Career

核心用法

Career 是一个自适应型职业指导技能，采用"发现-模式识别-确认-应用"的闭环机制。它会从用户的每次提问中自动提取职业相关信息（当前处境、时间压力、约束条件等），积累足够信号后主动请求确认，最终构建完整的个人职业画像。

指导框架遵循六步决策链：情境 → 选项 → 匹配 → 权衡 → 路径 → 行动。区别于泛泛建议，它强制要求映射现实可行的选项、对照用户画像评估匹配度、显性化每条路径的成本与可逆性，并以具体可执行的下一步收尾。

显著优点

• 零启动成本：无需前置填写长问卷，从第一句话即开始画像构建
• 决策结构化：将模糊焦虑转化为可分析的选项空间，打破"要么忍受要么裸辞"的虚假二分
• 反陷阱机制：内置 6 种常见认知偏误识别（沉没成本、声望陷阱、草更绿谬误等）
• 渐进确认：敏感信息（价值观、约束条件）需用户明确同意后才归档，兼顾个性化与隐私控制
• 动态演化：画像持续更新，支持长期职业关系而非一次性建议

潜在局限

• 依赖用户坦诚度：隐瞒真实约束（如签证问题、家庭经济压力）会导致建议失准
• 领域知识边界：对高度专业化行业（如学术晋升路径、特定国家公务员体系）的深度细节可能不足
• 时效性风险：市场窗口、政策变化等外部因素需用户主动补充
• 行动执行力：提供"本周做X"的清晰指令，但不跟进执行，对拖延型用户效果受限

适合人群

• 处于职业转折点（跳槽、转行、晋升、重返职场）的犹豫期人群
• 厌恶标准化职业测评、偏好对话式探索的用户
• 需要结构化梳理选项、而非情感支持的理性决策者

常规风险

• 过度推断风险：系统可能从有限信号中错误归纳模式，需用户积极纠正"确认"环节
• 建议责任边界：重大职业决策（如跨国迁移、降薪转型）应交叉验证，不宜单一依赖
• 数据持久性：职业画像的存储与迁移机制需用户确认服务商条款

核心用法

Career 技能采用"发现-模式识别-确认-应用"的自适应循环机制。用户每次职业相关提问都会被解析为信号，提取价值观、优势、约束条件、目标等维度信息。当同一维度出现2次以上信号时，系统会主动提议确认，经用户明确同意后才写入职业画像。所有后续建议均基于该画像进行个性化适配。

具体使用流程遵循六步决策框架：情境采集（当前状态、时间窗口、硬性约束）→ 选项拓展（超越用户提问本身，挖掘相邻可能性）→ 适配评估（对照画像标记冲突点）→ 权衡显化（明确每条路径的成本与可逆性）→ 路径推荐 → 行动定义（本周具体任务）。系统特别内置"陷阱识别"模块，主动警示"草更绿"效应、声望陷阱、沉没成本谬误、虚假二分法等常见决策偏差。

显著优点

深度个性化：不同于一次性测评工具，该技能通过持续对话积累信号，画像精度随使用次数递增，最终实现"比你自己更懂你"的洞察效果。

决策质量保障：强制要求顾问在给出建议前完成完整六步框架，有效避免冲动决策；陷阱识别模块帮助用户跳出思维定式。

轻量零侵入：纯 Markdown 文档结构，无代码执行、无外部 API、无数据持久化，隐私风险趋近于零。

方法论成熟：融合职业心理学中的"适应-决策"理论与设计思维，既有学术支撑又具备实操性。

潜在局限

冷启动依赖：初期画像为空时，建议质量与普通职业咨询差异不大，需用户投入3-5轮对话才能显现个性化优势。

确认 friction：显式确认机制虽保护用户自主权，但可能打断流畅对话体验，对急性用户形成使用门槛。

区域市场盲区：框架未内置特定国家/行业的劳动力市场实时数据（如签证政策、薪资基准），需用户自行补充现实约束。

无主动追踪：缺乏任务提醒或进度追踪功能，行动定义后依赖用户自律执行。

适合群体

• 处于职业探索期或转型窗口期的职场人（3-10年经验最佳）
• 面临"留下还是离开""深耕还是换赛道"等结构性决策的纠结者
• 厌恶标准化测评、偏好对话式探索的反思型用户
• 重视隐私、不愿将敏感职业数据上传至第三方平台的谨慎型用户
• 职业教练、HRBP 等希望获得结构化辅助工具的从业者

使用风险

性能层面：纯文本处理无算力负担，但长对话历史可能导致上下文窗口压力，建议定期整理或分段咨询。

依赖项风险：零外部依赖，无服务中断或供应链攻击隐患。

决策责任：技能提供框架而非答案，最终职业决策后果由用户自担；需警惕将 AI 建议等同于专业职业咨询的过度依赖。

画像偏差累积：若初期信号采集阶段用户表达失真，后续所有建议将建立在错误基线上，建议定期回顾并修正画像条目。