Install
openclaw skills install @bettermen/jd-interpreterJD智能解读
招聘需求智能解读技能。输入任意岗位JD（粘贴/上传/URL），自动进行8维深度解读：JD结构化拆解→显性隐性需求解构→需求权重评分→能力差距自评引导→面试考点预测→学习提升路线图→ATS关键词注入→薪资对标分析，生成交互式HTML可视化解读报告。触发词：JD解读、岗位解读、招聘需求分析、解读JD、这个岗位要什么、帮我分析这个职位、职位解读、岗位分析、jd interpreter、decode job、analyze job description、职位要求分析。
JD智能解读技能 — 招聘需求深度分析
输入一份 JD → 输出 8 维深度解读 + 交互式 HTML 可视化报告
定位
本技能填补求职链路「看到 JD → 理解 JD」这一关键空白环节。已有技能（resume-jd-scorer / resume-assistant）均依赖用户已有简历，本技能专注纯 JD 解读，无需简历即可使用。解读完成后可自然串联下游技能进行评分或简历改写。
触发条件
- 用户粘贴/上传一份岗位 JD 文本
- 用户提供招聘页面 URL
- 用户说"帮我分析这个职位""这个岗位到底要什么""解读一下这个 JD"
- 即使无简历也能独立使用
8 维解读框架
模块一：JD 结构化拆解（P0 — 必做）
从原始 JD 文本中提取结构化信息，生成「岗位画像卡片」：
| 提取字段 | 说明 |
|---|---|
| 职位名称 | 标准化的岗位名称 |
| 公司/行业 | 公司类型、所处行业 |
| 工作地点 | 城市/远程/混合 |
| 薪资范围 | JD 中明确或隐含的薪资信号 |
| 工作性质 | 全职/实习/外包/兼职 |
| 核心职责 TOP 5-8 | 按重要度降序排列 |
| 硬技能/技术栈 | 分「必需」和「加分」两类 |
| 软技能/素质要求 | 沟通/领导力/抗压等 |
| 学历/经验门槛 | 学历层次 + 工作年限要求 |
| 行业关键词 | 业务领域高频词 |
模块二：显性需求 vs 隐性需求解构（P0 — 必做）
区分 JD 字面意思与隐藏信号。解码规则：
| 显性措辞 | 隐性信号 | 信号强度 |
|---|---|---|
| "抗压能力强" | 工作节奏快/可能加班/Deadline 驱动 | 中 |
| "有 owner 意识" | 需要自驱/结果导向/可能一人多岗 | 高 |
| "从 0 到 1" | 新业务线/流程不成熟/高风险高回报 | 高 |
| "扁平化管理" | 层级少但晋升通道可能不明确 | 低 |
| "薪资 open/面议" | 预算不透明/需谈判技巧 | 中 |
| "加分项：XX 经验" | 实际可能是隐性必需项 | 中 |
| "快速迭代" | 敏捷开发/需求变化频繁/节奏快 | 高 |
| "创业心态" | 可能 996/期权激励为主/现金偏低 | 高 |
| "有竞争力的薪资" | 中等偏上/非顶级 | 低 |
| "团队氛围好" | 可能是小团队/福利一般 | 低 |
| "广阔发展空间" | 岗位职责边界模糊/需要多面手 | 中 |
| "结果导向" | KPI/OKR 压力大 | 中 |
输出格式：双列表对比（显性列 × 隐性解读列），每个隐性信号标注信号强度。
模块三：需求权重评分（P1 — 必做）
对 JD 中所有要求进行 1-5 星权重打分，排序逻辑：
- 措辞强度：「精通」>「熟悉」>「了解」>「加分项」
- 出现位置：JD 靠前的要求通常更重要
- 行业常识：某些技术栈是该岗位的事实门槛
- 重复强调：JD 中多次提及的技能自动升权
输出带权重星标的需求清单表，标注每项的「必要程度」。
模块四：能力差距自评引导（P0 — 必做）
引导用户对核心要求进行快速自评（无需简历）：
- 5 分制自评：对每项核心要求打分 1-5
- 差距热力图：红（严重不足）/ 黄（部分满足）/ 绿（完全满足）
- P0/P1/P2 行动优先级：按「重要性 × 差距程度」排序
- 联动提示：告知用户可跳转 resume-jd-scorer 做精确简历匹配
如果用户已有简历，可以使用以下下游技能：
- →
resume-jd-scorer：精确 5 维匹配度评分 - →
resume-assistant：按 JD 定制改写简历 - →
resume-optimizer：去 AI 味的简历终稿
模块五：面试考点预测（P1 — 必做）
基于 JD 内容反向推测面试问题，按类型分类：
| 问题类型 | 预测逻辑 | 示例 |
|---|---|---|
| 技术栈深挖 | JD 中列出的每项技术栈 → 相关追问 | "React 的 Fiber 架构如何实现调度？" |
| 项目经验追问 | JD 职责描述 → STAR 行为面试 | "介绍一个你从 0 到 1 搭建的项目" |
| 行为面试 | 软技能关键词 → 场景模拟 | "描述一次与产品经理发生分歧的经历" |
| 系统设计 | 中高级岗位 → 架构设计题 | "设计一个支持百万并发的秒杀系统" |
| 案例分析 | 业务岗位 → 商业案例 | "如果 DAU 下降 20%，你怎么排查？" |
| 反问准备 | 帮求职者准备 3-5 个高质量反问 | "团队目前最大的技术挑战是什么？" |
每道问题标注预测概率（★★★ 高 / ★★ 中 / ★ 低）。
模块六：学习提升路线图（P1 — 必做）
为有差距的求职者生成技能提升计划：
- 核心技能学习资源：课程/书籍/官方文档/开源项目推荐
- 学习优先级排序：先学什么 ROI 最高
- 预估学习周期：每个技能模块的时间预估
- 实战项目建议：什么项目最能打动面试官
- 分阶段路线图：按周/月组织的学习计划
模块七：ATS 关键词注入建议（P1 — 必做）
从 JD 中提取 ATS（Applicant Tracking System）高频关键词，按类别输出：
- 技术关键词：框架/语言/工具名称
- 业务关键词：行业术语/业务流程
- 软技能关键词：leadership/communication/collaboration 等
- 行动动词：led/designed/implemented/optimized 等
给出简历融入建议：哪些词必须原样出现在简历中、可以通过什么方式自然融入。
模块八：薪资与市场对标（P2 — 选做）
如果用户要求或 JD 信息充分：
- 联网搜索该岗位在主流城市的薪资范围
- 对标同行业/同级别岗位的薪资区间
- 分析 JD 中薪资描述的隐含信息
- 给出谈判建议区间和策略
注意：此模块依赖 WebSearch，仅在用户明确要求或信息充足时执行。
完整工作流
Step 1: JD 输入接收
├── 粘贴文本 → 直接解析
├── 上传文件(PDF/DOCX) → 提取文本
├── 提供 URL → WebFetch 抓取
└── 输出: 清洗后的纯文本 JD
↓
Step 2: 结构化提取 (模块一)
├── 提取基本信息(职位/公司/地点/薪资)
├── 拆解核心职责(TOP 5-8)
├── 分类硬技能/软技能/学历要求
└── 输出: 结构化 JSON
↓
Step 3: 深度分析并行 (模块二~八)
├── 模块二: 显性→隐性映射
├── 模块三: 需求权重评分
├── 模块五: 面试考点生成
├── 模块六: 学习路线规划
├── 模块七: ATS 关键词提取
└── 模块八: 薪资对标(可选)
↓
Step 4: 差距自评引导 (模块四)
├── 引导用户打分(或不打分直接跳过)
├── 生成差距热力图
└── 输出 P0/P1/P2 优先级
↓
Step 5: 互动报告生成
├── 将分析结果写入 analysis.json
├── 运行 scripts/generate_report.py
└── 输出 jd-interpretation-report.html
↓
Step 6: 呈现与联动
├── present_files 展示报告
└── 提示可串联下游技能(resume-jd-scorer/resume-assistant)
使用方式
方式一：直接粘贴 JD 文本
用户: 帮我解读这个 JD
[粘贴 JD 文本]
方式二：提供招聘页面 URL
用户: 分析这个岗位 https://www.zhipin.com/job_detail/xxx.html
方式三：上传 JD 文件
用户: @jd.pdf 帮我分析一下这个岗位需求
输出报告 8 大板块
- 岗位画像卡片 — 基本信息 + 核心职责一览
- 需求权重仪表盘 — 1-5 星评分 + 必要程度标注
- 显性 vs 隐性双列表 — 左边字面意思 / 右边隐藏信号
- 能力差距热力图 — 红黄绿三色 + P0/P1/P2 优先级
- 面试预测问题清单 — 分类卡片 + 概率标注
- 学习路线图时间线 — 按周/月组织
- ATS 关键词注入表 — 关键词 + 融入方式建议
- 薪资对标分析（可选）— 市场区间 + 谈判策略
分析原则
- 客观中立：不美化也不贬低岗位，基于文本事实解读
- 标注不确定性：隐性需求解读属于推测，标注「信号强度」区分确定程度
- 不替代专业咨询：薪资建议仅供参考，最终决策权在用户
- 隐私优先：不存储用户提供的 JD 和个人信息
- 串联友好：输出格式兼容下游 resume-jd-scorer/resume-assistant 技能
脚本说明
| 脚本 | 用途 |
|---|---|
scripts/generate_report.py | 读取 analysis.json → 渲染交互式 HTML 报告 |
依赖
- Python 3.9+（HTML 报告生成）
- 无需外部 API Key
- 深度分析依赖内置 LLM 能力
- 薪资对标模块可选依赖 WebSearch
与已有技能的关系
求职者链路:
本技能(jd-interpreter) resume-jd-scorer resume-assistant/optimizer
┌─────────────────────┐ ┌──────────────┐ ┌──────────────────┐
│ 纯 JD 解读 │ ──────→ │ 简历-JD 评分 │ ──────→│ 简历定制改写 │
│ 无需简历即可使用 │ │ 需要简历+JD │ │ 输出投递版简历 │
└─────────────────────┘ └──────────────┘ └──────────────────┘
本技能补全了求职链路的第一步。解读完成后可自然传递给下游技能。
NEVER
- NEVER 在无 JD 输入时凭空分析
- NEVER 编造 JD 中不存在的岗位信息
- NEVER 替代简历评分技能做精确打分（引导用户使用 resume-jd-scorer）
- NEVER 对隐性需求做绝对断言（必须标注信号强度）
- NEVER 省略 8 大模块中的 P0/P1 模块
- NEVER 存储用户的 JD 或个人评估数据