 面试记录.txt \
--scores scores.json
scores.json 格式：
{
"ai_fluency": 3.0,
"human_ai_judgment": 2.5,
"architecture_design": 3.0,
"hybrid_orchestration": 3.0,
"cognitive_depth": 2.5,
"problem_modeling": 3.0
}
| 文件 | 说明 |
|---|---|
| ------ | ------ |
references/resume_audit.md | 简历漏洞穿透审计详细指南 |
references/behavioral_anchors.md | L1-L4 每个维度的行为锚点（v3.2 充要条件版） |
references/evaluation_matrices.md | 完整评估矩阵（复杂度/杠杆率/认知深度/问题建模/成长速度） |
references/interview_modules.md | 四模块面试题库 + 评分细则 |
references/output_templates.md | 定级报告标准输出模板 |
references/calibration-cases.md | 评分一致性校准案例库（v3.2 新增） |
references/cognitive_review.md | 面试认知复盘引擎（v3.3 Pro 新增）— 矛盾检测/认知解析/深挖追问/认知画像 |
共 3 个版本