/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。