oriward

做过很多事情，却不知道哪些仍有价值、能用于什么工作，以及怎样让别人理解。

Oriward 以“经验翻译”为核心：找回经历，识别可迁移能力，用新岗位能理解的语言表达，再把差距变成可执行的小任务。 它以 Career Twin Core 保存有来源、可纠正的用户状态，用 Skills 完成具体流程，再把选择与结果带回 Core。当前为 v0.6.0 Beta，采用 Agent + Python CLI + SQLite 的形态。

项目围绕经历挖掘、职业规划、简历制作、岗位搜索与投递、个人提升五个协作模块展开，共享长期、中期、短期三层状态。模块通过经历、目标、岗位、简历和申请的稳定记录衔接；新的实践与反馈再回到经历和规划，而不是一次性流程。

本版支持从指定、已授权的历史材料接续经历挖掘，保存待展开线索并每轮追问一个关键问题；也支持普通自述直接入库、无逐条审批的简历草稿、完整履历补全、同阶段经历整合、岗位定向简历及本地 DOCX/PDF 预览。用户先看完整稿，再提出修改。每个岗位保留当前 Markdown 加三个历史版本，来源和修改历史在后台保留。已有参考模板可以复用，定制时读取相关经历详情，围绕岗位改写表述；DOCX/PDF 保留栏目、时间和项目链接。市场适配和就业效果仍需真实使用验证；运行流程见 WORKFLOWS，改造记录见 CHANGELOG。

已有简历可导入 PDF、DOCX、TXT 或 Markdown 作为辅助来源，核对文本提取质量后由 Agent 结合 JD 与经历库成稿。导入稿不会自动写进长期经历库；语义核对和选材由大模型完成。resume diagnose 仅作可选文本检查，不给录用率分数。resume market-report 汇总已保存 JD 的岗位要求、雇主数和来源，作为修改简历或练习计划的候选信号；单条 JD 和频次不会变成用户能力事实。

岗位搜索新增可选浏览器采集执行器，读取已授权 Boss/智联/猎聘搜索标签的可见岗位并翻页去重；猎聘官方搜索支持有界分页与部分结果保留。需要用户先设置页面筛选或提供官方授权，当前环境的三平台真实登录态验收尚未完成。方案调研与实测状态见 中国渠道。

开始使用 · 理解架构 · 如何解释建议 · 进展与下一步

从一个求职者的问题开始

一个人可能工作过很多年、经营过小店，或者在生活变化后重新求职。难点常常是经历零散、表达停留在旧行业，或不知道日常做过的事能否支持新的工作。

我遇到的问题	我希望得到的帮助	Oriward 的做法
经历很多，但从头打字整理很费力	边聊边找回来	先建立简略经历和时间线，再按需要补充；可暂停接续
以前做过的事情似乎与新岗位不相关	找出可以迁移的能力	从实际动作、方法和职责连接新岗位的核心交付
简历写得空、断断续续，已有教育还会遗漏	得到一份完整、自然的简历	保留主要职业阶段，重点展开，其他简述，补入已有教育信息
AI 总让我重复确认、提供证明	先看到完整稿，再具体修改	用户讲述即可使用，正常包装直接完成，来源记录留在后台
旧经验结合新工具可能有机会，但不知道怎么开始	找到小而具体的下一步	对照真实岗位，安排有产出、有时间预算的实践任务

比如，用户说“我以前负责进货和处理客诉”，对话可以帮助找回补货安排、供应商协调和客户沟通的具体做法，再把这些工作转译给新岗位。不能凭空增加成本下降百分比，也不应因为没有精确指标就把这段经历删掉。

先理解，再表达，再分配篇幅。中年再求职者是重点关注对象，但不以年龄划定资格；有长期工作经历的人和经历零散、离岗后回归的人将共同参与后续需求验证。录用结果不等于个人价值。

四个长期问题，以及每次都该追问的第五个

问题	系统需要和我一起弄清什么
Who am I? 我是谁？	经历过什么、做过什么、擅长什么、看重什么，有哪些真实约束？
Who could I become? 我可能成为什么？	哪些职业值得探索？能力能迁移到哪里？还缺哪些证据或实践？
Where am I now? 我现在在哪里？	在研究、申请、面试哪些岗位？哪些材料正在修改？哪里卡住了？
What should I do next? 下一步做什么？	结合真实目标、偏好、时间与机会，下一步值得投入的行动是什么？
Why do you think so? 为什么这样认为？	判断来自哪段经历、哪个岗位要求和哪次反馈？为什么与上次不同？

第五个问题贯穿前四个问题。“你适合做产品”应该能够展开为支持它的经历、尚未验证的推断、可能的反证，以及下一步验证方法。

为什么是 Career Twin Core + Skills

求职同时包含两类工作：持续理解一个人，以及完成眼前的一件事。整理经历、搜索岗位、写简历和练习面试可以分工，但它们需要共享同一份经过校准的上下文。

Core 负责让理解连续，Skills 负责让行动具体。

• 你的 Agent：理解与判断。 阅读材料、访谈、解释岗位、提出方向，按任务加载 Skills；语义推理发生在宿主 Agent 中。
• Career Twin Core：保存与校验。 Python CLI + SQLite 保存断言、来源、版本、目标、流水线、行动与决策快照，检查引用、状态和依据变化。
• Skills：把方法落到任务。 约定需要读取哪些上下文、如何执行、输出什么，以及将哪些结果通过 CLI 写回。收集到的反馈成为下一轮理解的输入。

写简历时复用用户已经讲述的经历，先围绕具体岗位组织完整版本，再对该版本做岗位评级和模拟面试；练习反馈可以回写简历措辞、经历补证或提升计划。Skills 的产出要由 Agent 在整理对话时通过 CLI 保存才成为持久状态；只聊天而不执行保存不会自动入库。

三个时间尺度

这些是状态的组织方式，不是三个独立模型，也没有固定频率的后台更新。

时间尺度	保存什么	什么会促使更新
长期 · 我是谁	经历、能力证据、价值观、偏好、职业约束及其来源	访谈、新证据、实际反馈与用户确认；允许纠正、质疑和撤回
中期 · 我想成为什么	职业方向假设、阶段目标、能力差距与学习规划	新机会、探索结果、目标和资源变化
短期 · 我正在做什么	目标岗位、投递、简历版本、面试、学习任务、阻塞与下一步	每次真实操作及结果反馈，经 Agent 或用户执行 CLI 保存

面试反馈首先属于一个具体情境；形成足够依据并经用户认可后，才可能成为长期认识。短期挫折不应直接变成“我不擅长这件事”的永久标签。

五个协作模块

默认从经历挖掘开始，经职业方向探索、岗位搜索与结果展示、JD 分析，再制作简历，衔接面试、导出和申请准备。简历由宿主大模型从目标 JD 出发，结合同类岗位 JD 补充理解后，选择经历库材料并按 STAR-C 写成完整稿；程序保存来源与版本。已有明确任务时直接进入相关阶段。

这里按所列功能划分为五个业务模块；长期、中期、短期是共享状态的三个时间尺度，不是另一组模块。运行 python -m oriward context map 可查看模块输入、输出、入口和交接关系；具体操作见 工作流。

模块	主要产物	交给下游的内容
经历挖掘	经历、事实及待展开线索	职业规划、简历制作与个人提升复用真实经历 ID
职业规划	可修订方向、阶段目标与能力差距	岗位搜索确定验证范围，简历确定表达主线，个人提升确定投入重点
简历制作	岗位定向简历、诊断和版本	评级、模拟面试与投递准备绑定同一岗位和简历版本
岗位搜索与投递	有来源的岗位、流水线、申请与反馈	反馈推动方向重评、简历修订和能力补足
个人提升	学习计划、实践行动与新证据	实际完成的工作回到经历库，再用于规划和简历

首次使用默认深入挖掘经历，逐步形成可复用的经历库。已有简历且明确要求直接搜索并投递时可先处理眼前任务，同时询问是否补建经历库。进入岗位搜索或个人提升时会询问是否需要定期搜索新机会或回顾计划进度；频率和日历联动取决于实际使用环境与用户选择，记录意愿本身不会启动提醒。模块间传递稳定 ID 和来源，不把一次反馈自动当作长期人格判断。

八个职业 Skills，共享一个 Core

Skill	我能用它做什么
career-discovery	从工作、经营、项目及生活责任中找回经历与迁移线索
career-mapping	探索相邻职业与跨行业迁移，设计低成本验证
job-search	搜索或导入岗位，保留来源、时间和渠道执行报告
job-analysis	理解岗位核心交付，对照已有证据、门槛和缺口
resume-builder	围绕具体岗位组织真实经历，保留来源和修订版本
application-assistant	准备材料，记录用户实际投递后的进展
learning-planner	将差距转成有产出、验收标准和投入预算的任务
interview-coach	做公司研究、岗位相关练习，保存实际回答与反馈

另有 document-export，将已有内容转成 DOCX/PDF；只做格式转换，不确认事实，也不更新 Core 职业状态。

为什么建议我先做这件事

为了让 Agent 能解释优先级，需要明确一组可更新的设定。这些可以边做边补，不要求第一次就回答完。

要设定或核实的内容	它怎样影响下一步
职业目标：方向、阶段、优先级、成功标准	明确行动服务哪个用户目标；Agent 提议不自动成为用户承诺
偏好与价值观：工作方式、城市、想获得什么	说明为什么考虑这类机会或任务，保留来源与确认状态
硬约束：到岗、地点、家庭安排、不能接受的条件	与岗位逐条核实；冲突不能被高分抵消，未知项先调查
能力与经历证据：做过什么、来源与有效版本	将已有支持与待验证的能力假设分开
外部机会：岗位原文、来源日期、交付与门槛	在真实机会中检验建议；显式保留渠道失败和信息缺失
资源与行动条件：每周时间、投入、截止与依赖	判断能否推进、是否需要拆小、有没有前置阻塞

推荐岗位、方向或投入方案时，一次决定记录六个因素：目标、偏好、岗位、截止时间、能力、成本。每项有状态和理由，未知就保留未知；另存硬约束核实、备选方案与当时状态快照。用户选择和后续结果再连接到这个决定。

日程排序参考目标优先级、截止远近、任务类型和预计投入，并展示贡献因素。它表达排程优先级，不能被解释为岗位适合度或录用概率。 没有适配评估的普通待办保持 unassessed。

一个可能的使用过程

以下为虚构情境，用于解释工作方式，不是实际求职成绩。

我经营过门店，做过库存记录和供应商协调，想重新求职，但每周只能拿出两小时学习新工具。

Agent 先整理一份完整简历，把实际做过的采购补货与客户服务写清楚；再根据目标岗位，建议用一份脱敏库存表练习分析工具。产出是一份能说明补货依据的小报告，之后根据真实岗位要求检查是否有帮助。准备这个练习不阻碍当前简历完成。

后来，我说“这周家里有事，先暂停”，这首先是当前约束变化，不能直接推断为“我不喜欢数据分析”。系统保存我为什么暂停；目标和预算更新后，旧建议需要重评。再后来，我发现自己更愿意做供应商沟通和运营协调，Agent 可以提出新的方向假设，并说明依据是哪次反馈、哪些已有经历，以及还缺什么验证。

记住理由，也允许我反悔

系统应能留下这样的线索：当时怎么认识我 → 为什么提建议 → 有哪些约束与备选 → 我怎样选择 → 后来发生什么 → 哪些新信息改变了判断。

目前通过断言来源与历史、目标版本、决定快照和结果事件承载这条线索。用户可以确认、修订、质疑或撤回断言；历史保留，当前读取使用有效版本。一次情境信号不会自动升级为长期偏好；周回顾生成提案，经认可后仍需显式写入。读取和评估行动时，Core 会检查相关证据、目标或岗位内容是否改变，将受影响建议标为待复核；旧决定保留，由 Agent 完成重新判断。

保存的是可审查的依据、解释和变化记录。CLI 检查结构、引用与状态，解释的质量仍需要 Agent 判断、真实证据和用户校准。完整约定见 DECISIONS。

已经做了什么，还要改进什么

为使闭环可运行，当前已将这些部分落到代码、状态契约和隔离演示：

已有基础	具体落点
可延续的用户认识	断言账本、来源与置信状态、修订/撤回、经历稳定 ID 与版本；先读简略索引，再按需展开
能解释和重评的行动	六因素决定、逐项硬约束核实、快照、备选与结果；变化后重评，任务依赖与阻塞单独处理
从机会到反馈的流程	来源与搜索报告、岗位分析、简历修订谱系、模拟评审、人工投递记录、面试和学习反馈
跨会话接续与工程约束	有预算的 context brief、当前话题和下一步；SQLite 迁移备份、输入校验、单元测试与虚构 CLI 演示

仓库包含自动化测试和两条端到端 CLI 演示，可在隔离目录复现。它们验证状态流转、引用、版本和流程约束；没有据此验证真实就业效果、推荐准确率或长期画像质量。搜索和模型能力受宿主与渠道限制，文档生成测试也不能代替逐页视觉检查。

接下来的改进方向：

• 更容易看懂自己的变化。 提供经历、证据和决策时间线界面，方便检查与纠正；当前主要通过 CLI 与文件读取。
• 验证“理解得对不对”。 用脱敏、经同意的真实使用和长期回访，评估方向是否有用、建议是否可执行、纠正能否影响后续建议。
• 提高机会信息可靠性。 持续验证渠道、时效和失败恢复，扩大真实可用覆盖；保留平台和授权边界。
• 让计划符合真实精力。 改善多任务总负荷与阶段重排；当前 Core 不自动求解整体排程。
• 完善持续运行与数据控制。 探索授权范围内的提醒、周期回顾，以及更完整的备份、迁移和本地保护；当前没有内置后台进程，Git 忽略也不等于加密。

开始使用

主程序需要 Python 3.10+，只用标准库，无需先安装项目。先克隆仓库（也可在本页 Code 菜单下载 ZIP）：

git clone https://github.com/thituongh699-hash/oriward.git

在自己的 Agent 工具中打开克隆后的 oriward 文件夹，确保工具可以读取本地文件、执行终端命令，然后发送：

请读取 AGENTS.md，按首次使用流程启动 Oriward。
我会从做过的事情开始讲，请边聊边整理经历和时间线，
帮助我发现可迁移的能力，并写出一份完整的简历供我修改。
不用逐条让我批准经历；如果我还没有方向，先整理经历底稿、探索目标岗位，
再提出少量值得探索的方向和具体练习。
如果已有紧急 JD，请先处理它。

各宿主的权限、终端和技能发现能力以实际可用情况为准。仅聊天模式不会自动保存资料、搜索实时岗位或提醒任务；项目没有内置模型服务。

从 GitHub 下载 ZIP 后解压整个目录，确认 .agents/skills/ 也在其中。完整工作流请使用源码；Python wheel 只包含 CLI，不包含九个 Skills。

Python 分发包名为 oriward-local，安装后的命令为 oriward，源码入口为 python -m oriward。名称来自 Origin + Onward：从真实的自己出发，在行动与反馈中找到方向。

先看一次虚构演示

在项目根运行，python 换成已检查的 Python 3.10+ 解释器；各输出目录必须尚不存在：

python scripts/doctor.py
python scripts/demo_experience_translation.py --output outputs/demo-experience-first
python scripts/demo_twin_lifecycle.py --output outputs/demo-twin-first
python scripts/demo_hiring_loop.py --output outputs/demo-hiring-first

经验翻译演示覆盖两类虚构成人履历、自述直接出稿、用户更正、通用稿和 DOCX/PDF 导出（需要安装 python -m pip install ".[documents]" 并具备本地中文字体；优先用 Word/LibreOffice，也可用 ReportLab 渲染）；保留全部命令回执。Core 演示覆盖“经历 → 认识 → 目标 → 决定 → 目标变化后重评 → 完成与撤回”，生成 result.json 和逐条命令回执；招聘演示覆盖岗位、简历、模拟评审与反馈改版，生成 REPORT.md。这些演示使用隔离数据库和虚构材料，不联网、不投递，不验证岗位真实性或渠道可用性。

可查看三套虚构模板预览：个人参考模板、现代中文、简洁无照片。模板决定版式，经历库和目标岗位决定内容。

按需深入

需要什么	入口
Agent 规则和技能路由	AGENTS.md
首用、招聘闭环与跨会话接续	WORKFLOWS
输入结构、版本和状态约束	DATA_MODEL
建议依据、用户选择与后续结果	DECISIONS
职位来源和渠道限制	CHINA_JOB_SOURCES
猎聘可选扩展配置	LIEPIN_INTEGRATION
变更与历史验收边界	CHANGELOG

数据与使用边界

默认数据库为 data/private/oriward.sqlite3，可用 ORIWARD_DB 指定固定位置；简历与导出文件在 outputs/。wheel 默认在当前工作目录写入数据。本地 CLI 不调用模型服务，但宿主 Agent 读取的材料可能由其模型服务处理。迁移备份不包含全部附件，换机器还需备份文件并核对登记路径。

已有用户的旧默认数据库会原位继续使用，不因改名创建空库；旧前缀的环境设置保留兼容读取，新 ORIWARD_* 设置优先（显式关闭也优先）。新的命令和 Python 导入统一使用 oriward。历史产物保留原记录，不批量改写个人数据。

项目不代投、不登录账号、不联系招聘方、不绕过验证码；用户亲自提交后才记录投递事实。来源时间不代表岗位仍开放；A–D 是本地模拟标签，不是雇主结论或录用概率。可选扩展默认关闭，接入须遵守平台规则与授权范围。

安全问题请勿在公开 issue 中披露可复现细节；请先只请求维护者的私下沟通渠道，并在获得渠道前保持谨慎披露。项目尚未建立独立的安全响应流程。公开 issue、PR 和示例请使用脱敏或虚构资料。

开发与许可

维护规则见 AGENTS.md。运行 python -m unittest discover -s tests -v；验证导出需安装可选 .[documents]。欢迎围绕体验、渠道兼容与可复现问题反馈，注明宿主、Python 版本与脱敏复现步骤。

采用 MIT 许可证。第三方接口、数据与商标归原所有者；项目许可证不授予平台访问许可。