Glass-box agent · 邀请制 · 不商业化
Show the process, not just the answer.
受邀求职者的可追溯 AI 求职报告。我们告诉你每个推荐怎么来的、用了哪些数据、参考了哪些面经——不是又一个 "AI 帮你搞定" 的黑盒。
L1 · Agent 拓扑 (LangGraph)
每个节点都可点开看内部 prompt + state shape
hover 上方节点看内部 prompt + state shape
Receipts · 跨源串接示例
这不是营销话术，是产品的默认工作方式。下面这条溯源链是实际报告里的一段（脱敏示例）——每一跳都可以点开看 raw data：
Step 1 · 面经原文
interview_id = ext-int-004 · 来源 = 牛客 2026-04 · 公司 = 阿里巴巴集团 · 岗位 = 智能体工程师
“二面：LangGraph 的 checkpoint 机制，多 Agent fan-out 的并发控制，错误恢复。”
Step 2 · 关联的真实 JD
match 算法：技能交集 ≥ 2 ∧ city = 用户目标城市
智能体工程师 · 阿里巴巴集团 · 上海
job_id = ext-job-004 · 薪资 30-50K · 50-100 人 / A 轮
“多 Agent 编排与工具集成。技能要求：python / langgraph / crewai ...”
Step 3 · 备考建议（给 “未覆盖 langgraph 进阶” 的画像）
推荐依据：1 篇相同公司面经 + 1 个目标 JD + 你画像中 “langgraph: 基础” 标签 → 优先级 P0
Boss / 脉脉的 “AI 推荐” 给你结果，不告诉你为什么。我们给你结果 + 来源 + 算法 + 数据快照。
Method · 默认 baseline 方法论
每张说清 “怎么算 / 为什么这样 / 可信度上限”。这是默认 baseline——v1.x 起你可以 fork 修改（见下方 Roadmap）。
01 · Profile 画像采集
必填：目标岗位 / 年限 / 城市 / 技能 / 期望薪。一次自由描述即抽多字段，只追问缺的、不逐字段挤牙膏；核心字段齐就能生成。每轮 LLM 输出 next_question + extracted + done。
▸ 上限：5 字段全靠对话推断，不抽简历。
02 · 岗位匹配
v0 用关键词召回（role 分词 + 岗位同义词扩展，city/skill 加权打分排序，召回放宽不一票归零），不用 embedding 相似度。LLM 只做最后 top-N 精排 + 推荐理由生成。
▸ 上限：关键词召回，词义太偏的长尾岗位可能漏。v1.x 加 pgvector 语义召回。
03 · 市场行情
薪资段用 P25/P50/P75 计算（不出极值，防个例反推）。公司维度按 (scale, stage, industry) 聚类，永不点名 "Top 5 公司"。
▸ 上限：样本 < 10 不出分位。
04 · 能力差距
从匹配 JD 中聚合 "高频出现但用户画像里没勾选" 的技能，按出现频率排 P0/P1/P2。
▸ 上限：'懂 vs 精通' 无法区分。
05 · 备考路径
从差距技能反查相关面经，提取 "高频考点" 主题，按 P0/P1 排优先级。
▸ 上限：面经覆盖公司有限（40 家）。
06 · 反幻觉守则
报告里的所有岗位 / 公司 / 薪资 / 面经都通过 SQL 查询拿 raw row，LLM 只做摘要 + 解释。
▸ 实现：tools.search_jobs / query_interviews 返回 dict 列表 → LLM 仅引用，不创造
Data · 真实数据源
不喊 “覆盖千万岗位”——那不真实。喊真实的样本边界。
用了什么
没用 / 不收
真诚提示：这是研究样本，不是全市场画像。覆盖不到的城市 / 关键词 / 公司 / 行业请到 Boss 等平台自行验证。 报告生成时会主动告诉你哪些维度的样本不够（如 “你的目标城市样本仅 N 条，仅供参考”）。
Roadmap · v1.x vision
Concept · Vaporware · 未实装默认 baseline 是产品出厂方法论。v1.x 起，你可以 fork 整个 Agent 拓扑，注入自己的数据源、自己的匹配规则、自己的备考策略——像 git 一样版本化你的求职方法论。
声明：本节展示的 CLI 与 fork 能力是设想（concept / vaporware），当前版本尚未实装、不可用，仅用于说明未来方向。下方命令行为演示文案，并非可运行的功能。
# v1.x 概念示例（CONCEPT / VAPORWARE — 路线图，当前未实装、不可运行）
$ jobintel fork --from baseline # 把官方 baseline 复制为你的
$ jobintel method add weighted_match \
--weight salary:0.4,skill:0.4,city:0.2 # 重写匹配权重
$ jobintel data add custom_jd \
--source ./my_target_companies.jsonl # 注入你的私域 JD
$ jobintel data add custom_interviews \
--source ./my_friends_interviews.md # 注入信任的面经
$ jobintel report # 用你的方法论跑一份
$ jobintel publish --share-with @your-friend # 把你的方法论分享给朋友v1.0 (Q3)
基础白盒能力。Profile + Report 两 Agent 跑通，receipts 全开，6 张方法卡固定。
v1.1 (Q4)
Report Agent fan-out 拆 Match / Market / Gap / Composer，每个子 Agent 独立可视。
v1.2+
方法论 fork + 自定义数据源注入 + 跨用户方法论分享（仍然不商业化）。
Invite · 受邀加入
这是个研究项目，不是商业 SaaS。我们不需要规模——规模只会带来麻烦（注意 / 同行起诉 / 数据合规压力）。500 个真实使用并提供反馈的用户，比 5 万个匿名访客有价值得多。
如果你拿到邀请，说明引荐你的朋友相信你会认真用。
没收到邀请？暂时不接受 cold inbound，请等朋友圈引荐。抱歉。