review
Skill50 starsChanged 2 months agoMITView on GitHub
지원서류 통합 점검 스킬. 이력서↔자소서↔포트폴리오↔프로필↔경력기술서 일관성, 최종 제출 전 체크리스트. "전체 점검", "제출 전 확인", "서류 리뷰" 등의 요청 시 활용.
192 other projects use a version of this.
Adopted by
Most recently taken up by
- microsoft/veronatheir own version, first seen Nov 8, 2026
- microsoft/FluidFrameworktheir own version, first seen Nov 8, 2026
- charliee1w/consolidation-memorytheir own version, first seen Nov 8, 2026
- jisuzzzz/haechitheir own version, first seen Nov 8, 2026
- apokamo/kajitheir own version, first seen Nov 8, 2026
- dirien/yet-another-agent-harnesstheir own version, first seen Nov 8, 2026
Used with
Projects with it also use close-spec, design-with-images and 10 more.
Other files people use alongside this one.
Files found in the same public projects as a version of this one, more often than they turn up anywhere else. Each project counts once, large collections count for less, and this file's own repository is left out.
dzhngSkillclose-spec
When a spec under specs/<feature>/ is done shipping (a write-spec build, or any planned task that produced a spec), archive it to specs/done/ and rewrite it from a build-plan into a durable rationale — the why, the principles, the invariants — pointing back to the real code for the how. Use when implementation has landed and the plan no longer matches what shipped, or the user says a feature/spec is finished. Pairs with [write-spec](../write-spec/SKILL.md) (the plan this closes) and [review](../review/SKILL.md) (run before closing).
Also in 5 projects that use this
dzhngSkilldesign-with-images
Explore UI and visual design with image generation, then iterate the real implementation against the user-selected concept. Use when brainstorming visual directions, offering mockup variants, or implementing an approved generated design; do not stop at the mockups or the first code approximation.
Also in 5 projects that use this
LambenthanSkilldaily-arxiv
每日从 arXiv 拉取新论文,过滤相关性,auto-ingest 高优先级论文,检测 SOTA 更新
Also in 5 projects that use this
LambenthanSkillexp-eval
实验判决门:Review LLM 独立评判实验结果 → 4 种判决路径 → 自动更新 claims confidence、ideas status、graph edges
Also in 5 projects that use this
- +3 more from dzhng
- +5 more from Lambenthan
Other versions192 projects use a version of this.
Word for word · 0
None found.
Edited · 0
None found.
Wrote their own version · 192
- garrytan/gstack★ 141ksame name
- ansible/ansible★ 71ksame name
- docling-project/docling★ 70ksame name
- traefik/traefik★ 65ksame name
- ClickHouse/ClickHouse★ 51ksame name
- temporalio/temporal★ 24ksame name
- tisfeng/Easydict★ 15ksame name
- juicedata/juicefs★ 15ksame name
- elie222/inbox-zero★ 13ksame name
- gitkraken/vscode-gitlens★ 10ksame name
182 more not listed
How matches are found. Word for word: the exact same text. Edited: shares passages with this file (“99% same” means 99% of its five-word phrases also appear here; 10% or more counts). Their own version: similar meaning, or, weakest, the same name. We can’t tell which project had it first. Projects are counted among the 200 most-starred candidates, and mentions are links to the repository we found, up to 50 per site, so both counts are a floor.
In this repository16 other files it gives its agents.
- CLAUDE.mdCLAUDE.md
- autoSkill
- career-historySkill
- company-researchSkill
- cover-letterSkill
- experience-bankSkill
- job-searchSkill
- mock-interviewSkill
- ncsSkill
- portfolioSkill
- resumeSkill
- retroSkill
- salarySkill
- scout-profileSkill
- strategySkill
- trackerSkill
The file
Files
!bash "${CLAUDE_SKILL_DIR}/scripts/preamble.sh" review "${CLAUDE_SESSION_ID}" "${CLAUDE_PLUGIN_DATA:-}"
위 실행 컨텍스트가 비어 있거나
KEY=VALUE목록 대신!명령·정책 차단 문구가 그대로 보이면(!주입이 꺼진 환경), 첫 Bash 명령으로bash "${CLAUDE_SKILL_DIR}/scripts/preamble.sh" review를 실행해 같은 컨텍스트를 확보하고${CLAUDE_SKILL_DIR}/references/guardrails.md를 Read 하세요. 그 파일마저 없는 환경(Cowork처럼 스킬 디렉토리가 파일시스템에 없는 경우)에서는 상태 저장·스크립트 호출 단계를 건너뛰고 필요한 자료를 사용자에게 요청합니다.STATE_WRITE_FAILED=true가 보이면JOBSTACK_STATE_DIR경로를 사용자에게 확인합니다. 이 스킬의 Bash 스니펫은 첫 줄에. "${JOBSTACK_STATE_DIR:-$HOME/.jobstack}/env.sh"를 두어$_JS_STATE·$_JS_BIN·$TODAY를 불러옵니다.
공통 가드레일 (references/guardrails.md)
!sed '1{/^# /d;}' "${CLAUDE_SKILL_DIR}/references/guardrails.md"
!if [ "${JOBSTACK_RUNTIME:-}" = bot ] || [ -n "${JOBCLAW_RUN_ID:-}" ]; then cat "${CLAUDE_SKILL_DIR}/references/bot-protocol.md"; fi
지원서류 통합 리뷰
제출 전 마지막 관문. 이력서, 자소서, 포트폴리오의 일관성과 완성도를 통합 점검합니다.
Phase 1: 서류 수집
Glob으로 현재 폴더의 모든 지원 서류를 수집합니다:
- 이력서: 이력서*, resume*, CV*
- 자소서: 자소서*, 자기소개서*, cover-letter*
- 포트폴리오: 포트폴리오*, portfolio*
- 프로필(스카우트/플랫폼): 프로필*, scout*, 스카우트*
- 경력기술서: 경력기술서*, career*
- 채용공고: 채용*, JD*, 공고*
모든 감지된 파일을 Read하여 내용을 파악합니다.
재리뷰 감지 + 변경분(delta) 요약 (#117)
memo.md(또는 워크스페이스의 직전 리뷰 스냅샷)에 직전 리뷰 진단 결과가 있으면, 이번 서류를 그것과 대조해 변경분만 다음 3구간으로 요약합니다(전체 진단표 반복 출력 금지 — 미해결 지적 반복이 사용자 이탈을 유발):
- ✅ 해결됨: 지난 지적 중 이번에 반영된 항목 (한 줄씩, 짧은 축하 톤)
- 🔁 여전히 미해결: 지난 지적 중 그대로인 항목만 ("지난 리뷰 참고" + 핵심 한 줄, 전체 재설명 금지)
- 🆕 신규: 이번에 새로 발견된 항목
최초 리뷰(대조 대상 없음)일 때만 기존 전체 진단표(Phase 2~5)를 출력합니다.
스냅샷 저장은 필수입니다. 리뷰 완료 시 이번 진단 결과를 워크스페이스의 .last-review.md로 스냅샷해, 다음 재실행이 위 delta 경로(#117)를 타도록 명시화합니다. Write 도구 없이 Bash heredoc으로 기록합니다:
cat > .last-review.md <<'EOF'
# 직전 리뷰 스냅샷 (기준일: <YYYY-MM-DD KST>)
## 미해결 지적
- ...
## 통과 항목
- ...
EOF점검 루브릭 선공개 (Phase 2 진입 전)
본격 점검에 들어가기 전에, 무엇을 어떤 기준으로 판정하는지 한 표로 먼저 공개합니다(평가 기준 투명성). 각 항목은 ✓(통과) 또는 !(보완 필요)로 판정하며, 0~100 종합 점수나 합격선은 매기지 않습니다.
점검 항목 판정 기준(✓ 조건)
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
기본정보 일관성 이름/연락처/학력이 전 서류 동일
스토리 일관성 경험·성과 수치가 서류 간 일치
톤 일관성 실무자 포지셔닝 유지
키워드 반영률 공고 핵심 키워드 반영
"결이요" 구조 첫 문장 5초 규칙 + 결·이·요 순
미끼 배치 방어 가능한 미끼 포인트 존재
학생 톤 제거 희망형 종결어미 없음
수치화 모든 성과에 before→after
글자수 항목별 제한 준수
AI풍 일반문장 치환 테스트 2종 통과
개인정보 점검 법정 금지항목·과다 PII 없음
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━Phase 2: 일관성 점검
2.1 기본 정보 일관성
- 이름, 연락처, 이메일이 모든 서류에서 동일한가?
- 학력 정보가 일치하는가?
- 경력 기간/회사명이 일치하는가?
- 이력서↔프로필 정합성 — 스카우트/플랫폼 프로필의 경력기간·직함·회사명이 이력서와 일치하는가?
- 경력기술서 사실 대조 — 경력기술서의 회사명·경력기간·성과 수치가 이력서/자소서와 일치하는가?
2.2 스토리 일관성
- 이력서의 경험과 자소서의 에피소드가 일치하는가?
- 자소서에서 언급한 성과 수치가 이력서와 맞는가?
- 포트폴리오의 프로젝트가 자소서/이력서에도 반영되었는가?
2.3 톤 일관성
- 이력서의 직무 포지셔닝과 자소서의 어조가 맞는가?
- "바로 써보고 싶은 사람" 포지셔닝이 모든 서류에서 일관되는가?
Phase 3: 키워드 정합성
채용공고(또는 company-cache)와 대조합니다. company-cache 파일명 날짜가 7일 초과이면 "⚠️ {N}일 전 분석 캐시입니다. /company_research로 재분석을 권장합니다."라고 먼저 안내합니다.
대조 항목:
- 채용공고의 핵심 키워드가 이력서에 반영되었는가?
- 채용공고의 핵심 키워드가 자소서에 반영되었는가?
- 누락된 키워드 목록 생성
키워드 몰아넣기(keyword stuffing) 금지 확인: 자소서는 SEO가 아닙니다. 키워드가 한 문단에 나열식으로 몰려 있지 않고, 각 키워드가 경험 근거(문제·역할·행동·변화) 뒤에 자연스럽게 배치됐는지 확인합니다. 몰아넣기가 발견되면 보완 항목으로 지적합니다 — NLP 기반 심사에서 키워드 나열은 설득 효과가 없습니다.
Phase 4: "결이요" + 미끼 점검
자소서 구조 점검
- 각 항목의 첫 문장이 5초 규칙을 통과하는가?
- "결이요" 구조가 지켜지고 있는가?
- 학생 톤이 남아있지 않은가?
치환 테스트 2종: 지원동기·기업 관련 문단에 다음 두 테스트를 적용합니다. 판정 로직은 ${CLAUDE_SKILL_DIR}/references/humanize-check.md §1을 참조합니다(스킬 본문에 자체 정의하지 않음).
- 회사명 치환 — 회사명을 경쟁사로 바꿔도 문장이 성립하면 실패
- 타 지원자 치환 — 주어를 다른 지원자로 바꿔도 성립하면 실패
실패 문장은 원문을 그대로 인용해 나열하고, 보강 방향은 표현 교정이 아니라 경험 근거(문제·역할·행동·변화) 추가로 안내합니다. AI 자소서 탐지율 등 시장 통계는 본문에 단정하지 않으며, 사용자에게 근거 제시가 필요할 때만 WebSearch로 최신 수치를 확인해 출처·기준 시점과 함께 인용합니다.
미끼 포인트 인벤토리
자소서 전체에서 면접관이 물어볼 만한 미끼 포인트를 추출합니다. 각 미끼 문장에 공통 꼬리질문 5세트(어떤 문제였나 / 왜 그 방법이었나 / 역할 범위는 / 결과를 어떻게 확인했나 / 다시 한다면)를 적용해, 서류 내용만으로 1분 설명이 가능한지 방어 판정합니다:
미끼 포인트 총 정리
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
# 서류 미끼 문장 예상 질문 방어 판정
1 자소서 "Redis 캐싱 377ms→2ms" "캐싱 전략은?" ✓방어가능
2 자소서 "80명 데이터 관리" "품질 관리 방법은?" ⚠️위험
3 이력서 "AWS 인프라 구축" "아키텍처 설명해주세요" ⚠️위험
4 포트폴 "DAU 5000 서비스" "스케일링 경험은?" ✓방어가능
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━즉답 근거가 서류에 없는 문장은 ⚠️위험으로 표시하고, 면접 전 답변 준비 필수 또는 문장 수위 조정 중 택일을 안내합니다.
defense-map 산출: 미끼 문장·예상 질문·방어 판정의 매핑을 ${CLAUDE_SKILL_DIR}/references/defense-map-schema.md의 YAML 계약 형식(schema_version 1, source_skill: review)으로 산출해 mock-interview가 소비할 수 있게 합니다. 저장 경로는 $_JS_STATE/defense-maps/<회사명>_<직무>_<YYYYMMDD>.yaml이며, 저장은 YAML을 손으로 쓰지 않고 "$_JS_BIN/jobstack-defense-map.mjs" add --company <회사명> --position <직무> --source-skill review --document-ref <원문> --entries-json '<entries JSON>' (env.sh 소싱 후)로 하며, 스키마 검증 오류가 나면 entry를 고쳐 재시도합니다.
Phase 5: 최종 체크리스트
최종 제출 전 체크리스트
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
[✓] 기본정보 일관성 — 이름/연락처/학력 일치
[✓] 스토리 일관성 — 경험/성과 수치 일치
[✓] 톤 일관성 — 실무자 포지셔닝 유지
[✓] 키워드 반영률 — 85%+ 달성
[!] "결이요" 구조 — 지원동기 첫 문장 보완 필요
[✓] 미끼 배치 — 4개 포인트 확인
[✓] 학생 톤 제거 — 희망형 종결어미 없음
[✓] 수치화 — 모든 성과에 before→after
[!] 글자수 — 직무역량 항목 50자 초과
[✓] AI풍 일반문장 — 치환 테스트 2종 통과
[!] 개인정보 점검 — 법정 금지항목·과다 PII 없음
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
통과: 8/11 | 보완: 3/11개인정보 점검 (제출 전 최종 필터)
review는 제출 전 마지막 관문이므로 PII 최종 필터 위치로 적합합니다. 다음 3종을 인라인 기준으로 검사합니다(날조·외부출처 PII 금지 원칙은 ${CLAUDE_SKILL_DIR}/references/guardrails.md §1 준수).
- 법정 금지항목 — 채용절차법 제4조의3이 금지하는 항목의 기재 여부: 용모·키·체중 등 신체 조건, 출신지역·혼인 여부·재산, 직계존비속 및 형제자매의 학력·직업·재산. 발견 시 삭제를 권고하고, **기업이 기재를 요구한 경우라면 법 위반 소지(500만원 이하 과태료)**임을 사용자 권리로 안내합니다.
- 블라인드/공공기관(NCS) 식별정보 — 블라인드 전형 지원 시 자소서·경험기술서 내 학교명 등 식별정보 노출 검사(노출 시 불이익 가능).
- 과다 개인정보 — 주민등록번호·상세 주소 등 채용에 불필요한 개인정보 기재.
보완 항목 출력 — 3계층 우선순위
보완이 필요한 항목은 기준 → 근거 → 표현 3계층으로 정렬해 수정 순서를 명시합니다. 기준·근거가 약한 상태에서 표현 교정을 먼저 하지 않습니다.
- 기준(공고 연결) — 공고 요건과의 정합, 키워드 반영, 포지셔닝
- 근거(경험 구체성) — 수치화, 문제·역할·행동·변화, 미끼 방어 가능성
- 표현(맞춤법·글자수) — 종결어미, 글자수 제한, 문장 다듬기
각 계층 안에서 다음 규칙으로 지적합니다:
- 위치·근거 표시 — 모든 지적은
파일명 > 문항/섹션 + 원문 문장 인용형식으로 어디를 근거로 하는지 밝힙니다. - 날조 금지 — 원문에 없는 내용을 근거로 지적하지 않습니다(
${CLAUDE_SKILL_DIR}/references/guardrails.md§1 준수). - 반박 시 재검증 — 사용자가 지적에 반박하면 해당 원문을 다시 Read해 재검증한 뒤 정정하거나 근거를 다시 제시합니다.
Phase 5.5: 다음 행동 분기
진단을 마친 뒤 AskUserQuestion으로 다음 행동을 확인합니다(구조는 ${CLAUDE_SKILL_DIR}/references/ask-user-question.md 준수 — 한 번에 하나의 질문):
- A) 지금 수정 반영 후 재점검 — 보완 항목을 반영하고 다시 점검합니다.
- B) 수정 후 나중에 다시
/review— 지금은 진단만 받고, 나중에 수정본으로 재실행합니다. - C) 이대로 제출 — 보완 없이 마무리합니다.
수정 주체 명시: review는 Write 도구가 없어 문서를 직접 수정하지 않습니다. A/B를 선택하면 사용자가 직접 수정하거나, /resume·/cover_letter로 핸드오프한 뒤 이 스킬을 재실행합니다. 재실행은 Phase 1의 .last-review.md delta 경로(#117)를 타므로, 이번 진단 스냅샷 저장(Phase 1 필수 항목)이 선행돼야 합니다.
Phase 6: 면접 예상 질문 종합 세트
자소서 + 이력서 + 포트폴리오 + 채용공고 기반으로 종합 면접 예상 질문을 생성합니다:
- 자소서 기반 질문 15-20개
- 채용공고 기반 기술 질문 10-15개
- 포트폴리오 기반 질문 5-10개
- 총 30-40개 질문 세트
Phase 4에서 ⚠️위험으로 판정된 미끼 문장 기반 질문을 세트 최상단에 최우선 배치합니다(방어 준비가 시급한 순).
출력·영속화
- 인라인 출력 — 질문 세트를 응답 본문에 바로 출력합니다.
- 파일 영속화 — 이 산출물에 한해 Bash 파일 쓰기를 허용합니다(allowed-tools에 Write를 추가하지 않습니다). 질문 세트를 소실 없이 남기기 위해 Bash heredoc으로 현재 디렉토리에
면접예상질문-{기업명}.md로 저장한 뒤 아래 결과물 뷰어를 안내합니다. (봇 환경의 파일 출력 규칙은 실행 컨텍스트가bot일 때 주입되는 bot-protocol을 따릅니다.)cat > "면접예상질문-<기업명>.md" <<'EOF' # 면접 예상 질문 세트 — <기업명> ... EOF - 질문↔미끼↔방어 판정 매핑은 Phase 4의 defense-map 산출물(
${CLAUDE_SKILL_DIR}/references/defense-map-schema.mdYAML 계약)로 귀속해 mock-interview가 소비할 수 있게 합니다. 공고 기반 질문은location에 "공고"를 표기합니다.
보이스
엄격하지만 공정한 리뷰어. 문제점은 정확히 짚되, 항상 수정 방안과 함께 제시합니다. 틀렸다는 반박을 받으면 방어하지 말고 원문부터 다시 확인합니다.
완료 상태
- 완료 (DONE) — 재리뷰(2차 점검)에서 체크리스트 전항이 통과된 상태.
- 우려사항 있는 완료 (DONE_WITH_CONCERNS) — 1차 진단만 하고 종료했거나 보완 필요 항목이 남은 상태. 미재검 항목을 명시합니다.
완료 시점에 텔레메트리 후속 이벤트를 남깁니다. 이벤트 스키마는 ${CLAUDE_SKILL_DIR}/references/telemetry-events.md를 따릅니다. 최초 진단은 diagnosed(추가 필드 없음)로, **재리뷰(2차 점검)**는 second_review 이벤트로 emit합니다(2차 점검 요청률 = second_review/diagnosed):
. "${JOBSTACK_STATE_DIR:-$HOME/.jobstack}/env.sh"
# 최초 진단
echo '{"skill":"review","ts":"'$(date -u +%Y-%m-%dT%H:%M:%SZ)'","pid":'$$',"event":"diagnosed"}' \
>> "$_JS_STATE/analytics/skill-usage.jsonl" 2>/dev/null || true
# 재리뷰 경로(.last-review.md delta)일 때만 추가로 emit
echo '{"skill":"review","ts":"'$(date -u +%Y-%m-%dT%H:%M:%SZ)'","pid":'$$',"event":"second_review"}' \
>> "$_JS_STATE/analytics/skill-usage.jsonl" 2>/dev/null || true결과물 뷰어
결과 파일 저장 시 브라우저 뷰어를 안내합니다:
. "${JOBSTACK_STATE_DIR:-$HOME/.jobstack}/env.sh"
"$_JS_BIN/jobstack-view" <결과파일.md>다음 추천: /mock_interview (면접 예상 질문으로 모의면접). 이때 Phase 6에서 저장한 질문 세트 파일 경로를 함께 안내합니다.
Does it work?
Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.
No reviews yet
People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.
- It worked
- Partly
- It didn't
Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.
Your trail
Files you open will collect here, so you can find them again.
Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.
Now do this for your own.
Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.

