Career Capability Mapper — AI skill for Claude Code

Career Capability Mapper


沉淀职业资产，把非线性或难以职业化表达的真实经历，转化为可迁移的能力积木，以及能够追溯事实来源的映射地图。

`career-capability-mapper` 把一段经历压缩为：真实问题 → 个人判断与行动 → 可核验产出 → 可迁移价值

不让过去的职位名称限制求职方向：能力积木会与目标市场的 JD 需求对照，帮助用户识别目标岗位、相邻岗位和跨行岗位中已经具备的可迁移证据。同一组积木还可以按照不同 JD 重新组合并调整优先级，用于形成结构一致、侧重不同的 CV；底层事实与职业主线保持稳定，不需要每换一个方向就重建一套自我叙事。建立一套可以反复使用的职业能力资产：

1. 不越界：参与不能写成独立负责，课堂测试不能写成商业增长。
2. 可迁移：从行业任务中找出换到新环境后仍能重复解决的问题。
3. 可组合：面对不同 JD，重新组合能力积木并调整优先级，而不是重做人设。
4. 可追溯：每个实质主张都能回到 evidence-map.json 中的原始证据。

当前版本：`0.5.0`

一套职业资产，多种组合方式

能力积木不是为某一个目标岗位写死的答案，也不是每换一份 JD 就重新做一次职业分析。稳定的是经历事实、责任边界和能力主张；变化的是不同雇主问题下的组合方式与呈现顺序。

使用层	保持稳定	随目标调整
evidence-map.json	原始经历、个人判断、行动、产出与责任边界	不因目标 JD 改写事实
能力积木	已经成立的 A、B、C、D 等可迁移能力	根据 JD 选择组合并调整优先级
JD / CV	同一条职业主线和同一套证据基础	突出与当前岗位最相关的组合、项目与语言

例如，同一组能力积木可以形成 `A + B → JD A / CV 侧重 A`、`B + C → JD B / CV 侧重 B`、`A + D → JD C / CV 侧重 C`。这些不是三套彼此冲突的人设，而是同一个人在不同岗位问题下，对真实能力进行不同排序与展开。

这个项目解决什么问题

许多人的经历并不天然符合标准职位名称：跨行业、自由职业、校园项目、个人项目、照护空档或混合型工作都可能包含真实而有价值的职业能力，但用户未必知道该如何命名它们。

本项目将职业分析留给 Agent，让用户只需要讲述真实发生过的事情。Skill 负责：

• 从经历中识别可重复的问题解决模式；
• 对照目标地区和目标岗位的当前 JD，校准能力命名与优先级；
• 在不虚构事实的前提下进行职业语言包装；
• 维护能力主张与原始证据之间的可追溯关系；
• 将人类可读的能力结论与机器可读的证据关系整理为可移植资产。

本项目以完成 `capability-blocks.md` 和 `evidence-map.json` 为完整交付。用户可以自主保存、审阅和修改这两份文件，也可以将其连接到其他职业文档或 CV 生产工具；本 Skill 不依赖或绑定任何特定的下游工具。

三个案例

怎么读案例 / How to read

每个案例只有四部分：

• Persona：目标市场和背景；
• Before：未经分析的原始表达；
• After：2–3 个能力积木；
• Why it changed：哪些事实支持了变化，哪些边界被保留。

案例	迁移情境	完整案例
林玮	国内从业者进入海外市场	查看完整 Before & After
周安	海外毕业生回国求职	查看完整 Before & After
陈屿	文科／艺术从业者转入 AI	查看完整 Before & After

核心设计

1. 双产物同步

每次运行维护两份相互对应的产物：

• capability-blocks.md：面向用户与其他工具的能力积木、适配方向和组合；
• evidence-map.json：保存经历事实、原始语料来源、责任边界、JD