Initial commit

2026-06-06 05:21:10 +00:00
commit 6664758a6d
493 changed files with 135653 additions and 0 deletions
--- a/skills/job-intent-tracker/SKILL.md
+++ b/skills/job-intent-tracker/SKILL.md
@@ -0,0 +1,136 @@
+---
+name: job-intent-tracker
+description: 帮助用户梳理求职意向、生成目标岗位画像，并维护一份结构化的"岗位投递追踪表"。当用户说"我想换工作 / 不知道投什么岗 / 帮我看看我适合什么岗位 / 帮我管理投递进度 / 我投了好几家但记不住状态了 / 想做一个求职 OKR / 整理一下求职方向"，或上传简历但没说要改简历时，应该主动触发本 skill。本 skill 也适用于实习生、应届生、转行候选人在求职启动阶段做"自我盘点 + 目标画像 + 投递管理"三件事。
+---
+
+# Job Intent Tracker（求职意向 + 岗位追踪）
+
+这个 skill 解决"求职启动期"的三个核心问题：
+
+1. **我适合投什么岗？** —— 从用户背景里抽取信号，反推 2~3 个目标方向
+2. **目标岗位长什么样？** —— 为每个方向生成"岗位画像 / Target Profile"
+3. **投了哪些、进度如何？** —— 维护一份结构化追踪表（Excel / Markdown 表）
+
+不要把这个 skill 用成"简历改写"或"面试题生成"——那是 resume-builder / jd-resume-tailor / interview-prep 的事。本 skill 只关心"方向"和"管理"。
+
+---
+
+## 何时触发本 skill
+
+强信号（基本必须用）：
+- "我想换工作 / 想跳槽 / 想找下一份工作"
+- "帮我看看我适合什么岗位"
+- "帮我管理投递进度 / 跟踪一下我投的公司"
+- "我有 X 年 Y 经验，下一步该往哪走"
+- "我投了好多家但忘了进度"
+
+弱信号（先确认再用）：
+- 用户只丢了一份简历，没说目的 → 先问"你是想梳理方向、改简历，还是准备面试？"
+- 用户说"想找工作"但很模糊 → 先问"你心里有目标方向吗？还是想让我帮你判断方向？"
+
+---
+
+## 工作流程
+
+按这个顺序走，一步都不要跳：
+
+### Step 1: 自我盘点（Background Intake）
+
+用 AskUserQuestion（或在没有该工具时直接问）收集以下信息。**不要一次问完，分 2~3 轮，每轮 2~3 个问题**，否则用户会被"问卷感"劝退。
+
+第一轮（必问）：
+- 当前 / 最近一份工作的岗位、公司类型、年限
+- 核心技能 3~5 个（关键词即可）
+- 目标行业 / 目标方向（如果用户有）—— 没有也没关系，跳到 Step 2
+
+第二轮（看情况问）：
+- 期望薪资 range（用户不愿意说就跳过）
+- 城市偏好 / 是否接受 remote
+- 排除项（"不想做销售 / 不想加班 / 不接受出差"等）
+
+第三轮（深度信号，仅在前两轮信息不足以画像时问）：
+- 最有成就感的 1~2 个项目
+- 最不喜欢做的事
+- 5 年后的画面
+
+如果用户上传了简历 .pdf / .docx，**先调用 pdf 或 docx skill 解析出文本**，再从中抽取以上信息，避免用户重复打字。
+
+### Step 2: 推荐求职方向
+
+基于 Step 1 的信息，生成 2~3 个候选方向。每个方向都要写清楚：
+
+```
+方向 N：<岗位名>（如：互联网产品经理 / 数据分析师 / 量化研究员）
+- 匹配度：高 / 中 / 低（高=核心技能直接命中；中=需补 1~2 个关键技能；低=需要转岗叙事）
+- 匹配理由：基于用户的 ___ 经验和 ___ 技能
+- 缺口：用户还需要补 ___ 才能成为强候选人
+- 典型雇主：<3~5 个具体公司或公司类型>
+- 薪资带（仅供参考）：__k - __k（注明"市场行情，仅供参考，建议用户自行通过职级查询"）
+```
+
+**重要：不要只推荐"安全"的方向。** 如果用户技能允许，至少给一个"跳一跳能够到"的方向，并诚实标注缺口。
+
+### Step 3: 生成岗位画像（Target Profile）
+
+为用户**最终选定**的 1~2 个方向（让用户主动选），生成详细画像。模板在 `references/target_profile_template.md`，需要读取这个文件后再填充。
+
+画像要包含：岗位职责典型描述、技能要求 must-have / nice-to-have、面试流程预期、对标公司列表（按 tier 分层）。
+
+读取行业关键词库决定 must-have / nice-to-have：
+- 互联网产品 / 运营 / PM → `references/keywords_internet.md`
+- 技术 / 研发 / 数据 → `references/keywords_tech.md`
+- 金融 / 咨询 / 商科 → `references/keywords_finance.md`
+- 通用 / 跨行业 → `references/keywords_general.md`
+
+### Step 4: 创建投递追踪表
+
+调用 `scripts/init_tracker.py` 生成初始追踪表。脚本支持两种格式：
+
+```bash
+python scripts/init_tracker.py --format xlsx --output /path/to/tracker.xlsx
+# 或
+python scripts/init_tracker.py --format md --output /path/to/tracker.md
+```
+
+默认推荐 xlsx（用户可以排序、加 conditional formatting）。如果用户明确要求轻量，用 md。
+
+追踪表的列结构（脚本里已经预设好，不要改）：
+公司、岗位、来源（猎头/官网/内推/招聘网站）、JD 链接、投递日期、当前阶段（投递/笔试/一面/二面/HR 面/Offer/Reject/沉默）、下一步动作、Deadline、薪资范围、内推人、备注
+
+### Step 5: 用 Artifact 做"求职看板"（可选但推荐）
+
+如果当前环境里有 `mcp__cowork__create_artifact` 工具，主动提议："要不要我把这个追踪表做成一个可以每天打开看的看板？"
+
+如果用户同意，创建一个 HTML artifact，从追踪表数据渲染：
+- 顶部 KPI：投递总数 / 进入面试数 / Offer 数 / 待跟进数
+- 中部表格：按"当前阶段"分组的 Kanban 视图
+- 底部提醒：3 天没动静的公司、deadline 临近的任务
+
+---
+
+## 输出风格
+
+- **结构化、可执行**，不要泛泛而谈"建议你多投简历"这种话
+- 涉及薪资、行业判断时，**明确标注"市场参考、非承诺"**
+- 推荐方向时不要谄媚（不要把所有用户都推向"高薪 AI 岗"），诚实评估匹配度
+- 用户拒绝某个方向时不要劝，问清楚为什么然后调整
+
+---
+
+## 与其他 skill 的协作
+
+- 用户选定方向后说"那帮我改简历" → 调用 `resume-builder`，把岗位画像传过去
+- 用户说"那针对这家公司的 JD 改一下" → 调用 `jd-resume-tailor`
+- 用户说"帮我准备面试" → 调用 `interview-prep`，把岗位画像传过去
+
+输出"我已经把你的岗位画像存到 ___，下一步可以让我用 resume-builder 改简历"这样的衔接句，让 agent 在多步任务里能流转。
+
+---
+
+## 反模式（不要做）
+
+- ❌ 一上来就问 8 个问题
+- ❌ 不问用户偏好，直接推 5 个方向
+- ❌ 不给追踪表，只在聊天里讲一通
+- ❌ 把"运营 / 产品 / 项目经理"塞给所有文科背景用户
+- ❌ 看到"AI / 大模型"就无脑推 LLM 岗，不评估实际技能匹配
--- a/skills/job-intent-tracker/references/keywords_finance.md
+++ b/skills/job-intent-tracker/references/keywords_finance.md
@@ -0,0 +1,78 @@
+# 金融 / 咨询 / 商科 关键词库
+
+## 投行 / IBD
+
+**Must-have**
+- 财务建模（DCF、LBO、Comps、Precedent Transactions）
+- 估值方法、敏感性分析、scenario analysis
+- 行业研究、招股书 / pitchbook、deal experience
+- Excel 建模、PowerPoint 高阶、Bloomberg、Capital IQ、Wind
+
+**职级 & 信号**
+- Analyst（应届/1-3 年）：execution、模型搭建
+- Associate（3-6 年）：项目管理、客户接触
+- VP / Director：deal origination、客户关系
+
+**典型雇主**
+- 外资九大行：高盛、摩根士丹利、摩根大通、美林、巴克莱、瑞银、瑞信、德银、花旗
+- 中资头部：中金、中信、华泰联合、海通、招商
+- 精品行：Lazard、Centerview、Moelis、Evercore、华兴、汉能
+
+## 咨询（Consulting）
+
+**Must-have**
+- 结构化思维（MECE、issue tree、hypothesis-driven）
+- Case Interview 能力：market sizing、profitability、M&A、market entry
+- 行业知识 + 客户沟通
+- 工具：PowerPoint（必）、Excel（必）、Tableau / Alteryx（加分）
+
+**MBB 信号**：先 sizing 再框架，框架要 collectively exhaustive，假设清晰可证伪
+
+**典型雇主**
+- MBB：McKinsey、BCG、Bain
+- Big 4 战略：Strategy&（PwC）、Monitor Deloitte、EY-Parthenon、KPMG Strategy
+- 二线：Roland Berger、Oliver Wyman、A.T. Kearney、L.E.K.
+- 内资：埃森哲战略（已并入）、华兴 Alpha、艾瑞、易观、罗兰贝格本土化团队
+
+## 买方 / 二级市场（Buy Side）
+
+**Must-have**
+- 行业研究、公司研究、估值模型
+- 投资逻辑、催化剂、风险点
+- 写作能力（投研报告）
+
+**细分**
+- 公募基金：行业研究员 / 基金经理助理
+- 私募 / 对冲基金：基本面 / 量化 / CTA / 多策略
+- 险资 / 资管：稳健、负债端思维
+- VC / PE：早期 / 成长期 / 并购，技术 + 商业判断
+
+## 量化（Quant）
+
+**Must-have**
+- 数学：随机过程、统计、优化、概率
+- 编程：Python（必）、C++ / Java（HFT 必）、Q/KDB
+- 策略类型：CTA、stat arb、market making、HFT、ML 因子
+- 工具：vnpy、聚宽、米筐、Bloomberg、Wind、Tushare
+
+**典型雇主**
+- 国际：Two Sigma、Citadel、Jane Street、Jump Trading、HRT、DRW
+- 国内：九坤、明汯、灵均、宽德、幻方、鸣石、致诚卓远
+
+## 战略 / 商业分析（in-house）
+
+**Must-have**
+- 商业模型理解、unit economics、市场地图
+- 数据驱动决策、SQL 基础
+- 战略 deck 输出、跨部门推动力
+
+**典型场景**：互联网战投、车企战略、新消费品牌战略、跨国公司中国区战略
+
+## 财务 / FP&A / 内审 / 税务
+
+略，按需补充。
+
+## 反信号
+- 投行 / 咨询岗位简历**没有 deal / case 列表** → 致命
+- 量化岗**没有策略实盘 / 回测结果** → 弱
+- 公募 / PE 岗**没有具体 coverage 行业** → 假研究员
--- a/skills/job-intent-tracker/references/keywords_general.md
+++ b/skills/job-intent-tracker/references/keywords_general.md
@@ -0,0 +1,45 @@
+# 通用关键词库（跨行业）
+
+## 通用软技能（任何岗位都吃香）
+
+- Ownership / 主人翁意识
+- 跨部门 / 跨团队协作
+- 推动落地 / drive
+- 业务 sense / 商业化思维
+- 数据驱动 / 量化思维
+- 用户同理心 / 客户导向
+- Learning agility / 快速学习
+- Ambiguity tolerance / 应对模糊
+- 影响力 / 说服力
+
+## 通用硬技能
+
+- SQL（半数岗位需要）
+- Excel 高阶（vlookup、pivot、power query、宏 / VBA）
+- PowerPoint / Keynote（结构化输出）
+- 英语（书面 + 口语，外企 / 跨境必备）
+- 项目管理：Jira / Asana / Notion / 飞书
+
+## 通用职业资质
+
+- 学历：本科 / 硕士 / 博士 + 学校 tier
+- 证书：CFA、CPA、ACCA、PMP、AWS / GCP / Azure 认证
+- 语言：托福 / 雅思 / 多语种
+
+## 量化结果通用模板
+
+写简历 / 画像时，**所有动作都尽量量化**。模板：
+
+- "通过 ___，使 ___ 提升 X%（基线 Y → 现状 Z）"
+- "在 ___ 期间，覆盖 ___ 业务，规模 X 万 / 亿"
+- "主导 ___ 项目，缩短 ___ 时间 X%"
+- "管理 X 人团队，覆盖 X 个业务线"
+
+## 转行 / 跨界叙事关键词
+
+- "可迁移技能"（transferable skill）
+- "跨界视角"
+- "第一性原理"
+- "从 0 到 1 / 从 1 到 N"
+
+转行候选人的画像应该突出**结构化思维 + 学习速度 + 已有 case**，而不是硬编技能词。
--- a/skills/job-intent-tracker/references/keywords_internet.md
+++ b/skills/job-intent-tracker/references/keywords_internet.md
@@ -0,0 +1,54 @@
+# 互联网产品 / 运营 / 项目管理 关键词库
+
+用于：判断匹配度、生成画像、ATS 关键词覆盖率检查。
+
+## 产品经理（PM）
+
+**Must-have 信号词**
+- 需求文档（PRD）、需求评审、产品规划、产品迭代
+- 用户访谈、用户画像、JTBD、Persona
+- 数据驱动、A/B 测试、漏斗分析、留存、转化率
+- 跨部门协作、推动落地、项目管理
+- 0-1、1-N、增长、商业化
+
+**方向细分关键词**
+- C 端：用户增长、社交裂变、内容生态、ugc、推荐算法理解
+- B 端 / SaaS：客户成功、续约、ARR、PLG、CRM
+- 国际化 / 出海：本地化、合规、多语言、海外支付
+- AI 产品：LLM、prompt 工程、模型评估、RAG、Agent
+- 工具类：用户体验、效率、workflow、生产力
+
+**Nice-to-have**
+- SQL、Python、Figma、原型工具
+- 行业报告输出、PR 经验、对外发声
+
+## 运营
+
+**Must-have**
+- 用户运营、内容运营、活动运营、社群运营
+- 增长黑客、AARRR、私域、公域
+- GMV、ROI、CAC、LTV、转化漏斗
+- SOP、流程化、可复制
+
+**方向细分**
+- 内容运营：选题、内容矩阵、KOL、爆款方法论
+- 用户运营：分层、生命周期、push 策略、CRM
+- 活动运营：节点营销、品效合一、预算管理
+- 社群运营：社群分层、KOC、转化路径
+- 直播 / 电商运营：选品、达人合作、GMV、复购
+
+## 项目经理（PMP / TPM）
+
+**Must-have**
+- 项目排期、里程碑、风险管理、stakeholder 管理
+- 敏捷 / Scrum / 看板、Sprint planning、retro
+- 跨团队协作、跨时区、escalation
+
+**Nice-to-have**
+- PMP 证书、PRINCE2、CSM
+- 工具：Jira、Confluence、Asana、Notion、Linear、飞书项目
+
+## 反信号（出现这些词，不是好 PM / 运营画像）
+- 大段堆砌"参与了 ___"——没有 ownership
+- 没有任何数字 / 百分比 / 量化结果
+- 全是软技能描述，没有具体动作
--- a/skills/job-intent-tracker/references/keywords_tech.md
+++ b/skills/job-intent-tracker/references/keywords_tech.md
@@ -0,0 +1,87 @@
+# 技术 / 研发 / 数据 关键词库
+
+## 后端 / 服务端
+
+**Must-have 语言 & 框架**
+- 主流语言：Java / Go / Python / C++ / Rust / Node.js
+- Web 框架：Spring Boot、Gin、FastAPI、Django、Express、NestJS
+- 微服务：Spring Cloud、gRPC、Service Mesh、Istio
+- 中间件：Kafka、RabbitMQ、Redis、ZooKeeper、Etcd
+
+**系统设计信号**
+- 高并发、高可用、分布式、CAP、一致性、限流、降级、熔断
+- 存储：MySQL、PostgreSQL、MongoDB、ClickHouse、HBase、TiDB
+- 缓存策略、读写分离、分库分表
+- 容器化：Docker、Kubernetes、Helm
+- 云：AWS / GCP / 阿里云 / 腾讯云 / 火山
+
+**职级判断**
+- 初级（1-3 年）：能独立完成模块开发
+- 中级（3-5 年）：负责子系统设计、code review、带新人
+- 高级（5-8 年）：架构设计、跨团队协作、技术选型
+- 资深 / Staff（8+ 年）：业务架构、技术战略、影响力
+
+## 前端
+
+**Must-have**
+- HTML / CSS / JavaScript / TypeScript
+- 框架：React、Vue、Angular、Svelte
+- 工程化：Webpack、Vite、Rollup、Turbopack
+- 状态管理：Redux、Zustand、Pinia、MobX
+- 全栈倾向：Next.js、Nuxt、Remix
+
+**Nice-to-have**
+- 跨端：React Native、Flutter、Electron、Tauri
+- 性能优化：FCP / LCP / CLS、SSR、SSG、CDN
+- 可视化：D3、ECharts、Three.js
+- 微前端：qiankun、single-spa、Module Federation
+
+## 算法 / 机器学习
+
+**Must-have**
+- 数学基础：概率统计、线性代数、优化
+- 经典 ML：sklearn、XGBoost、LightGBM、特征工程
+- 深度学习：PyTorch、TensorFlow、JAX
+- 训练：分布式训练、数据并行、模型并行、混合精度
+- 部署：ONNX、TensorRT、TorchServe、Triton
+
+**LLM / GenAI 方向**
+- 预训练、SFT、RLHF、DPO、PPO
+- RAG、向量检索、Embedding、Reranker
+- Prompt 工程、Tool use、Agent、MCP
+- 模型评估：benchmark、人工评估、LLM-as-Judge
+- 推理优化：vLLM、量化、KV cache、speculative decoding
+
+**CV / NLP / RecSys 细分**
+- CV：检测、分割、OCR、视频理解、扩散模型
+- NLP：分类、NER、问答、对话、信息抽取
+- RecSys：召回、粗排、精排、重排、CTR / CVR、Cold Start
+
+## 数据 / 数仓
+
+**Must-have**
+- SQL（必考，不熟练直接 pass）
+- 数仓建模：维度建模、星型 / 雪花、ODS/DWD/DWS/ADS
+- 大数据：Hive、Spark、Flink、Presto / Trino
+- 调度：Airflow、DolphinScheduler
+- BI：Tableau、PowerBI、Superset、Quick BI
+
+## 数据分析师 / 商分
+
+**Must-have**
+- SQL（中级以上：窗口函数、CTE、复杂 join）
+- 业务理解：能从需求方一句话拆出指标 + 维度
+- 实验设计：A/B test、显著性、样本量
+- 工具：Python (pandas)、R、Excel 高阶、可视化工具
+
+## DevOps / SRE
+
+- CI/CD：Jenkins、GitLab CI、GitHub Actions、ArgoCD
+- IaC：Terraform、Pulumi、Ansible、Chef
+- 监控：Prometheus、Grafana、ELK、Datadog、SkyWalking
+- 故障处理：On-call、SLO、SLA、错误预算、事故复盘
+
+## 反信号
+- 简历只有"熟悉 / 了解 / 会用" → 弱
+- 列了一堆框架，没有项目对应 → 假
+- 没有任何性能数字 / 数据规模 → 单薄
--- a/skills/job-intent-tracker/references/target_profile_template.md
+++ b/skills/job-intent-tracker/references/target_profile_template.md
@@ -0,0 +1,74 @@
+# 岗位画像（Target Profile）模板
+
+填写时把所有 `<占位>` 都换成具体内容。空着不填等于没画像。
+
+---
+
+## 一、岗位基本信息
+
+- **岗位名称**：<如：高级产品经理 - 用户增长方向>
+- **方向定位**：<如：B 端 SaaS / C 端工具 / 内容平台 / Fintech>
+- **职级范围**：<如：P6-P7 / 中级-高级 / Senior IC>
+- **目标城市**：<北京 / 上海 / 深圳 / 杭州 / Remote / 海外>
+- **薪资带（市场参考）**：<__k × __ 月，仅供参考，建议核实职级和城市差异>
+
+---
+
+## 二、典型职责描述（JD 共性）
+
+罗列 3~5 条该岗位常见的职责动词 + 对象：
+- <如：负责 ___ 业务线的产品规划与迭代>
+- <如：通过数据分析定位用户流失环节并设计实验>
+- <如：跨部门协作，推动 ___ 项目落地>
+
+---
+
+## 三、技能要求
+
+### Must-have（缺一票否决）
+- <硬技能 1，如：5+ 年 C 端产品经验>
+- <硬技能 2，如：熟练使用 SQL，能独立完成数据分析>
+- <硬技能 3，如：有从 0 到 1 的产品案例>
+
+### Nice-to-have（加分项）
+- <如：有海外市场或跨境业务经验>
+- <如：懂基础前端，能跟开发深度沟通>
+- <如：有大厂背景或被收购初创经验>
+
+### 软技能信号（HR / 终面会 probe）
+- <如：跨部门协调能力>
+- <如：业务 sense / 商业化 sense>
+- <如：用户同理心>
+
+---
+
+## 四、面试流程预期
+
+按公司 tier 分层估算，给用户一个心理预期：
+
+| 公司类型 | 流程长度 | 典型环节 |
+|---------|---------|----------|
+| 大厂 / Tier 1 | 4~6 周 | 简历 → 笔试 → 1 面（专业）→ 2 面（深度）→ 3 面（leader）→ HR 面 → Offer |
+| 中厂 / Tier 2 | 2~4 周 | 简历 → 1 面 → 2 面 → HR → Offer |
+| 创业 / Tier 3 | 1~2 周 | 简历 → 1~2 面（含创始人）→ Offer |
+
+填写实际预期：<具体到该方向的常见流程>
+
+---
+
+## 五、对标公司清单
+
+按 tier 分层列 3~5 家：
+
+- **Tier 1（梦想 offer，匹配度需达 80%+）**：<公司 1>、<公司 2>、<公司 3>
+- **Tier 2（合理选择，匹配度 60%+）**：<公司 1>、<公司 2>、<公司 3>
+- **Tier 3（保底 / 练手，匹配度 40%+）**：<公司 1>、<公司 2>、<公司 3>
+
+---
+
+## 六、求职策略提示
+
+- **简历重点**：突出 ___ 经验，弱化 ___
+- **作品集 / case**：建议准备 ___（如：一个完整的产品分析报告 / 一份 SQL 项目）
+- **网络渠道**：优先走 ___（内推 / 猎头 / 官网 / 拉勾 / 脉脉），少用 ___
+- **时间预算**：从准备到拿 offer，建议留 <8~12 周> 缓冲
--- a/skills/job-intent-tracker/scripts/init_tracker.py
+++ b/skills/job-intent-tracker/scripts/init_tracker.py
@@ -0,0 +1,194 @@
+#!/usr/bin/env python3
+"""
+init_tracker.py — 初始化求职投递追踪表
+
+用法：
+    python init_tracker.py --format xlsx --output tracker.xlsx
+    python init_tracker.py --format md   --output tracker.md
+
+xlsx 模式生成带表头、下拉验证、条件格式的 Excel。
+md 模式生成轻量的 Markdown 表格，便于在 Notion / Obsidian / 飞书文档里粘贴。
+"""
+
+from __future__ import annotations
+
+import argparse
+import sys
+from pathlib import Path
+
+COLUMNS = [
+    "公司",
+    "岗位",
+    "来源",          # 猎头 / 官网 / 内推 / 招聘网站 / 其他
+    "JD链接",
+    "投递日期",
+    "当前阶段",       # 投递 / 笔试 / 一面 / 二面 / 三面 / HR面 / Offer / Reject / 沉默
+    "下一步动作",
+    "Deadline",
+    "薪资范围",
+    "内推人",
+    "备注",
+]
+
+STAGE_OPTIONS = [
+    "投递", "笔试", "一面", "二面", "三面", "HR面", "Offer", "Reject", "沉默",
+]
+
+SOURCE_OPTIONS = ["官网", "内推", "招聘网站", "猎头", "校招", "其他"]
+
+
+def write_md(path: Path) -> None:
+    header = "| " + " | ".join(COLUMNS) + " |"
+    sep = "| " + " | ".join(["---"] * len(COLUMNS)) + " |"
+    sample = "| 示例公司 | 高级产品经理 | 内推 | https://... | 2026-05-07 | 投递 | 等HR反馈 | 2026-05-14 | 40-55k | 张三 | 内推码 ABC123 |"
+    legend_lines = [
+        "",
+        "## 字段说明",
+        "",
+        f"- **来源**：{' / '.join(SOURCE_OPTIONS)}",
+        f"- **当前阶段**：{' / '.join(STAGE_OPTIONS)}",
+        "- **下一步动作**：写一句具体可执行的事，比如『5/10 前发感谢信』『等 HR 回复，5/15 未回则催』",
+        "- **沉默**：超过 7 天没反馈的状态，提醒自己主动 follow up 或放弃",
+        "",
+    ]
+    content = "\n".join([
+        "# 投递追踪表",
+        "",
+        header,
+        sep,
+        sample,
+        *legend_lines,
+    ])
+    path.write_text(content, encoding="utf-8")
+    print(f"✓ Markdown 追踪表已生成：{path}")
+
+
+def write_xlsx(path: Path) -> None:
+    try:
+        from openpyxl import Workbook
+        from openpyxl.styles import Alignment, Font, PatternFill
+        from openpyxl.worksheet.datavalidation import DataValidation
+        from openpyxl.formatting.rule import CellIsRule
+    except ImportError:
+        print(
+            "✗ 缺少 openpyxl，请先安装：pip install openpyxl --break-system-packages",
+            file=sys.stderr,
+        )
+        sys.exit(1)
+
+    wb = Workbook()
+    ws = wb.active
+    ws.title = "投递追踪"
+
+    # 表头
+    ws.append(COLUMNS)
+    header_fill = PatternFill("solid", fgColor="305496")
+    header_font = Font(bold=True, color="FFFFFF")
+    for cell in ws[1]:
+        cell.fill = header_fill
+        cell.font = header_font
+        cell.alignment = Alignment(horizontal="center", vertical="center")
+
+    # 列宽
+    widths = [16, 22, 10, 28, 12, 10, 26, 12, 14, 10, 30]
+    for idx, w in enumerate(widths, start=1):
+        ws.column_dimensions[chr(64 + idx)].width = w
+
+    # 示例行
+    sample_row = [
+        "示例公司",
+        "高级产品经理",
+        "内推",
+        "https://example.com/jd/123",
+        "2026-05-07",
+        "投递",
+        "5/14 未回则发邮件 follow up",
+        "2026-05-14",
+        "40-55k",
+        "张三",
+        "内推码 ABC123",
+    ]
+    ws.append(sample_row)
+
+    # 下拉验证：来源（C 列）
+    dv_source = DataValidation(
+        type="list",
+        formula1=f'"{",".join(SOURCE_OPTIONS)}"',
+        allow_blank=True,
+    )
+    dv_source.add(f"C2:C200")
+    ws.add_data_validation(dv_source)
+
+    # 下拉验证：当前阶段（F 列）
+    dv_stage = DataValidation(
+        type="list",
+        formula1=f'"{",".join(STAGE_OPTIONS)}"',
+        allow_blank=True,
+    )
+    dv_stage.add(f"F2:F200")
+    ws.add_data_validation(dv_stage)
+
+    # 条件格式：F 列 = Offer 绿色，Reject 灰色，沉默 黄色
+    ws.conditional_formatting.add(
+        "F2:F200",
+        CellIsRule(operator="equal", formula=['"Offer"'],
+                   fill=PatternFill("solid", fgColor="C6EFCE")),
+    )
+    ws.conditional_formatting.add(
+        "F2:F200",
+        CellIsRule(operator="equal", formula=['"Reject"'],
+                   fill=PatternFill("solid", fgColor="D9D9D9")),
+    )
+    ws.conditional_formatting.add(
+        "F2:F200",
+        CellIsRule(operator="equal", formula=['"沉默"'],
+                   fill=PatternFill("solid", fgColor="FFEB9C")),
+    )
+
+    # 冻结首行
+    ws.freeze_panes = "A2"
+
+    # 第二个 sheet：使用说明
+    legend = wb.create_sheet("使用说明")
+    legend["A1"] = "投递追踪表使用说明"
+    legend["A1"].font = Font(bold=True, size=14)
+    legend_lines = [
+        "",
+        "1. 每投递一个岗位，新增一行。",
+        "2. 「来源」「当前阶段」是下拉框，直接选。",
+        "3. 「下一步动作」务必写具体可执行的事 + 时间点。",
+        "4. 状态超过 7 天没动静时，把「当前阶段」改成『沉默』，提醒自己跟进或放弃。",
+        "5. 拿到 Offer 后，行会变绿；被拒后会变灰，方便区分。",
+        "6. 建议每周固定一个时间（比如周日晚）回顾一遍这张表。",
+        "",
+        "如果你想看『有多少在面试中 / 投递总数 / 沉默率』等统计，",
+        "可以让 Claude 帮你做一个看板（artifact）。",
+    ]
+    for line in legend_lines:
+        legend.append([line])
+
+    wb.save(path)
+    print(f"✓ Excel 追踪表已生成：{path}")
+
+
+def main() -> None:
+    parser = argparse.ArgumentParser(description="初始化求职投递追踪表")
+    parser.add_argument(
+        "--format", choices=["xlsx", "md"], default="xlsx", help="输出格式"
+    )
+    parser.add_argument(
+        "--output", required=True, help="输出文件路径（含文件名）"
+    )
+    args = parser.parse_args()
+
+    out = Path(args.output).expanduser()
+    out.parent.mkdir(parents=True, exist_ok=True)
+
+    if args.format == "xlsx":
+        write_xlsx(out)
+    else:
+        write_md(out)
+
+
+if __name__ == "__main__":
+    main()
--- a/skills/job-intent-tracker/scripts/profile_match.py
+++ b/skills/job-intent-tracker/scripts/profile_match.py
@@ -0,0 +1,128 @@
+#!/usr/bin/env python3
+"""
+profile_match.py — 把用户技能列表 vs 关键词库做匹配，输出匹配度报告
+
+用法：
+    python profile_match.py --skills "SQL,Python,产品规划,A/B测试" \
+                            --library internet \
+                            [--out report.md]
+
+library 取值：internet / tech / finance / general
+"""
+
+from __future__ import annotations
+
+import argparse
+import re
+import sys
+from pathlib import Path
+
+LIB_MAP = {
+    "internet": "keywords_internet.md",
+    "tech": "keywords_tech.md",
+    "finance": "keywords_finance.md",
+    "general": "keywords_general.md",
+}
+
+
+def extract_keywords(md_path: Path) -> list[str]:
+    """简单解析 markdown，把所有 bullet 后面的中英文词汇收集起来。"""
+    text = md_path.read_text(encoding="utf-8")
+    # 匹配 - 开头的行
+    bullets = re.findall(r"^\s*[-*]\s+(.+)$", text, flags=re.MULTILINE)
+    keywords: set[str] = set()
+    for line in bullets:
+        # 去掉括号内的解释、占位符、markdown 控制字符
+        clean = re.sub(r"[（(][^)）]*[)）]", "", line)
+        clean = re.sub(r"_{2,}", "", clean)
+        clean = clean.replace("**", "").replace("__", "")
+        for token in re.split(r"[、,，/／\s]+", clean):
+            token = token.strip().strip("：:。.\"\"''`*").lower()
+            # 过滤掉只含标点 / 短横 / 数字 的词
+            if not re.search(r"[一-龥A-Za-z]", token):
+                continue
+            if 1 < len(token) < 30:
+                keywords.add(token)
+    return sorted(keywords)
+
+
+def match_score(user_skills: list[str], lib_keywords: list[str]) -> dict:
+    """返回匹配命中、缺失、命中率。模糊匹配：包含即算命中。"""
+    user_lower = [s.strip().lower() for s in user_skills if s.strip()]
+    hits, missing = [], []
+    for kw in lib_keywords:
+        if any(kw in u or u in kw for u in user_lower):
+            hits.append(kw)
+        else:
+            missing.append(kw)
+    rate = len(hits) / len(lib_keywords) if lib_keywords else 0
+    return {
+        "hits": hits,
+        "missing": missing,
+        "rate": rate,
+        "user_skills": user_lower,
+    }
+
+
+def render_report(result: dict, library: str) -> str:
+    rate_pct = f"{result['rate'] * 100:.1f}%"
+    # 缺口前 20 个，避免太长
+    top_missing = result["missing"][:20]
+    lines = [
+        f"# 岗位画像匹配报告 — {library}",
+        "",
+        f"- **命中率**：{rate_pct}（{len(result['hits'])} / {len(result['hits']) + len(result['missing'])}）",
+        f"- **用户提供技能**：{', '.join(result['user_skills'])}",
+        "",
+        "## ✅ 命中的关键词",
+        "",
+        ", ".join(result["hits"]) if result["hits"] else "（无）",
+        "",
+        "## ⚠️ 缺口（前 20 个，按字典序）",
+        "",
+        ", ".join(top_missing) if top_missing else "（无）",
+        "",
+        "## 解读",
+        "",
+        "- 命中率 < 20%：方向不匹配，建议重新评估目标岗",
+        "- 命中率 20-50%：可投但需要补关键缺口",
+        "- 命中率 > 50%：核心匹配，可以重点投",
+        "",
+        "注意：本工具是关键词级别的粗筛，不能替代真实 JD 对照（用 jd-resume-tailor 做精准对比）。",
+    ]
+    return "\n".join(lines)
+
+
+def main() -> None:
+    parser = argparse.ArgumentParser()
+    parser.add_argument("--skills", required=True, help="用户技能列表，逗号分隔")
+    parser.add_argument(
+        "--library", choices=list(LIB_MAP), required=True, help="关键词库"
+    )
+    parser.add_argument("--out", help="输出 markdown 报告路径，缺省直接打印")
+    parser.add_argument(
+        "--references-dir",
+        default=str(Path(__file__).resolve().parent.parent / "references"),
+        help="references 目录路径",
+    )
+    args = parser.parse_args()
+
+    lib_path = Path(args.references_dir) / LIB_MAP[args.library]
+    if not lib_path.exists():
+        print(f"✗ 找不到关键词库：{lib_path}", file=sys.stderr)
+        sys.exit(1)
+
+    lib_keywords = extract_keywords(lib_path)
+    user_skills = [s for s in args.skills.split(",") if s.strip()]
+    result = match_score(user_skills, lib_keywords)
+    report = render_report(result, args.library)
+
+    if args.out:
+        Path(args.out).write_text(report, encoding="utf-8")
+        print(f"✓ 报告已生成：{args.out}")
+    else:
+        print(report)
+
+
+if __name__ == "__main__":
+    main()