阿酥式高密度技术履历生成与证据优先简历审计
Catalog skill by Claycui828: 阿酥式高密度技术履历生成与证据优先简历审计 Install into Cursor, Claude, Codex, or VS Code from this page or review the source for ASu-resume-skills.
Ads
git clone https://github.com/Claycui828/ASu-resume-skills
Install guides: Cursor skills, Claude Code skills, Codex skills, or VS Code Copilot skills.
把简历视为一组可以独立检验的主张。目标不是判断一个人“好”或“坏”，而是确定现有证据支持什么、直接反驳什么，以及哪些内容仍然无法核验。
除非用户明确缩小范围，否则生成以下内容：
report-data.json：标准化主张、来源、结论、包装模式、时间线和限制。report.html：不引用外部样式、脚本、字体或图片。report.pdf。完成 JSON 后，用 scripts/render_report.py 生成 HTML/PDF；交付前用 scripts/validate_report.py 校验。
简历审计涉及可识别个人，错误结论可能造成真实的名誉伤害，因此始终遵守以下规则：
公开证据仅支持 contributor，尚未支持 core author 等精确表述，避免使用 骗子、害虫 或 欺诈者 等人格标签。contradicted；否则使用 unsupported、partially_corroborated 或 unverifiable。给结论状态前先阅读 references/evidence-methodology.md。核验开源或教育主张前，阅读相应专项参考。
列出用户提供的全部材料：
条件允许时完整阅读链接和文档，以原始分辨率检查图片。页面被安全策略或登录限制阻挡时，说明限制；可使用用户提供的正文或其他公开来源，但不得绕过访问控制。
立即为每个来源分配编号（S-001、S-002……），并标记来源类型：
official_record：官方记录；repository_record：代码仓库记录；candidate_self_statement：候选人自述；user_provided_document：用户提供材料；media_or_commentary：媒体或评论文章；anonymous_or_unverified：匿名或未经核验来源。不要把整段经历作为一条主张。将角色、范围、结果和因果关系分开检验。
例如：
“作为核心作者主导项目从 1.0 到 2.0，性能提升 25%。”
应拆为：
每条主张记录：
数据格式见 references/report-schema.md。
联网研究前，先让简历与自身对账：
算术矛盾不依赖外部解释，通常可以给出高置信度。
当材料能够明确给出分子、分母和展示百分比时，在对应的结构化 Claim 中写入：
"metric": {
"numerator": 200,
"denominator": 2000,
"displayed_percent": 10
}
交由确定性校验器重算。不要从只有“转化率 38%”的自然语言中猜测分母。数字关系不一致只说明当前口径下的数值不一致，不自动等于候选人造假；若可能存在未披露的分母，应在分析中说明这一限制。
当材料明确给出基线、结果、变化类型和展示变化值时，也在同一个 metric 对象中记录 baseline、result、change_type 与 displayed_change。relative_percent 按 (result - baseline) / baseline * 100 重算，例如 100 到 125 是 25%；percentage_points 直接相减，例如 60% 到 70% 是 10 个百分点，而不是 10% 的相对变化（相对变化约为 16.67%）。不要从自然语言猜测变化类型或基线。相对变化的 baseline 为零时应说明无法计算；数字关系不一致同样只说明已提供数值之间的关系，不自动等于候选人造假。
技术与机构主张优先使用一手资料。
先阅读 references/open-source-audit.md，再检查：
GitHub contribution 数量不等于合并到生产的代码；某个子项目的正式 committer 身份也不等于整个核心引擎的作者身份。
优先使用雇主记录、offer 元数据、主管确认、内部设计文档、代码所有权、上线记录或指标看板。无法取得时标记 unverifiable，不能直接判假。
遇到 owner、0-to-1、core author、architect 或 lead 时追问：
阅读 references/education-branding-audit.md，分别核验：
只有在官方项目和学历证明允许的范围内，才能使用合作院校品牌。不得因为学校不够知名就推断造假。
要求定义注册用户、活跃用户、付费用户、转化事件、分母、时间窗口、收入、退款和测试账号。重算所有可见比例。第三方流量估算不能证明内部支付数据或项目归属。
查找官方获奖名单和明确的比较集合。没有公开排名或可穷举比较范围时，即使底层奖项或身份真实，最高级仍应标记 unsupported。
阅读 references/inflation-patterns.md。必须先完成逐条证据核验，再判断是否存在模式。常见模式包括：
owner/0-to-1 表述。发现模式只是调查信号，不能单独作为造假证据。
每条主张只使用一个状态：
corroborated：强独立证据支持主张的关键内容。partially_corroborated：真实事实存在，但角色、范围、因果或幅度超过证据。contradicted：可靠证据与主张直接冲突。unsupported：合理搜索后仍没有足够证据。unverifiable：只有当前不可取得的内部或私人记录才能核验。同时记录置信度（high、medium、low），并说明什么证据可以改变结论。
按 references/report-schema.md 创建 report-data.json。引用保持简短，每个重要结论都要指向来源。指控必须带归属，例如：
文章作者指控……；当前材料缺少原始截图，尚未独立验证。
不要直接写：
当事人伪造了……
除非直接、权威的证据已经证明该结论。
在技能目录运行：
python3 scripts/render_report.py \
--input /absolute/path/report-data.json \
--html /absolute/path/report.html \
--pdf /absolute/path/report.pdf
HTML 必须保持自包含并使用附带的纸张式证据报告设计，至少包含：
运行：
python3 scripts/validate_report.py \
--data /absolute/path/report-data.json \
--html /absolute/path/report.html \
--pdf /absolute/path/report.pdf
如果安装了 pdftoppm，将 PDF 渲染为 PNG 并检查每一页，确认没有文字裁切、中文缺字、表格破裂或元素重叠。发现问题后先修改再交付。
结论顺序为：
不要复述文章中的煽动性措辞。明确区分 字面虚构、角色/范围膨胀、缺乏支持的营销表述 和 仅仅缺少证据。
references/evidence-methodology.md：来源等级与状态判断规则。references/open-source-audit.md：GitHub/Apache 贡献和角色审计。references/education-branding-audit.md：院校、中外合作、交换和学位表述。references/inflation-patterns.md：防御性简历包装分类。references/report-schema.md：报告生成器读取的 JSON 格式。references/asu-case-study.md：基于公开记录和用户材料的有限案例；不得将其视为永恒或全面事实。scripts/render_report.py：确定性 HTML/PDF 生成器。scripts/validate_report.py：数据结构、证据引用、HTML 和 PDF 冒烟检查。assets/report_template.html：自包含中文 HTML 报告模板。evals/evals.json：中文测试任务和预期行为。