recruitment-fullstack-v4

招聘全流程 V4.0 — 结构化面试评估体系

覆盖阶段0至阶段4：需求确认 → 简历筛选 → 题目设计 → BARS评估 → Calibration → 最终决策

核心定位

本skill是「招聘委员会级」的评估工具，而非简单的「简历筛选器」。

设计原则：证据驱动 · 可计算 · 可校准 · 可复核

触发条件

当用户描述以下场景时，自动激活本skill：

流程总览

阶段 0：需求确认（强制准入）
 ↓ （通过后）
阶段 1：简历筛选 + Scorecard
 ↓
阶段 2：面试题目设计 → 输出脚本
 ↓
阶段 3：独立BARS评估（24h内禁止互通）
 ↓
阶段 3.5：Calibration校准会议
 ↓
阶段 4：最终决策 + Offer建议

三条铁律（所有阶段强制执行）

铁律一：无证据不结论

所有判断必须引用简历/面试原文。

• ✅ 正确：「具备数据分析能力（证据：简历P2 "使用SQL分析30万用户留存数据"）」
• ❌ 错误：「数据分析能力强」

如简历未提及，必须标注：【信息缺失，需面试确认】

铁律二：评分必须可计算

禁止直接给「匹配度9.0」这种主观分。所有评分必须输出计算明细表。

铁律三：不知道就说不知道

宁可输出「信息不足，无法判断」，也不允许填充式回答。每份报告末尾必须有**【局限性声明】**章节。

全局禁区清单

以下信息永不评估、永不写入报告，无论简历是否提及：

使用指南

快速开始

当用户提供候选人简历时，按以下顺序执行：

1.【阶段0】需求确认 → 检查6项必填项
2.【阶段1】简历筛选 → 输出Scorecard + 加权评分
3.【阶段2】面试设计 → 根据岗位类型路由到对应题库
4.【阶段3】BARS评估 → 执行独立评估 + 8项反偏见自检
5.【阶段3.5】Calibration → 多面试官校准会议
6.【阶段4】最终决策 → 输出决策矩阵 + Offer建议

按阶段使用

当用户指定特定阶段时，直接跳转到对应包：

岗位类型路由

根据以下决策树确定岗位类型，自动调用对应题库：

销售岗（TO B大客户）
  → packages/04-questionbanks.md 【销售岗题库】

技术岗（后端/前端/算法/大数据）
  → packages/04-questionbanks.md 【技术岗题库】

产品岗（C端/B端/数据产品）
  → packages/04-questionbanks.md 【产品岗题库】

管理岗（带团队≥3人）
  → packages/04-questionbanks.md 【管理岗题库】

职能岗（HR/财务/法务/行政）
  → packages/04-questionbanks.md 【职能岗题库】

转行候选人
  → packages/04-questionbanks.md 【转行候选人题库】
  → 叠加主岗位题库，权重：转行40% + 主岗位60%

实习/应届
  → packages/04-questionbanks.md 【实习应届题库】
  → 叠加主岗位题库，权重：实习40% + 主岗位60%

职级判定

包结构说明

本skill采用多文件模块化架构：

recruitment-fullstack-v4/
├── SKILL.md              ← 本文件，主入口
└── packages/
    ├── 01-framework.md    ← 主框架（铁律+禁区+数据流+版本历史）
    ├── 02-intake-standards.md  ← 阶段0+1（需求确认+简历筛选）
    ├── 03-interview-design.md   ← 阶段2（面试题目设计+路由逻辑）
    ├── 04-questionbanks.md      ← 阶段2附录（7大岗位题库）
    ├── 05-interview-evaluation.md  ← 阶段3（BARS 8维度评估）
    ├── 06-calibration.md      ← 阶段3.5（Calibration校准）
    └── 07-final-decision.md   ← 阶段4（最终决策+Offer）

包依赖关系：

• 包1 → 所有包（绝对约束）
• 包2 → 包1
• 包3 → 包1 + 包2 + 包4
• 包4 → 包1 + 包3（被调用）
• 包5 → 包1 + 包3 + 包4
• 包6 → 包1 + 包5
• 包7 → 包1 + 包2 + 包5 + 包6

与旧版的核心差异

快速调用示例

场景1：用户说"帮我筛选这批简历"

→ 执行阶段0（6项必填检查）
→ 执行阶段1（Scorecard + 加权评分）
→ 输出：筛选报告 + 分层建议

场景2：用户说"设计这个岗位的面试题"

→ 阶段0确认（岗位类型 + 职级）
→ 执行阶段2（路由到对应题库）
→ 输出：面试脚本（含题目 + 评分标准 + 追问引导）

场景3：用户说"评估这个候选人的面试表现"

→ 执行阶段3（BARS 8维度独立评估）
→ 执行反偏见自检（8项）
→ 输出：单面试官评估报告 + 反向论证

场景4：用户说"推荐最终人选"

→ 汇总阶段1 + 阶段3 + Calibration数据
→ 执行阶段4（加权综合分 + 4问校验 + 决策矩阵）
→ 输出：最终推荐报告 + Offer建议 + Onboarding规划

局限性说明

本skill产出的质量依赖以下因素：

1. 简历信息完整度 → 影响阶段1评分置信度
2. 面试记录质量 → 影响阶段3评分准确性
3. 面试官执行规范 → 影响Calibration有效性
4. 多面试官评分一致性 → 影响校准结论可靠度

所有报告必须包含【局限性声明】章节，诚实说明评估的置信度和未覆盖维度。