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