Getting it into your agent
One page per mod, every tool's command on it. A separate URL per tool would split the same page into five that compete with each other.
npx skills add useful-skills/job-application-skills --skill company-diligencegit clone --depth 1 https://github.com/useful-skills/job-application-skillsWrote this? Show the measurements
A badge with what this costs and how it scanned, read live from this page, so it follows the numbers instead of freezing them. Markdown for a README, HTML for a documentation site or a project page.
[](https://agentmods.dev/skills/useful-skills/job-application-skills/company-diligence)<a href="https://agentmods.dev/skills/useful-skills/job-application-skills/company-diligence"><img src="https://agentmods.dev/badge/skills/useful-skills/job-application-skills/company-diligence/github.svg" alt="Measured on agentmods" height="20"></a>Or the 80×15 button, for a site that already has a row of RSS and ATOM ones. Only the verdict fits; the numbers stay here.
<a href="https://agentmods.dev/skills/useful-skills/job-application-skills/company-diligence"><img src="https://agentmods.dev/badge/skills/useful-skills/job-application-skills/company-diligence.svg" alt="Reviewed on agentmods" width="80" height="20"></a>- NVIDIA SkillSpector pass
What it costs to keep this loaded
Counted locally with the o200k_base tokenizer, which is exact for GPT models; Claude uses its own tokenizer and its counts differ. Treat this as one consistent yardstick across the catalogue rather than a bill. Prices are per million input tokens.
| Model | Per session | Once invoked |
|---|---|---|
| Fable 5.1 | $0.00199 | $0.09971 |
| Opus 5 | $0.00100 | $0.04986 |
| Sonnet 5 | $0.00040 | $0.01994 |
| Haiku 4.5 | $0.00020 | $0.00997 |
Grade A, and why
company-diligence scanned grade A with 0 findings against 26 rules in 11 categories — prompt injection, anti-refusal, data exfiltration, privilege escalation, supply chain, agent snooping, system-prompt leakage, SSRF and excessive agency — measured 12d ago.
A static scan of the body, not an audit. Every finding is printed with the line that produced it so you can judge whether it matters here. A mod is markdown that instructs an agent; that is exactly why what it instructs is worth reading.
Nothing flagged
None of the 26 patterns this scan looks for appear in this file: no shell pipes, no recursive deletes, no credential paths, no hidden text, no instruction-override or anti-refusal phrasing, no agent-config snooping. That is not a guarantee, it is the absence of the things that are checkable.
How it starts
The opening of the file, as written. The whole thing — 592 lines — stays where its author put it; the contents beside it link to each section on GitHub.
Company Diligence
지원자가 "이 회사에 입사해도 안전한가"를 판단하도록 돕는 기업 실사 스킬.
이 스킬의 존재 이유는 단순한 회사 소개가 아니다. 대기업 채용문이 좁아지면서 스타트업·중소기업 지원이 늘었는데, 이 회사들은 월급이 밀리거나 갑자기 문을 닫을 수 있다는 실질적 리스크가 있다. 그 리스크를 공개 데이터로 최대한 검증하는 것이 목표다.
핵심 설계 원칙
원칙 1. 공식정보와 비공식정보를 절대 섞지 않는다
| 구분 | 출처 | 신뢰도 특성 |
|---|---|---|
| 공식정보 | 회사 홈페이지, 채용공고, IR 자료, 공시(DART), 회사 기술블로그, 회사 공식 SNS | 사실 관계는 정확하나 회사가 보여주고 싶은 것만 보여준다 |
| 비공식정보 | 뉴스 기사, 잡플래닛·블라인드·커뮤니티 후기, 전현직자 인터뷰, 링크드인 재직자 이동 패턴 | 편향·표본 문제가 있으나 공식정보가 감추는 이면을 드러낸다 |
| 공공데이터 | 국세청 사업자상태, 국민연금 사업장 내역, DART 공시, 고용노동부 임금체불 명단 | 가장 객관적. 다만 커버리지가 제한적 |
리포트에서 세 트랙은 반드시 섹션을 나눠 표기한다. 비공식정보를 공식정보처럼 단정적으로 서술하지 않는다. 표현 규칙: 공식은 "~이다", 비공식은 "~라는 언급이 있다 (출처: N건)".
원칙 2. 공식정보를 기반으로 하되, 이면을 반드시 파고든다
회사는 자신의 긍정적인 면만 어필한다. 따라서 공식정보에서 발견한 각 주장에 대해 "이 주장이 사실이라면 어떤 흔적이 남아야 하는가"를 역으로 검증한다.
| 회사의 주장 | 검증해야 할 이면 |
|---|---|
| "빠르게 성장 중" | 채용 규모 추이, 투자 유치 이후 경과 기간, 매출 실체(공시 있으면) |
| "수평적 문화" | 재직 기간 중앙값, 경력직 이탈 패턴, 리뷰의 반복 키워드 |
| "글로벌 진출" | 실제 해외 법인·해외 매출 비중, 아니면 단순 계획인지 |
| "업계 1위" | 무엇 기준 1위인지, 시장 정의를 좁혀서 만든 문구인지 |
| "복지 좋음" | 리뷰에서 복지 항목 평점, 실제 사용률 언급 |
원칙 3. 모르면 모른다고 쓴다
데이터가 없는 항목은 추정하지 않는다. "확인 불가"는 유효한 결과이며, 리포트에 명시적으로 남긴다. 특히 비상장 스타트업은 재무 데이터가 공개되지 않는 것이 정상이므로, 이 경우 "재무 검증 불가, 대체 신호로 판단"이라고 밝힌다.
원칙 4. 사실과 추측을 구분하되, 그 구분을 기호로 하지 않는다
리포트에 넣는 모든 주장은 작성 시점에 references/evidence-grades.md의 5종
([확정] / [계산] / [추정] / [전언] / [미확인]) 중 하나로 분류되어야 한다.
분류되지 않는 주장은 근거가 불분명하다는 뜻이므로 넣지 않는다.
단, 이 라벨을 리포트에 찍지 않는다. 내부 작성 규율이다. 사용자는 취업준비생이고, 리포트를 읽으려고 등급 체계를 먼저 배워야 한다면 이해를 돕겠다는 장치가 오히려 관문이 된다. 구분은 서술 방식으로 드러낸다. 확정은 단정형, 추정은 "~로 보입니다", 전언은 출처 건수와 미확인 사실을 문장에 담는다.
[계산] 값은 결과 숫자만 던지지 않고 바탕이 된 실제 숫자를 함께 쓴다.
"이직률 33%"가 아니라 "직원 24명 중 1년에 8명이 나갔습니다"로 쓴다.
비율보다 사람 수가 먼저 이해되고, 숫자가 보여야 사용자가 검증·반박할 수 있다.
산술은 리포트 작성 중에 하지 않는다. 지표는 전부
scripts/lookup_workplace.py가 계산해서 출력하며, 리포트는 그 출력을 인용만 한다.
LLM이 매번 산수를 다시 하면 같은 회사를 두 번 조회했을 때 값이 흔들리고,
VERSIONING.md가 선언한 "출력 스키마는 사실상의 계약"이 성립하지 않는다.
원칙 5. 전문용어를 쓰지 않는다
사용자가 회계나 공시를 배운 적이 없다고 가정한다. 판정 로직에는 전문용어를 그대로 쓰되, 사용자에게 나가는 문장에서는 전부 풀어쓴다. 용어를 쓰고 괄호로 설명하는 방식도 금지한다. 아예 쓰지 않는다.
What ships with it
8 files beside SKILL.md in the same directory: the scripts, references and assets a skill reads on demand. Not counted in the per-session cost; read them before you install if any of them is executable.
- references/disambiguation.md 5.4 KB
- references/evidence-grades.md 6.0 KB
- references/plain-language.md 7.6 KB
- references/public-data-sources.md 19 KB
- references/risk-signals.md 11 KB
- scripts/check_business_status.py 4.8 KB runs code
- scripts/dart_lookup.py 16 KB runs code
- scripts/lookup_workplace.py 23 KB runs code
What this file has done since we first saw it
Hashed on every crawl. A supply-chain change to an agent config is a question of when, not whether, so the history is kept rather than the latest state alone.
- 12d ago First seen · 592 lines · 199 tokens per session scan A 3c55b2763d0d
company-diligence is a skill published in the GitHub repository useful-skills/job-application-skills (16 stars, last pushed 24d ago), licensed MIT. It adds 199 tokens to every session and 9,971 once invoked, about $0.0010 per session on Opus 5. A static security scan graded it A with 0 findings. No closer match exists in the catalogue, so it is treated as the original; first seen 2026-08-30.
Other skills, from other repositories
ai-dev-jobs-mcp
Search 8,400+ AI and ML jobs across 489 companies, inspect listings and employers, match roles, and view salary and market stats via AI Dev Jobs MCP.
company
A single-company research interface for South Korean DART filings and United States EDGAR filings. It provides one object through which users can request company records, analysis, credit, prices, quantitative data, market context, industry information, and reports.
credit
A credit-risk analysis engine for one non-financial company. It assesses repayment, capital structure, liquidity, cash flow, business stability, financial reliability, and disclosure risk, then produces a dCR rating from dCR-AA+ to dCR-D.
dataHub
A central catalogue and query layer for source data, cleaned data, cross-company data, and analysis products. It lets other programs discover and request these assets through a shared contract.
gather
An engine for collecting outside data used in financial analysis, such as prices, news, dividends, ownership, sector information, and economic indicators. It can gather data for Korean and US stocks and create snapshots of the source data.
panel
A data tool that turns government financial disclosures into a wide table, with financial items as rows and reporting periods as columns. DART is South Korea’s public company filing system, and XBRL is a standard format for labeling financial data.