技能介绍

它解决什么问题

AI 高端岗位的 JD 写得像招聘广告，但真正的门槛藏在字里行间。用人方想要的是能落地大模型预研、带过量产项目、还能撬动稀缺资源的人，JD 却只写了“熟悉 PyTorch、五年以上经验”。猎头按字面条件筛简历，要么错过隐性要求极高的核心人才，要么把加分项当成硬门槛，把真正合适的人挡在门外。本技能把 JD 当作人才采购规格书来拆：先拆透白纸黑字的显性条件，再挖出 JD 不会写、但决定录用与留存的隐性诉求，最终产出可直接用于寻访的高精尖人才画像。

核心能力与工作方式

四步标准化拆解：显性硬性条件 → 隐性软性诉求 → 必须项/加分项分级 → 人才画像输出。每一步必须同时给出【专业话术】和【大白话】两个版本，前者用于客户沟通，后者用于内部理解和新人培训。
赛道识别与知识库加载：判断 JD 属于大模型算法、多模态AIGC、具身智能机器人、AI技术管理、AI产品五大赛道之一，从 references/ai-talent-knowledge-base.md 加载对应的学历梯队、技术栈速查与薪酬区间参考。
逐条分级，不套模板：必须项与加分项必须基于当前 JD 原文逐条判断，避免把加分项误当刚需，或放宽核心条件导致人才错配。
双格式报告：默认输出 Markdown；用户明确要求时用 assets/report-template.html 渲染支持深浅主题的 HTML，双栏对比专业话术与大白话。
岗位战略价值定位：标注科研攻坚岗、工程落地岗或战略核心岗，帮助理解岗位在企业中的定位与适配场景。

适用边界

只处理已有 JD 的正向拆解，不评估候选人简历、不做 JD 入库与匹配，也不从候选人反推 JD。这些环节分别交给 robot-talent-grader 与 ACE_AIJobMatch。
拆解结果依赖赛道分类的准确性，分类错误会导致技术栈和薪酬参考全部偏移。
薪资部分必须拆解底薪/绩效/期权/奖金结构，不能只给一个总数。
每份报告必须附带避雷标签，这是硬性要求。