ai-job-hunter — AI行业岗位猎手

工作流

job-init → job-scan → job-analyze

各步骤作为独立子 skill 实现，支持自动路由和状态检测。

脚本路径

所有 Python 脚本位于 scripts/ 目录：

• scripts/scraper/boss_scraper.py — BOSS直聘 CDP 爬虫
• scripts/export/clean_and_export.py — 数据清洗 → Excel
• scripts/analysis/jd_analyzer.py — JD 文本分析 → Markdown 报告
• scripts/analysis/gap_analyzer/ — 能力差距分析 → 学习计划

状态文件

数据目录可通过 AI_JOB_HUNTER_DATA 环境变量配置，默认为 skill 目录同级的 ai-job-hunter-data/。 所有路径引用已自动适配 — 无论 skill 安装在项目级还是全局级均可正常工作。 状态文件 $AI_JOB_HUNTER_DATA/.skill-state.json 保存所有进度状态。

自动设置

首次进入自动安装依赖：

# === 自动发现 skill 根目录（适配项目级/全局级安装） ===
SKILL_DIR="${AI_JOB_HUNTER_DIR:-}"
[ -n "$SKILL_DIR" ] && SKILL_DIR="${SKILL_DIR//\\//}"
if [ -z "$SKILL_DIR" ]; then
  [ -d ".claude/skills/ai-job-hunter" ] && SKILL_DIR=".claude/skills/ai-job-hunter"
  [ -z "$SKILL_DIR" ] && [ -d "$HOME/.claude/skills/ai-job-hunter" ] && SKILL_DIR="$HOME/.claude/skills/ai-job-hunter"
fi
DATA_DIR="${AI_JOB_HUNTER_DATA:-$(dirname "$SKILL_DIR")/ai-job-hunter-data}"
mkdir -p "$DATA_DIR/subjects"
pip install -q -r "$SKILL_DIR/requirements.txt" 2>/dev/null || pip install -r "$SKILL_DIR/requirements.txt"

子技能路由

状态检测（FSM 路由）

# === 自动发现 skill 根目录（适配项目级/全局级安装） ===
SKILL_DIR="${AI_JOB_HUNTER_DIR:-}"
[ -n "$SKILL_DIR" ] && SKILL_DIR="${SKILL_DIR//\\//}"
if [ -z "$SKILL_DIR" ]; then
  [ -d ".claude/skills/ai-job-hunter" ] && SKILL_DIR=".claude/skills/ai-job-hunter"
  [ -z "$SKILL_DIR" ] && [ -d "$HOME/.claude/skills/ai-job-hunter" ] && SKILL_DIR="$HOME/.claude/skills/ai-job-hunter"
fi
DATA_DIR="${AI_JOB_HUNTER_DATA:-$(dirname "$SKILL_DIR")/ai-job-hunter-data}"
python -c "
import sys; sys.path.insert(0, '$SKILL_DIR/scripts')
from utils.fsm import detect_state
import json
try:
    with open('$DATA_DIR/.skill-state.json') as f:
        state = detect_state(json.load(f))
except FileNotFoundError:
    state = None
print(f'STATE={state.value if state else \"no_state\"}')
"

根据 STATE 输出路由：

子技能列表

触发方式

"开始求职" / "AI岗位猎手" / "帮我找AI工作" / "job-hunter" / "分析AI岗位" / "看看AI岗位要求" / "找工作"

/job-analyze — 岗位分析与学习计划

Step 0：上下文检查

# === 自动发现 skill 根目录（适配项目级/全局级安装） ===
SKILL_DIR="${AI_JOB_HUNTER_DIR:-}"
[ -n "$SKILL_DIR" ] && SKILL_DIR="${SKILL_DIR//\\//}"
if [ -z "$SKILL_DIR" ]; then
  [ -d ".claude/skills/ai-job-hunter" ] && SKILL_DIR=".claude/skills/ai-job-hunter"
  [ -z "$SKILL_DIR" ] && [ -d "$HOME/.claude/skills/ai-job-hunter" ] && SKILL_DIR="$HOME/.claude/skills/ai-job-hunter"
fi
DATA_DIR="${AI_JOB_HUNTER_DATA:-$(dirname "$SKILL_DIR")/ai-job-hunter-data}"
test -f "$DATA_DIR/.skill-state.json" && echo EXISTS || echo MISSING

• MISSING → 调用 Skill 执行 job-init

读取 $DATA_DIR/.skill-state.json，检查 job_search.status == "done"。

• 未完成 → 告知用户"请先完成岗位扫描"，调用 Skill 执行 job-scan

读 SKILL_DIR 下的 shared-references/analysis-rubric.md 参考分析方法论。

画像完整性检查

读取 $DATA_DIR/.skill-state.json 的 profile，检查以下字段是否缺失：

• ai_experience_level
• self_drive_score
• strength_tags

如果任一缺失：

你的画像信息不完整（缺少 AI 经验等级、自驱力评分或核心优势标签）， 建议先更新画像再生成计划，否则计划将使用默认值。

是否现在更新？[y/n]

• y → 调用 Skill 执行 job-init（仅补充缺失字段）
• n → 继续使用默认值生成

Step 1：JD 分析

python "$SKILL_DIR/scripts/analysis/jd_analyzer.py" \
  --input {clean_file} \
  --title "{keyword}"

其中 {clean_file} 和 {keyword} 从 $DATA_DIR/.skill-state.json 的 job_search 读取。

Step 2：报告输出

报告已保存到本地：$DATA_DIR/subjects/{keyword}/JD_Analysis_Report.md

更新 $DATA_DIR/.skill-state.json：analysis.report_title=keyword、analysis.report_file=$DATA_DIR/subjects/{keyword}/JD_Analysis_Report.md、analysis.generated_at=now。

Step 3a：选择学习周期

询问用户：

你希望学习计划周期多长？ 1. 30天速成 — 核心技能速通，适合有基础/全职学习者 2. 60天标准 — 稳扎稳打，含项目实战，面试就绪（默认） 3. 90天深入 — 完整体系，含架构/源码/优化，适合零基础或在职

用户选择后存入变量 {duration}（30 / 60 / 90）。

坚持周期 × 时长联动检查

读取 $DATA_DIR/.skill-state.json 中 profile.commitment_period：

• "不设限" → 自动推荐 90 天：

  你的坚持周期为「不设限」——长期主义是成为专家的唯一路径。推荐 90 天深度版。 是否接受推荐？[y/n]

  • y → 设 {duration}=90
  • n → 保持已选的 {duration}

• "1个月" 且 {duration} > 30：

  你的坚持周期为 1 个月，但你选择了 {duration} 天计划。 建议调整为 30 天速成版，或延长坚持周期。 是否调整？[1] 改为 30 天 [2] 保持当前 [3] 先修改画像

• 其他情况（2个月/3个月/6个月）：如果坚持周期（月数）* 30 < {duration}：

  你的坚持周期为 {period}，建议计划不超过该周期。当前选择了 {duration} 天，确认继续？[y/n]

Step 3b：商业模块询问

询问用户：

是否需要包含「技术内容创作与技能变现」模块？（y/n） 该模块为技能驱动型——根据你学习的具体技术栈，规划对应的内容输出和变现路径， 学什么就输出什么、变现什么，不会出现与你技能无关的通用建议。

内容分发支持 6 大平台（抖音/B站/小红书/知乎/博客/掘金），根据你的画像标签 推荐主攻平台，按学习进度生成多平台分发日历，每个平台有专属标题和内容调性。

注意：流量和兼职属于锦上添花，不会挤占核心技能学习时间，所有输出内容都建立在已学知识之上。

如果 Step 3a 选了 30 天且 Step 3b 选了 y：

注意：30天速成计划已经非常紧凑，加入商业模块可能会影响核心学习进度。 确认继续？（y/n）

• y → 生成含商业模块的 30 天计划
• n → 生成不含商业模块的 30 天计划

用户选择后存入变量 {business}（y / n）。

Step 3c：学习理念确认

在生成计划前，向用户说明：

你的学习计划将深度融合两种顶级学习方法：

费曼学习法 — 通过教别人来检验真懂。每天都有「费曼输出任务」， 要求你用大白话向小白讲清楚当天的核心概念，卡住的地方就是盲区。

第一性原理 — 回归本质的深度思考。每个阶段末有 5 层追问， 最终还有核心技术的拆解任务（问题本质→核心原理→最小实现→设计取舍）。

这两种方法贯穿每一天的学习，帮你不仅学会技能，更能理解底层原理。

如果 {business} 为 y，追加说明：

你的计划还包含技术内容创作与技能变现模块。请注意：该模块属于锦上添花， 不会挤占核心技能学习时间。所有输出内容都建立在已学知识之上，学什么就输出什么、变现什么。 (如果觉得时间紧张，可随时回到 Step 3b 关闭该模块)

确认继续？（y/n）

• y → 进入配置确认
• n → 询问用户需要什么调整

Step 3c-bis：计划配置确认

在生成完整计划前，先调用预览模式展示配置摘要：

python "$SKILL_DIR/scripts/analysis/gap_analyzer/__main__.py" \
  --profile "$DATA_DIR/.skill-state.json" \
  --report "$DATA_DIR/subjects/{keyword}/JD_Analysis_Report.md" \
  --title "{keyword}" \
  --duration {duration} \
  --business {business} \
  --commitment "{commitment_period}" \
  --preview 2>/dev/null > "$DATA_DIR/_preview_config.json"

python -c "
import json, os
DATA_DIR = '$DATA_DIR'
with open(os.path.join(DATA_DIR, '_preview_config.json')) as f:
    d = json.load(f)

print('========== 计划生成配置确认 ==========')
print()
print(f'目标岗位: {d[\"title\"]}')
print(f'数据来源: BOSS直聘 ({d[\"total_jobs\"]}个岗位样本)')
print(f'学习周期: {d[\"duration\"]}天 | 每周投入: {d[\"weekly_hours\"]} | 强度: {d[\"intensity\"]}')
print(f'AI经验等级: {d[\"ai_experience_level\"]} → 起点: {d[\"start_point\"]}')
ed = d.get('self_drive_score', '?')
print(f'自驱力: {ed}/5 → 监督: {d[\"supervision\"]}')
strengths = '、'.join(d['core_strengths']) if d.get('core_strengths') else '无'
print(f'核心优势: {strengths}')
print()
print('权重分配:')
print(f'  [60%] 市场驱动 — 必备技能 {d[\"essential_count\"]}项 + 加分技能 {d[\"bonus_count\"]}项')
print(f'  [30%] 画像匹配 — 起点: {d[\"start_point\"]}')
sup_count = d.get('supplement_count', 0)
sup_pct = d.get('supplement_percent', 0)
print(f'  [10%] 合理补充 — {sup_count}项 ({sup_pct}%)')
print()
print(f'商业模块: {\"包含\" if d.get(\"business_module\", False) else \"不包含\"}')
print()
print('计划详情:')
print(f'  计划模型: {\"连续知识单元\" if d.get(\"plan_model\") == \"continuous\" else \"按周切割\"}')
print(f'  总天数: {d.get(\"total_days\", d[\"duration\"])} 天（含 {d.get(\"review_day_count\", 0)} 个复盘日）')
total_h = d.get('total_days', d['duration']) * d.get('daily_hours', 0)
dh_display = d.get('daily_hours_display', '')
print(f'  预计总学习小时数: ~{int(total_h)}h（日均{dh_display}）')
print(f'  实战项目: {d.get(\"project_count\", 0)} 个 | 开源贡献: {d.get(\"os_contribution_count\", 0)} 次')
print(f'  技能覆盖: 必备技能 {d.get(\"essential_coverage\", \"N/A\")} | 加分技能 {d.get(\"bonus_coverage\", \"N/A\")}')
print()
print('（提示：如需调整每日学习量，可退出后使用 --adjust 0.8~1.2 参数重新生成）')
print('请确认: 输入 Y 继续生成，输入 N 调整参数。')
print('==========================================')
"

rm -f "$DATA_DIR/_preview_config.json"

展示配置摘要后，询问用户：

请确认是否按以上配置生成学习计划？（y/n）

• y → 进入 Step 3d 生成完整计划
• n → 询问调整项：
  • 1 — 重新选择学习周期（返回 Step 3a）
  • 2 — 切换商业模块开关（返回 Step 3b）
  • 3 — 生成 30 天精简版（自动关闭补充模块）
  • 其他 — 请描述你想调整的内容

Step 3d：生成学习计划

python "$SKILL_DIR/scripts/analysis/gap_analyzer/__main__.py" \
  --profile "$DATA_DIR/.skill-state.json" \
  --report "$DATA_DIR/subjects/{keyword}/JD_Analysis_Report.md" \
  --title "{keyword}" \
  --duration {duration} \
  --business {business} \
  --commitment "{commitment_period}"

其中 {commitment_period} 从 $DATA_DIR/.skill-state.json 的 profile.commitment_period 读取。

Step 4：学习计划输出

学习计划已保存到本地：$DATA_DIR/subjects/{keyword}/Learning_Plan_{duration}days_定制版[_with_business].md

更新 $DATA_DIR/.skill-state.json：learning_plan.target_role=keyword、plan_file=$DATA_DIR/subjects/{keyword}/Learning_Plan_{duration}days_定制版[_with_business].md、progress.status=in_progress。

Step 5：下一步

学习计划已就绪，所有文件已保存到本地。你可以随时再次运行 /job-analyze 生成新的岗位分析。

/job-init — 画像初始化（cheat-on-skill 风格）

Phase 0：状态检测

# === 自动发现 skill 根目录（适配项目级/全局级安装） ===
SKILL_DIR="${AI_JOB_HUNTER_DIR:-}"
[ -n "$SKILL_DIR" ] && SKILL_DIR="${SKILL_DIR//\\//}"
if [ -z "$SKILL_DIR" ]; then
  [ -d ".claude/skills/ai-job-hunter" ] && SKILL_DIR=".claude/skills/ai-job-hunter"
  [ -z "$SKILL_DIR" ] && [ -d "$HOME/.claude/skills/ai-job-hunter" ] && SKILL_DIR="$HOME/.claude/skills/ai-job-hunter"
fi
DATA_DIR="${AI_JOB_HUNTER_DATA:-$(dirname "$SKILL_DIR")/ai-job-hunter-data}"
test -f "$DATA_DIR/.skill-state.json" && echo EXISTS || echo MISSING

• EXISTS：读取 $DATA_DIR/.skill-state.json，展示当前画像摘要，询问用户是否更新
  • 更新 → 进入 Phase 2（保留已有字段，只问需要改的），跳过已填字段
  • 不更新 → 提示用户下一步可以说"帮我找岗位"（→ job-scan）
• MISSING：进入 Phase 1

Phase 1：期望管理（原样表达，语气直白）

这工具不会给你一份"AI 高薪岗位 Top10"那种水文清单——那些利益不中立，多是卖课/培训机构的获客漏斗。

我会做四件别人不做的事： ① 按你的真实底子匹配岗位，不给通用清单 ② 用 BOSS 直聘真实招聘数据看哪些 AI 岗在招、给多少 ③ 分析高频要求，做出可执行的学习路线 ④ 遇到带有"培训贷/包就业/付费内推"的，直接劝退

转型通常需要几个月的真实投入，不是"30 天速成"。认同我们再往下。

Phase 2：能力盘点（一次性抛出，开放回答）

一次性抛所有问题，用户自然语言回答，agent 解析提取。允许"不确定"，对应字段记 null 或空串。

我先了解一下你的情况，下面几个问题一起回答就行，不确定的直接说不确定：

① 你现在掌握了哪些技术/技能？学历专业是什么？ 编程语言、框架、工具……哪怕只学过一点也算。学历说清楚是什么学位、什么专业，在读的说年级。 例如：Python, LangChain, Docker；本科计算机科学大三

② AI 相关的经验到什么程度了？ 完全零基础 / 懂基本概念但没做过项目 / 独立做过项目 / 资深从业者。不确定就说不确定。

③ 每周能稳定投入几小时学习？能坚持多久？ 按过去 3 个月真实情况估，别往多了算。 例如：每周大概 10-15 小时，能坚持 3 个月。

④ 自驱力自评（1-5 分）？ 这会决定学习计划里的监督提醒密度。 1 分=需要强监督；3 分=能按计划但会拖延；5 分=极强自驱力。

⑤ 你的核心优势是什么？ 比如数学好、编程强、有项目经验、有管理经验、沟通表达强……多擅长就多写。

⑥ 目标城市在哪？现在是什么状态？ 状态选项：在读 / 找实习 / 求职中 / 在职想转。不确定也直说。

用户回答后，agent 解析提取到以下字段：

解析规则：

• ai_experience_level：从回答中匹配"零基础/无经验"→"无经验"，"懂概念/基础"→"有AI基础"，"独立做过项目"→"有AI项目经验"，"资深"→"AI领域资深从业者"，"有编程"→"有编程基础但AI零经验"。匹配不到或"不确定"→记空串
• weekly_hours：从回答中提取数字范围，格式如 "10-15h"。匹配不到→null
• commitment_period：匹配"1个月/2个月/3个月/6个月/不设限"。匹配不到或"不确定"→空串
• self_drive_score：提取数字 1-5。匹配不到→null。同步 learning_self_rating（1→"需要外部强监督"，2→"偶尔需要提醒"，3→"能按计划但有拖延"，4→"自律性强"，5→"极强自驱力"）
• strength_tags：分割逗号/顿号，与预定义标签匹配。未匹配到的归入"其他（自定义）"。同步到 advantage_tags
• target_cities：解析城市名，单值同时写 target_city

Phase 2.5：起点档位判定

读 SKILL_DIR 下的 shared-references/role-tiers.md，结合 tech_stack、ai_experience_level、self_drive_score 判定 S0-S3。

规则：

• AI 领域资深从业者 / 自驱力 5 分 / 有项目经验 → 倾向于 S3
• 有 AI 基础 / 有编程基础 + 自驱力 3-4 → S2
• 无经验 + 自驱力 1-2 → S0
• 其他组合 → 居中判断

我判断你的起点档位是 S2（有技术底子）。 你比我更懂自己——可以自己修正。

Phase 2.6：画像总览确认

生成以下预览让用户确认：

┌──── 我的职业画像总览 ─────────────────────────────────────┐
│                                                              │
│  档位         S2 · 有技术底子                                │
│  技能         Python, LangChain, LangGraph                    │
│  学历         本科 · 交通工程（大一）                         │
│  AI 经验      [等级] · [简述]                                 │
│  每周投入     [X]h → 日均约 [Y]h                              │
│  坚持周期     [X]                                              │
│  自驱力       [X]分 — [描述]                                  │
│  核心优势     [A、B、C]                                       │
│  目标城市     [城市]                                          │
│  状态         [状态]                                          │
│                                                              │
│  [1] 确认无误  [2] 修改某项  [3] 重新填写                     │
└──────────────────────────────────────────────────────────────┘

如果选择修改 → 问"想修改哪一项？新值是什么？" → 更新后重新展示预览。 如果确认 → 进入 Phase 3。

Phase 3：写入状态文件

读取 SKILL_DIR 下的 templates/state.template.json 填充数据。

date '+%Y-%m-%d %H:%M %Z %z'

写入 $DATA_DIR/.skill-state.json，设置 create_time 和 update_time 为当前时间。

Phase 4：下一步

画像已保存。接下来你可以说：

• "帮我找岗位" — 开始扫描匹配的 AI 岗位
• "分析 XX 岗位，做学习计划" — 直接进入学习计划
• "修改我的画像" — 更新任意字段

/job-scan — 岗位扫描

Step 0：上下文检查

# === 自动发现 skill 根目录（适配项目级/全局级安装） ===
SKILL_DIR="${AI_JOB_HUNTER_DIR:-}"
[ -n "$SKILL_DIR" ] && SKILL_DIR="${SKILL_DIR//\\//}"
if [ -z "$SKILL_DIR" ]; then
  [ -d ".claude/skills/ai-job-hunter" ] && SKILL_DIR=".claude/skills/ai-job-hunter"
  [ -z "$SKILL_DIR" ] && [ -d "$HOME/.claude/skills/ai-job-hunter" ] && SKILL_DIR="$HOME/.claude/skills/ai-job-hunter"
fi
DATA_DIR="${AI_JOB_HUNTER_DATA:-$(dirname "$SKILL_DIR")/ai-job-hunter-data}"
test -f "$DATA_DIR/.skill-state.json" && echo EXISTS || echo MISSING

• MISSING → 告知用户"请先完成画像初始化"，调用 Skill 工具执行 job-init

读取 $DATA_DIR/.skill-state.json，提取 profile（tech_stack、education、target_city 等）。

读取 SKILL_DIR 下的 shared-references/role-tiers.md 参考档位信息。

Step 1：推荐岗位

根据画像推荐 6 个最匹配的 AI 岗位。使用以下格式：

┌──── 推荐岗位列表 ──────────────────────────────────────────┐
│                                                              │
│  1. 大模型算法工程师         匹配度: 92%                    │
│     → 你的PyTorch经验+硕士学历高度匹配，大模型方向需求爆发   │
│  ...                                                         │
└────────────────────────────────────────────────────────────┘

推荐原则：

• 岗位名称必须是真实市场上存在的
• 匹配度基于：技术栈重合度、学历门槛、经验要求
• 推荐理由要具体，诚实指出局限
• 排除"实习/实习生"类岗位，只推荐正式/校招岗位

Step 2：用户选择

等待用户回复编号或岗位名称。确认后：

1. 向用户确认搜索参数：岗位名称、城市（来自画像）、抓取数量（建议 50 条）
2. 将 keyword 和 city 写入 $DATA_DIR/.skill-state.json 的 job_search 字段

Step 3：BOSS 直聘抓取

前置检查

检测 Chrome 调试端口：

python -c "
import urllib.request, json
try:
    r = urllib.request.urlopen('http://127.0.0.1:9222/json/version', timeout=3)
    print('READY')
except: print('NOT_READY')
"

未就绪则自动启动 Chrome：

python -c "
import subprocess, os, time, urllib.request, json, sys
import platform
_chrome_paths = {
    'Windows': r'C:\Program Files\Google\Chrome\Application\chrome.exe',
    'Darwin': '/Applications/Google Chrome.app/Contents/MacOS/Google Chrome',
}
chrome = _chrome_paths.get(platform.system(), 'google-chrome')
profile = os.path.expanduser(r'~\.ai-job-hunter-chrome')
os.makedirs(profile, exist_ok=True)
subprocess.Popen([chrome,
    '--remote-debugging-port=9222',
    f'--user-data-dir={profile}',
    '--no-first-run', '--no-default-browser-check',
    '--new-window', 'https://www.zhipin.com'],
    stdout=subprocess.DEVNULL, stderr=subprocess.DEVNULL)
for i in range(20):
    time.sleep(1)
    try:
        urllib.request.urlopen('http://127.0.0.1:9222/json/version', timeout=2)
        print('READY')
        sys.exit(0)
    except: pass
print('TIMEOUT')
"

启动后立即停下来告知用户：

请在打开的 Chrome 窗口中登录 BOSS直聘（zhipin.com）。 登录后告诉我"已登录"，我再开始抓取。Claude 必须等待用户明确回复。

执行抓取

python "$SKILL_DIR/scripts/scraper/boss_scraper.py" \
  --keyword "{岗位名称}" \
  --city "{城市编码（全国 100010000，北京 101010100）}" \
  --max-items 50

城市编码参考 SKILL_DIR 下的 shared-references/city_codes.md（如果存在）或使用常用编码。

抓取结果

完成后告知用户抓取数量，更新 $DATA_DIR/.skill-state.json 的 job_search 字段。

Step 4：数据清洗

python "$SKILL_DIR/scripts/export/clean_and_export.py" \
  --output "$DATA_DIR/subjects/{keyword}/jobs_clean.xlsx"

更新 $DATA_DIR/.skill-state.json：job_search.status=done、clean_file=$DATA_DIR/subjects/{keyword}/jobs_clean.xlsx。

Step 5：下一步

告知用户下一步可以说"分析这些岗位"（→ job-analyze）。

/job-status — 学习进度陪跑

Step 0：上下文检查

DATA_DIR="${AI_JOB_HUNTER_DATA:-../ai-job-hunter-data}"
test -f "$DATA_DIR/.skill-state.json" && echo EXISTS || echo MISSING

• MISSING → 调用 Skill 执行 job-init

读取 $DATA_DIR/.skill-state.json 的 learning_plan 和 progress。

• learning_plan.plan_file 为空 → 调用 Skill 执行 job-analyze
• progress 为空 → 初始化进度

Step 1：接住上下文

用 2-4 句话体现连续记忆：

你现在是第 {current_phase} 阶段第 {current_week} 周第 {current_day} 天。 目标岗位：{target_role} 上次完成：{最后一个 completed_tasks 的 artifact} 卡点：{blocked_on}

Step 2：当天任务安排

最多 3 件任务，每件有明确的完成标准。

进度把控：

• behind → 压缩任务到最小可执行
• ahead → 增加扩展任务
• blocked → 诊断卡点类别（工具/选择/输入/质量/代码/动力），给最小修复动作

偏离检测： 如果用户在学无关内容 → 拉回到"先完成作品集"

Step 3：打卡处理

判断用户完成度，更新 $DATA_DIR/.skill-state.json：

• 追加 completed_tasks[]：{ day, task, artifact: "workspace/day-NN/xxx", at: now }
• 推进 current_day / current_week / current_phase
• 写 retro_log[]：{ event, summary, next_action }

产出落盘： 用户产出不停在聊天里，存到 workspace/day-NN/ 目录。

mkdir -p workspace/day-{current_week}-{current_day}

Step 4：卡住处理

Step 5：连续 3 天无交付

test -d workspace/day-{prev_week}-{prev_day} && echo HAS_OUTPUT || echo NO_OUTPUT

连续 3 天无产出 → 询问用户是否需要调整计划或暂停。

Step 6：触发反诈

如果用户提到"付费内推"、"包就业"、"培训贷"等 → 停止并警告。更新 retro_log[]。