STEP 01 / INPUT
保留原貌，再开始判断。
仓库、笔记、PDF、JD 与项目 Prompt 先作为来源被读取；原文和后续分析不会混写。
- 记录来源路径或 URL
- 保存抓取日期与原始状态
- 不从文件存在推断作者或贡献
SOURCE-FIRST · CODEX SKILL
让每个 claim 回到来源。
把仓库、笔记、PDF、职位描述与项目 Prompt 整理成事实层，再派生简历、投递材料、面试包与学术文书。
记录 / 0042
可追溯
- 来源
- projects/agent-system.md
- 范围
- 独立实现 · 已核验
- 状态
- 事实层
- 下游
- CV · JD map · interview
派生 CLAIM
每个动词、数字和贡献边界都能被追问。
事实不是文案。
状态不是猜测。
自动检查不是证明。
01 / 可交互证据链
材料只向一个方向流动。
事实先进入 canonical source；目标材料从证据映射中派生。点击任一步，查看它负责什么。
→
→
→
→
02 / 五条工作流
一个证据层，五种去向。
不同任务共享事实，但不会共享未经核验的措辞。
证据归档
把材料整理成经历、项目和论文条目，明确 provenance、时间、结果、贡献边界与未知项。
- experiences/
- projects/
- publications/
岗位与投递
保留 JD 原文，分开分析 must-have、preferred、约束、证据映射和 gap；用事件记录状态。
- jobs/saved/
- jobs/companies/
- jobs/applications.md
简历与 CV
按实际读者路径选择和组织信号；让每条 bullet 都能经得起所有权、方法、结果和协作追问。
- CV_ENTRY_BANK.md
- CV_ENTRY_AUDIT.md
- TeX / PDF
面试准备
从通用故事库派生岗位 mock、证据锚点与真正想问的问题；不制造公司事实。
- interview.md
- mock.md
- my-q.md
学术申请
先保存项目官方 Prompt、限制与截止时间，再建立 prompt-to-evidence map，最后写目标文书。
- SOP
- Personal Statement
- Research Statement
03 / 多读者简历
一页简历，不止一个判断者。
Archive & Apply 不假设统一的招聘漏斗。它从岗位、地区与职位层级推断谁会读、他们在判断什么，再安排信息密度。
- 01ATS / Parser
结构能否恢复，关键词是否有事实支撑。
- 02招聘 / HR
问题、范围、职责与相关性是否清楚。
- 03Hiring manager / Team lead
能否从证据预测岗位表现与判断力。
- 04技术评审
方法、约束、取舍与验证是否值得追问。
- 05潜在同事
个人贡献、协作接口与质量实践是否可见。
04 / 验证工具
编译成功，只是检查的开始。
仓库内的 Python 工具覆盖依赖诊断、TeX 编译和 PDF 版式检查；安装动作保持确认门。
setup_tex_dependencies.py
检测 XeLaTeX、PDF 工具与 Python 依赖；可运行中英文 smoke。默认不安装。
detect_tex_dependencies.py
递归读取 TeX include 与 package，并核对本地工具。
check_tex_pages.py
编译 TeX，检查页数、断页、边界、字体与链接，并渲染所有页面。
check_resume_layout.py
对现有 PDF 做页底填充、四边安全区、文本提取、字体与页面渲染检查。
页数断页边界字体链接提取逐页视觉
05 / 从这里开始
先调用 Skill。材料无需预先整理。
请求明确时直接进入对应流程；请求只有“开始”时，Skill 会先只读检查工作区，再指出一个最有价值的里程碑。
$archive-and-apply