Evaluation: Acme AI -- Senior AI Engineer

Date: 2026-04-01 Archetype: AI Platform / LLMOps Engineer Score: 4.2/5 URL: https://jobs.example.com/acme-ai-senior-engineer PDF: output/cv-candidate-acme-ai-2026-04-01.pdf

各字段含义：

| 字段 | 语义 | 下游消费者 |
|---|---|---|
| `Date` | 评估日期（YYYY-MM-DD） | 报告文件名 `reports/{###}-{company-slug}-{YYYY-MM-DD}.md` |
| `Archetype` | Step 0 原型检测（archetype detection）的结论 | 决定 B 区块的证据优先级、E 区块的改写方向、F 区块的 STAR 故事选择 |
| `Score` | 1-5 全局分（`X.X/5` 格式） | 4.5+ 立即投递、4.0-4.4 值得投递、3.5-3.9 视情况、低于 3.5 建议放弃（见 [modes/_shared.md](https://gitcode.com/GitHub_Trending/ca/career-ops/blob/afc5275d10ca22749d3d7528167961bb97d95939/modes/_shared.md?utm_source=gitcode_repo_files) Scoring System） |
| `URL` | 职位链接 | 溯源、去重（`data/scan-history.tsv` 重发检测） |
| `PDF` | 定制 CV 的 PDF 路径 | [batch/batch-prompt.md](https://gitcode.com/GitHub_Trending/ca/career-ops/blob/afc5275d10ca22749d3d7528167961bb97d95939/batch/batch-prompt.md?utm_source=gitcode_repo_files) 中的 PDF 门限逻辑：分数达到 `auto_pdf_score_threshold`（默认 3.0）才生成 |

报告头部在 [modes/oferta.md](https://gitcode.com/GitHub_Trending/ca/career-ops/blob/afc5275d10ca22749d3d7528167961bb97d95939/modes/oferta.md?utm_source=gitcode_repo_files) 的 "Post-evaluation" 一节有完整规范，新版还包含 `**Via:**`（中介渠道）、`**Legitimacy:**`（三档真实性判定）、`**Work Auth:**`（工作许可四态）等字段，且紧跟一个 `## Machine Summary` YAML fence 供下游脚本直接解析而不必读散文——字段 schema 以 [batch/batch-prompt.md](https://gitcode.com/GitHub_Trending/ca/career-ops/blob/afc5275d10ca22749d3d7528167961bb97d95939/batch/batch-prompt.md?utm_source=gitcode_repo_files) 为唯一权威来源（source of truth）。

## 3. Block A — Role Summary：职位画像表

样本中的 A 区块是一张 7 行画像表：

| Field | Value |
|-------|-------|
| **Archetype** | AI Platform / LLMOps Engineer |
| **Domain** | Platform / Infrastructure |
| **Function** | Build |
| **Seniority** | Senior (IC4-IC5) |
| **Remote** | Full remote (US timezone overlap) |
| **Team size** | ~8 engineers |
| **TL;DR** | Senior AI eng to build and scale LLM infrastructure for enterprise customers |

这七个维度就是职位的"分类学坐标"：原型（archetype）、领域、职能类型、资历级别、远程模式、团队规模、一句话摘要。Archetype 的取值不是自由文本，而是来自 [modes/_shared.md](https://gitcode.com/GitHub_Trending/ca/career-ops/blob/afc5275d10ca22749d3d7528167961bb97d95939/modes/_shared.md?utm_source=gitcode_repo_files) "Archetype Detection" 的六分类表（混合时取最接近的两个）：

| Archetype | JD 中的关键信号 |
|-----------|-----------------|
| AI Platform / LLMOps | "observability"、"evals"、"pipelines"、"monitoring"、"reliability" |
| Agentic / Automation | "agent"、"HITL"、"orchestration"、"workflow"、"multi-agent" |
| Technical AI PM | "PRD"、"roadmap"、"discovery"、"stakeholder"、"product manager" |
| AI Solutions Architect | "architecture"、"enterprise"、"integration"、"design"、"systems" |
| AI Forward Deployed | "client-facing"、"deploy"、"prototype"、"fast delivery"、"field" |
| AI Transformation | "change management"、"adoption"、"enablement"、"transformation" |

Acme 这条 JD 命中 "evaluation / observability / pipelines / monitoring" 信号，因此被归为 **AI Platform / LLMOps Engineer**。样本中的 TL;DR 一栏正是 [batch/batch-prompt.md](https://gitcode.com/GitHub_Trending/ca/career-ops/blob/afc5275d10ca22749d3d7528167961bb97d95939/batch/batch-prompt.md?utm_source=gitcode_repo_files) Step 0 中 "buyer intent" 的体现——"Someone who can run AI systems in production with metrics"。

在完整规格 [modes/oferta.md](https://gitcode.com/GitHub_Trending/ca/career-ops/blob/afc5275d10ca22749d3d7528167961bb97d95939/modes/oferta.md?utm_source=gitcode_repo_files) 中，Block A 还额外要求两个检查项：**Culture screen**（文化筛查，pass / caution / fail，必须写明证据）和 **Work-authorization check**（将候选人的 `config/profile.yml` → `location.authorized_in` 与 JD 的担保声明比对，分为 Sponsors / Not needed / Unstated / No sponsorship 四档；其中 ⛔ No sponsorship 是唯一会压低 location 分并记入 `hard_stops` 的硬阻断）。此外还有一个 **Geo-mismatch check**：职位页面的结构化 location 字段与 JD 正文的到岗要求矛盾时（例如字段写 remote 但正文要求 "hybrid, 3 days in office"），必须在 Block B 顶部追加一条引用 JD 原文的警告行。这些是 sample-report.md 时代规范之上的增量，体现了该格式向后兼容地演进。

## 4. Block B — CV Match：需求→证据映射表 + Gaps

B 区块是整份报告的核心：**JD 需求与候选人简历证据的一行一对应映射**。样本内容：

| JD Requirement | CV Match | Source |
|----------------|----------|--------|
| "Production LLM systems" | Built real-time fraud detection + LLM eval toolkit | cv.md: TechFin Corp |
| "Model monitoring and observability" | Drift detection, Grafana dashboards, retraining triggers | cv.md: ML Platform Lead |
| "Python + distributed systems" | Python, Kafka, Kubernetes, Redis | cv.md: Skills |
| "CI/CD for ML" | Reduced deploy from 2 weeks to 4 hours | cv.md: TechFin Corp |

三列的分工非常明确：**Requirement** 引 JD 原文措辞；**CV Match** 写具体证据而非形容词；**Source** 精确到 `cv.md` 中的段落（如 "TechFin Corp"、"ML Platform Lead"、"Skills"），保证每条断言可回溯。这正是 [modes/_shared.md](https://gitcode.com/GitHub_Trending/ca/career-ops/blob/afc5275d10ca22749d3d7528167961bb97d95939/modes/_shared.md?utm_source=gitcode_repo_files) Global Rules 中 "Cite exact lines from CV when matching" 的执行形态，也是 [batch/batch-prompt.md](https://gitcode.com/GitHub_Trending/ca/career-ops/blob/afc5275d10ca22749d3d7528167961bb97d95939/batch/batch-prompt.md?utm_source=gitcode_repo_files) 中 "Never emit a second matrix re-enumerating the same requirements — Block B *is* the requirement→evidence mapping" 规则的原因：第二张同义矩阵迟早与第一张失步，而失步就是自相矛盾的产物。

样本中的 **Gaps** 小节把未匹配项按严重度与缓解策略组织：

| Gap | Severity | Mitigation |
|-----|----------|------------|
| "LLM-specific experience" | Medium | LLM Eval Toolkit is direct proof. Frame fraud detection as "production ML → production LLM" progression |
| "Prompt engineering" | Low | Mention eval toolkit's prompt testing capabilities |

当前 [modes/oferta.md](https://gitcode.com/GitHub_Trending/ca/career-ops/blob/afc5275d10ca22749d3d7528167961bb97d95939/modes/oferta.md?utm_source=gitcode_repo_files) 的 B 区块规格把这张表升级为五列（`Requirement | Importance | Match | JD signal | Evidence / gap`），并引入三条关键机制，值得在读懂样本后了解：

1. **Two-pass rule（两遍生成）**：Pass 1 只读 JD，在**读 `cv.md` 之前**确定每条需求的 Importance；Pass 2 才读候选证据文件填 Match。Importance 衡量的是"该需求在这条发布中的权重"，绝不能被"我正好会这个"锚定——生成顺序本身就是防偏差机制。
2. **Importance 五档 + 证据三层**：档为 `critical / high / meaningful / preferred / low_signal`（枚举而非 0-100 自由数值，因为证据支撑不了 101 个可区分等级）；层为 `stated`（JD 明文 must-have，必须附逐字引用）、`structural`（从 JD 结构判断，如所在小节、重复出现）、`inferred`（市场经验推断）。**闸门规则**：`inferred` 行永远不能是 `critical`/`high`，也不能贡献 `hard_stops`——因为高估缺失项的代价是"白丢一次本该投的申请"，而低估的代价只是"面试准备稍差"，代价不对称。
3. **行预算与排序**：至多 12 行；保留全部 `critical`/`high` 行优先于行预算；排序按重要性降序，同档内**未满足项排在满足项之前**。

Match 的取值是 ✅ Strong / ⚠️ Partial / ❌ Missing / ➖ N/A；且 `critical`/`high` 档的缺失行**必须**在 Gaps 中给出具体面试风险描述 + 缓解策略。样本中 "LLM-specific experience / Medium" 一条正是该模式的前身。

## 5. Block C — Level and Strategy：定级与定位策略

样本内容：

> **Detected level:** Senior (IC4)
> **Candidate's natural level:** Senior-Staff boundary
>
> **"Sell senior" plan:** Lead with platform ownership at TechFin ("led 3-person team, built MLOps for 4 teams"). Frame as ready for Staff scope.

C 区块回答两个问题：这条 JD 要的是什么级别？候选人的自然级别与之差多少？[modes/oferta.md](https://gitcode.com/GitHub_Trending/ca/career-ops/blob/afc5275d10ca22749d3d7528167961bb97d95939/modes/oferta.md?utm_source=gitcode_repo_files) 规格要求三点：① JD 检测级别 vs 候选人对该原型的自然级别；② **"Sell senior without lying"（不撒谎地卖资历）**——按原型给出具体话术，样本中"led 3-person team, built MLOps for 4 teams"就是可直接复用的措辞，把平台所有权经历框定为 Staff 级scope 的准备度；③ **"If they downlevel me"（被降级录用怎么办）**——可接受的话以薪酬公平为前提，争取 6 个月复评与明确晋升标准。

## 6. Block D — Comp and Demand：薪酬与市场信号

样本中的 D 区块是一张带来源的三行数据表：

| Data Point | Value | Source |
|------------|-------|--------|
| Base salary range | $180-220K | Levels.fyi, similar AI infra roles |
| Total comp (with equity) | $250-320K | Glassdoor estimates |
| Demand trend | High -- LLM infra is top-5 most in-demand | LinkedIn job trends |

注意两件事：每一行都带 **Source**（薪酬数据必须可溯源）；"Demand trend" 一行把**市场热度**并入薪酬区块，使 D 成为"值不值得投"的经济学证据。这与受限研究预算（Bounded Research Budget）配套——[modes/oferta.md](https://gitcode.com/GitHub_Trending/ca/career-ops/blob/afc5275d10ca22749d3d7528167961bb97d95939/modes/oferta.md?utm_source=gitcode_repo_files) 规定 D 与 G 区块合计最多 5 次 WebSearch 查询，"This mode is an evaluation workflow, not deep company research"，深度公司研究应另跑 `/career-ops deep`。

在现行规格中，D 区块还强制先做**公司类型分类**（[modes/_shared.md](https://gitcode.com/GitHub_Trending/ca/career-ops/blob/afc5275d10ca22749d3d7528167961bb97d95939/modes/_shared.md?utm_source=gitcode_repo_files) "Company Type and Compensation Reliability"）：从 Public big tech（薪酬可信度高到中）到 Local SMB（低）共 10 类，因为公开薪酬数字的可信度因公司类型而异；再判定**薪酬可靠性档位**（High/Medium/Low/Unknown）：出现 "comprehensive salary"、"up to"、"OTE"、"uncapped" 等措辞时降为低可靠；JD 未报薪时该区块收敛为两行（公司类型 + 可靠性档位），且薪酬数字必须逐字进 Machine Summary 的 `advertised_comp` 字段，供 [salary-gap.mjs](https://gitcode.com/GitHub_Trending/ca/career-ops/blob/afc5275d10ca22749d3d7528167961bb97d95939/salary-gap.mjs?utm_source=gitcode_repo_files) 消费。薪酬维度的打分锚点是：5 = 前四分位，4 = 高于市场，3 = 市场中位，2 = 略低，1 = 明显低于市场。

## 7. Block E — Personalization Plan：简历改写清单

样本内容：

| # | Section | Current | Proposed Change | Why |
|---|---------|---------|-----------------|-----|
| 1 | Summary | "Full-stack AI engineer" | "AI platform engineer focused on LLM infrastructure and observability" | Match JD language |
| 2 | TechFin bullets | Generic ML platform | Add "LLM serving" context | JD specifically mentions LLMs |
| 3 | Projects | Both listed equally | Lead with LLM Eval Toolkit | Direct LLM experience proof |

E 区块是一张**可执行差异表**：定位简历中哪个段落（Section）、现状（Current）、改成什么（Proposed Change）、为什么改（Why）。规格要求覆盖 Top 5 CV 改动 + Top 5 LinkedIn 呈现改动。表中的 Why 列都是"对齐 JD 语言"（Match JD language / JD specifically mentions LLMs / Direct LLM experience proof）——定制的本质是**用 JD 的词汇重述既有的真实经历**，而非虚构技能；这也是 [batch/batch-prompt.md](https://gitcode.com/GitHub_Trending/ca/career-ops/blob/afc5275d10ca22749d3d7528167961bb97d95939/batch/batch-prompt.md?utm_source=gitcode_repo_files) 中 PDF 生成规则 "Inject keywords ethically into existing achievements; never invent skills or metrics" 的上游依据。

## 8. Block F — Interview Plan：STAR 故事矩阵

样本内容：

| # | JD Requirement | STAR Story | S | T | A | R |
|---|---------------|------------|---|---|---|---|
| 1 | Production LLM systems | FraudShield scaling | 10K TPS requirement | Built streaming pipeline | Kafka + ensemble + feature store | 99.7% precision, $2M saved |
| 2 | Team leadership | ML Platform team | 4 teams needed MLOps | Led 3-eng team, built platform | Registry + A/B + feature store | Deploy time 2 weeks → 4 hours |

> **Recommended case study:** LLM Eval Toolkit -- shows LLM-specific expertise + open source impact

F 区块把 JD 需求逐条映射到 STAR（Situation / Task / Action / Result）结构的故事上，并给出 1 个推荐案例研究。现行规格（[modes/oferta.md](https://gitcode.com/GitHub_Trending/ca/career-ops/blob/afc5275d10ca22749d3d7528167961bb97d95939/modes/oferta.md?utm_source=gitcode_repo_files) 与 [batch/batch-prompt.md](https://gitcode.com/GitHub_Trending/ca/career-ops/blob/afc5275d10ca22749d3d7528167961bb97d95939/batch/batch-prompt.md?utm_source=gitcode_repo_files)）要求 6-10 个 **STAR+R**（多一列 Reflection，"junior candidates describe what happened, senior candidates extract lessons"），故事按原型选帧（LLMOps 强调 metrics/evals/production hardening，Agentic 强调 orchestration/HITL），并同步写入 `interview-prep/story-bank.md` 形成可复用的故事库，外加红旗问题预案。

## 9. 尾部 Keywords Extracted：ATS 关键词池

样本最后一节是从 JD 提取的关键词列表：

> LLM infrastructure, model serving, observability, ML platform, distributed systems, Python, Kubernetes, model monitoring, CI/CD, prompt engineering, evaluation, production ML, enterprise AI, scalability, reliability

规格要求 15-20 个 JD 关键词（[modes/oferta.md](https://gitcode.com/GitHub_Trending/ca/career-ops/blob/afc5275d10ca22749d3d7528167961bb97d95939/modes/oferta.md?utm_source=gitcode_repo_files) 记作 "Keywords extracted"，batch 模式记作 "Extracted keywords"）。其用途是双重的：ATS 匹配的词表，以及 CV 定制时"ethically inject"（注入现有成就措辞）的素材。PDF 生成的设计约束（单栏、标准节标题、UTF-8 可选文本、关键词自然分布于 summary/experience/skills/projects）见 [batch/batch-prompt.md](https://gitcode.com/GitHub_Trending/ca/career-ops/blob/afc5275d10ca22749d3d7528167961bb97d95939/batch/batch-prompt.md?utm_source=gitcode_repo_files) Step 4。

## 10. 报告的下游消费：编号、归档、tracker 与前端渲染

**编号与命名。** 报告落盘为 `reports/{###}-{company-slug}-{YYYY-MM-DD}.md`，三位序号必须通过 `node reserve-report-num.mjs` 原子申领（stdout 返回 `{###}`），写完后用 `node reserve-report-num.mjs --release {###}` 释放哨兵，防止并发竞争（对应测试 [tests/reserve-report-num.test.mjs](https://gitcode.com/GitHub_Trending/ca/career-ops/blob/afc5275d10ca22749d3d7528167961bb97d95939/tests/reserve-report-num.test.mjs?utm_source=gitcode_repo_files)）。中介职位雇主未知时用 `confidential-{agency-slug}` 命名且**永不**重命名，只改标题与 YAML 头。

**Machine Summary 与 JD 归档。** 完整规格中报告紧跟头部携带 `## Machine Summary` YAML fence（`company`、`role`、`score`、`legitimacy_tier`、`final_decision`、`hard_stops`、`advertised_comp`、`requirement_importance`、`risk_summary` 等键，规则见 [batch/batch-prompt.md](https://gitcode.com/GitHub_Trending/ca/career-ops/blob/afc5275d10ca22749d3d7528167961bb97d95939/batch/batch-prompt.md?utm_source=gitcode_repo_files)），并强制附 `## Job Description (archived verbatim)` 原文归档段——长 JD 可用 `archive-posting.mjs --report={num}` 外置，由 `check-jd-archive.mjs` 校验，且该校验被 `test-all.mjs` 纳入回归（[tests/check-jd-archive…](https://gitcode.com/GitHub_Trending/ca/career-ops/blob/afc5275d10ca22749d3d7528167961bb97d95939/tests/jd-capture.test.mjs?utm_source=gitcode_repo_files) 相关）。[test-fixtures/upgrade/state-v1.18/reports/001-acme-2026-06-20.md](https://gitcode.com/GitHub_Trending/ca/career-ops/blob/afc5275d10ca22749d3d7528167961bb97d95939/test-fixtures/upgrade/state-v1.18/reports/001-acme-2026-06-20.md?utm_source=gitcode_repo_files) 展示了新版头部的最小形态：

```markdown
**Score:** 4.2/5
**Legitimacy:** High Confidence