asu-resume-audit-skill

ASU 简历真实性审计 Skill

把简历视为一组可以独立检验的主张。目标不是判断一个人“好”或“坏”，而是确定现有证据支持什么、直接反驳什么，以及哪些内容仍然无法核验。

必须交付的结果

除非用户明确缩小范围，否则生成以下内容：

1. report-data.json：标准化主张、来源、结论、包装模式、时间线和限制。
2. 自包含 report.html：不引用外部样式、脚本、字体或图片。
3. 与同一数据模型一致的 report.pdf。
4. 一段简短的对话总结：优先说明最强的支持证据、直接矛盾和未解决缺口。

完成 JSON 后，用 scripts/render_report.py 生成 HTML/PDF；交付前用 scripts/validate_report.py 校验。

证据与伤害边界

简历审计涉及可识别个人，错误结论可能造成真实的名誉伤害，因此始终遵守以下规则：

• 只使用公开且与任务直接相关的信息。不得搜集住址、电话、家庭成员、账号凭证、私人消息或无关个人信息。
• 截图、指控文章、匿名评论和候选人自有主页只能证明“有人这样说过”，不能自动成为独立证据。
• 使用 公开证据仅支持 contributor，尚未支持 core author 等精确表述，避免使用 骗子、害虫 或 欺诈者 等人格标签。
• 只有可靠证据与主张直接冲突时才标记 contradicted；否则使用 unsupported、partially_corroborated 或 unverifiable。
• 主动提 issue、贡献前端/文档、与维护者建立关系或因此获得正式社区身份，本身不是不当行为。要核验的是简历是否准确描述正式角色、技术深度和个人贡献。
• 不得用学校排名或“双非”身份推断诚信。“双非”是非正式标签，不是造假证据。应核验院校、项目、学籍与学位授予方。
• 性别、外貌、性格、税务或动机推断通常与简历真实性无关；除非权威证据证明其直接关联某条简历主张，否则排除。
• 对当事人有利的重要证据必须与不利证据同等展示。

给结论状态前先阅读 references/evidence-methodology.md。核验开源或教育主张前，阅读相应专项参考。

工作流程

1. 确定范围并保存来源集合

列出用户提供的全部材料：

• 简历 PDF 或截图；
• 文章和社交媒体帖子；
• 代码仓库及个人主页链接；
• 网页存档；
• 用户提供的就业、学校、奖项或付费社群背景。

条件允许时完整阅读链接和文档，以原始分辨率检查图片。页面被安全策略或登录限制阻挡时，说明限制；可使用用户提供的正文或其他公开来源，但不得绕过访问控制。

立即为每个来源分配编号（S-001、S-002……），并标记来源类型：

• official_record：官方记录；
• repository_record：代码仓库记录；
• candidate_self_statement：候选人自述；
• user_provided_document：用户提供材料；
• media_or_commentary：媒体或评论文章；
• anonymous_or_unverified：匿名或未经核验来源。

2. 把简历拆成原子主张

不要把整段经历作为一条主张。将角色、范围、结果和因果关系分开检验。

例如：

“作为核心作者主导项目从 1.0 到 2.0，性能提升 25%。”

应拆为：

1. 候选人正式或事实上属于核心作者。
2. 候选人领导了 1.0 到 2.0 的迁移。
3. 性能指标确实提升了 25%。
4. 该提升由候选人的工作造成或得到其实质贡献。

每条主张记录：

• 简历原文；
• 标准化主张；
• 主张类别；
• 时间范围；
• 组织或项目；
• 隐含角色与责任范围；
• 核验所需证据。

数据格式见 references/report-schema.md。

3. 先做确定性的内部一致性检查

联网研究前，先让简历与自身对账：

• 重算转化率、增长率和比例；
• 比较简历、主页、offer 和帖子中的日期；
• 标记重叠的全职或实习时间；
• 比较不同平台使用的角色级别；
• 找出没有明确比较范围的“最年轻、第一、核心”等最高级；
• 区分项目整体指标与个人影响指标；
• 检查是否在没有基线或对照组时宣称因果关系。

算术矛盾不依赖外部解释，通常可以给出高置信度。

当材料能够明确给出分子、分母和展示百分比时，在对应的结构化 Claim 中写入：

"metric": {
  "numerator": 200,
  "denominator": 2000,
  "displayed_percent": 10
}