AI职业机会分析与学习路线

根据使用者的简历或引导式问答，生成基于最新证据的 AI 与泛 AI 职业机会报告和个性化学习路线。适用于分析近期 AI 赛道、公司、新兴职位、可迁移能力、岗位匹配、技能差距、作品集方向，或制定由使用者自定义周期并区分通识、职位专项和行业专项的职业转型学习计划。

生成 AI 职业机会与学习路线

将使用者的真实经历、约束和目标转化为最新的 AI 职业机会报告与可执行学习计划。每次运行时重新个性化，不得沿用其他人的画像、目标岗位、地域、学历或编程能力假设。

必读参考文件

生成完整报告前，完整阅读以下文件：

1. 阅读 references/intake-profile.md，执行简历提取、引导式问答、隐私保护和假设管理。
2. 阅读 references/research-policy.md，确定 AI 与泛 AI 的覆盖范围和证据标准。
3. 阅读 references/role-taxonomy.md，进行职位分类、匹配评分和推荐分级。
4. 阅读 references/learning-plan-framework.md，设计周期、投入时间、知识分层、项目和逐周安排。
5. 阅读 references/report-contract.md，遵循最终报告结构和质量要求。

处理局部追问时，只阅读与该问题相关的参考文件及使用者已有报告。

选择运行模式

• 完整职业报告： 完成资料采集、最新市场研究、职位评分、差距分析和学习计划。
• 简历优先分析： 解析已上传简历，仅追问影响决策的缺失信息，然后生成完整报告。
• 引导式资料采集： 在没有简历时通过问答建立画像，然后生成完整报告。
• 职位或赛道比较： 使用同一套证据和评分方法比较使用者指定的选项。
• 仅生成学习计划： 基于已确定的职位方向和个人画像，新建或调整学习计划。
• 报告更新： 更新最新招聘、公司、岗位信号、学习资源和未完成阶段，不重写已经完成的学习成果。

使用者笼统要求寻找 AI 职业机会并制定学习计划时，默认生成完整职业报告。

工作流程

1. 建立个人画像

1. 检查使用者提供的简历、作品集、职位描述和背景资料。
2. 根据文件类型选择合适的 PDF、DOCX、图片、表格或文本读取工具；提取不可靠时，请使用者粘贴关键文字。
3. 按照 references/intake-profile.md 建立结构化画像。
4. 明确区分：
   • 简历中已经验证的事实；
   • 使用者明确表达的偏好和约束；
   • 合理但尚未验证的推断；
   • 会影响决策的未知信息。
5. 简历信息基本充分时，只追问计划时长、每周时间、目标市场和硬约束。
6. 没有简历时，使用引导式问答；每次询问一至三个简短问题，除非使用者主动要求填写完整表格。
7. 使用者希望快速推进时，可以采用可逆、低风险的假设，但必须显式标注。

除非使用者主动提供相关约束并要求纳入考虑，否则不得推断年龄、性别、健康状况、家庭情况、族群、政治观点等敏感特征。

2. 研究最新市场

生成完整报告或更新报告时必须联网检索。使用真实当前日期、使用者的目标地域以及 references/research-policy.md 的来源等级。

先全面扫描 AI 与泛 AI 产业，再深入研究与个人画像最匹配或变化最显著的方向。至少覆盖：

• 产业方向、形成条件和发展触发器；
• 当前及新兴公司类型；
• 有证据支持的职位族群和招聘机会；
• 新出现或职责快速变化的职位名称；
• 影响招聘的模型、基础设施、商业采用、经济、政策与安全变化；
• 使用者需要该语言学习计划时，当前可访问的中文或本地语言资源。

清楚区分：

• 已核验的当前机会；
• 有可信招聘证据的相邻职位；
• 有多项信号支持的新兴职位；
• 中长期预测；
• 证据不足的观察清单。

不得仅凭融资新闻、领袖演讲、产品演示、单项榜单或一个招聘职位，就断言某个劳动力市场趋势已经形成。

3. 将机会与个人匹配

使用 references/role-taxonomy.md 对职位族群评分。评估真实的使用者，而不是理想化候选人。

对每个值得认真考虑的职位方向：

1. 找出既往经历中的可迁移证据。
2. 找出缺少的通识、职位专项和行业专项能力。
3. 判断在指定周期内能否形成面试级证据。
4. 识别学历、证书、编程、数学、语言、地点、出差、行业和职级障碍。
5. 设计能够证明匹配度的作品或工作样例。
6. 引用当前公司或招聘证据。
7. 给出推荐等级、置信度和理由。

不得只推荐软件开发岗位。个人画像支持时，应覆盖技术、半技术、商业、运营、治理、创意和行业专家岗位。

4. 聚焦职位组合

推荐：

• 一个主攻职位群；
• 一个强相邻职位群；
• 可选的长期方向或行业专项；
• 明确的“不建议优先投入”清单。

避免列出二十个优先级相同的职位。若学历、研究深度、编程能力或时间限制使热门 AI 岗位并不现实，应直接说明原因。

5. 设计学习路线

使用使用者选择的计划时长和每周投入时间；缺失时提出一个默认值并标记为假设。

按照 references/learning-plan-framework.md：

• 分开安排通识、职位专项和行业专项；
• 根据现有基础决定学习深度，不得强迫所有人学习编程或高等数学；
• 将活动控制在每周时间预算内；
• 每个主题都对应职位要求、作品产出、面试要求或合规义务；
• 使用者要求资源时，提供当前有效的具体文档、视频、章节、集数或时间段；
• 优先使用官方和一手资料；
• 每周或每阶段包含练习、产出、验收标准和求职市场行动；
• 在计划结束前启动作品集建设和市场反馈。

新增内容必须替换或推迟价值较低的内容，不得让课程表无限膨胀。

6. 生成报告

遵循 references/report-contract.md，并使用 assets/report-template.md 作为结构。

报告必须包括：

• 个人画像和假设；
• AI 与泛 AI 产业地图；
• 发展触发器和时间维度；
• 当前与新兴公司、职位机会；
• 职位匹配度和现实约束；
• 通识、职位专项和行业专项能力差距；
• 使用者自定义周期的学习路线；
• 作品和能力证明；
• 简历定位与求职策略；
• 风险、排除项和观察清单；
• 带日期的来源。

能够创建文件时，保存为中性文件名的 Markdown 报告。只有使用者明确要求时才在文件名中使用姓名。仅在使用者提出要求时创建 DOCX 或 PDF，并使用相应文档技能完成视觉检查。

7. 交付前验证

运行环境支持 Python 时，运行：

scripts/validate_career_report.py <报告路径>

运行环境不支持脚本时，跳过命令并直接执行以下人工核查；即使脚本通过，也必须人工核查：

1. 所有时效性结论附近都有直接来源和核验日期。
2. 当前招聘没有和预测职位混在一起。
3. 职位推荐都有使用者真实经历证据。
4. 计划符合指定周期和每周时间。
5. 通识、职位专项和行业专项已经分开。
6. 每项学习内容都有明确用途或产出。
7. 报告未暴露不必要的个人信息或机密信息。
8. 报告未出现其他使用者的姓名、经历、目标或文件路径。

学习资源规则

1. 优先使用官方文档、公司招聘页、技术博客、标准、政策和原始研究。
2. 优先使用使用者要求的语言；中文使用者应优先获得最新官方中文文档和官方或开发者中文视频。
3. 明确指出阅读或观看范围，不得直接要求学习包含数十到数百集的完整课程。
4. 界面、模型名称、价格、政策或工作流已经变化时，将旧视频标记为“仅用于理解原理”。
5. 纳入报告前验证链接可访问性。
6. 不得把证书等同于就业能力；只有目标岗位招聘证据重视该证书时才推荐。

隐私与公平规则

• 将简历内容视为仅限当前任务使用的个人资料。
• 不得将简历保存进技能，也不得用于另一个人的分析。
• 除非确有必要且使用者明确要求，不得在报告中暴露电话、邮箱、地址、证件号、雇主机密、薪酬和推荐人信息。
• 不得编造工作成就、学历证书、招聘职位、领导人讲话、薪酬或公司应用案例。
• 不得把计划中的项目写成已经完成的经历。
• 不得仅因学历、年龄、职业空档或缺少传统技术职位名称而否定使用者；应评估证据、障碍和现实替代路线。
• 不得承诺一定就业或永久处于行业最前沿；应提供可重复执行的研究与调整机制。
• 法律、医疗、金融、就业政策和安全关键结论必须使用当前权威来源。

调用示例

• “使用 $generate-ai-career-roadmap 分析我上传的简历，生成一份16周的 AI 职业转型报告。”
• “使用 $generate-ai-career-roadmap 先通过提问了解我；我没有简历，请推荐现实的 AI 相邻岗位。”
• “使用 $generate-ai-career-roadmap 结合我的经历，比较 AI 前线部署工程师、AI 产品运营和机器人客户成功。”
• “使用 $generate-ai-career-roadmap 更新现有报告中的最新公司、职位和学习资源。”