蚂蚁工资条薪酬对标查询

解决什么问题

薪酬对标的难点通常不在于缺数据，而在于数据来源太散、口径不一致。招聘平台上的报价是给候选人看的，政府公开数据按年度或季度发布，行业报告又混入了各种统计口径。如果让 LLM 直接去读网页并自己算分位数，很容易出现两个问题：一是幻觉，二是算错。

这个技能要解决的，就是从“找到数据”到“算出可信结论”之间的断层。

核心能力与工作方式

v3.0 采用了全链路流水线：智能数据提取 → 管道化引擎计算 → 自动可视化 → LLM 增强报告。所有数学计算都交给 Python 引擎，LLM 只负责搜索和结构化，不做算术。

关键步骤：

• 多源并行搜索：分 3 轮执行，优先招聘平台与政府公开数据，不足时触发回退策略。
• 智能数据提取：使用 data-llm-template.md 中的标准化流程，逐条标注 relevance、city_match、freshness 等字段，并做质量检查。
• 管道化引擎计算：通过 echo '{...}' | python engine.py 直接传入 JSON，零文件依赖。引擎自动做线性插值分位计算、13×13 行业相似度加权、异常检测（outlier、stale、low_sample、source_bias）。
• 自动输出：生成 P10–P90 分位值表、ASCII 区间图、多维度对比柱状图，并给出置信度与行业多样性评分。

适用边界与注意点

• 数据可靠性：至少需要 2 个不同来源才能出结果。置信度低于 45 或行业多样性得分低于 0.5 时，报告会显著标注“仅供参考”。
• 口径要明确：销售岗必须区分“底薪”还是“综合月薪”，报告开头需说明。
• 不保存数据：技能不保存用户内部薪酬数据，所有计算可追溯。
• 诚实告知：如果找不到足够可靠的数据，引擎会如实标记异常，而不是编造结论。

这个技能适合需要做年度调薪、Offer 定级、薪酬体系诊断的技术团队，不适合替代专业的薪酬咨询或法律建议。