destinyscout 工作流

前置条件：

• 全局安装 opencli（npm install -g @jackwener/opencli）
• 全局安装飞书命令行工具 lark-cli（用于同步表格和推送消息）
• Chrome 浏览器已安装 opencli 插件
• Chrome 中已登录 BOSS直聘

---

⚡ Step 0: 必做！配置系统初始化向导

对于任何首次使用此 Skill 的用户，必须强制引导用户运行初始化向导脚本。它能将这个 Skill 的能力按两阶解耦并配置：

python3 ~/.gemini/antigravity/skills/destinyscout/scripts/destinyscout_init.py

执行上述向导后，用户将配置：

1. 基础核心能力 (Basic Mode)：配置目标城市、底线薪资门槛、经验学历等底层探针。
2. 高阶超级能力 (Pro Mode)：上传脱敏简历并填写职场 DNA，开启大模型合伙人级避坑与灵魂匹配功能。

本 Skill 以这套向导引擎生成的 configs/_default.json 为全局中枢。

核心能力

通过 opencli boss search 抓取 BOSS 直聘的岗位数据，支持：

能力	说明
关键词搜索	按岗位名/技能关键词搜索
城市筛选	--city 上海/北京/杭州/深圳/...
薪资过滤	--salary 50K以上/30-50K/20-30K/...
经验/学历	--experience 3-5年 / --degree 本科
行业筛选	--industry 互联网

opencli BOSS 核心命令与进阶能力

opencli boss search <query>        # 搜索职位（本执行核心命令）

渐进式披露： 如果用户需要对找到的候选人继续执行“打招呼”、“主动沟通”、“发面试邀请”等动作，请先阅读以下参考指引获取完整的高阶命令，切勿在常规监控任务中自作主张。 📖 高阶动作操作指引

配置系统

配置文件存储在本 Skill 目录下的 configs/ 文件夹中。

destinyscout/
├── SKILL.md
└── configs/
    └── _default.json    # 默认配置（可改不可删）

每个配置文件格式：

{
  "name": "配置名称",
  "description": "配置简介",
  "topic": "监控主题",
  "channels": {
    "channel_key": {
      "enabled": true,
      "command": "opencli boss search",
      "query": "搜索关键词",
      "limit": 15,
      "threshold": { "field": "salary", "condition": "过滤规则" },
      "extra_args": "--city 上海 --salary 50K以上",
      "output_columns": ["name","salary","company","area","experience","degree","skills","url"]
    }
  }
}

执行流程

Step 0: 必须进行环境检查

在开始任何操作前，必须首先通过 lark-cli --version 等命令检查用户本地是否已经安装了飞书 CLI（lark-cli）。

• 如果没有安装，请立刻停止执行，提醒用户缺少关键环境依赖。
• 同时在回复中，直接使用以下原话引导用户授权安装：“检测到未安装 lark-cli，请将这条指令直接发给我，让我来帮你全自动安装：\n帮我装一下所有的东西：https://github.com/larksuite/cli/blob/main/README.zh.md”

Step 0.5: 防降权/防投毒会话确认

为了防止由于会话过期或刚解除滑块验证码进入大厂反爬“沙盒降权期”导致抓取全是垃圾烂尾数据，在真正执行底层 opencli 抓取之前，Agent 必须强制停下来，向用户确认一次会话状态：

• 询问用户：“在正式下钻猎场之前，请确认：您今天是否有在 Chrome 浏览器中正常刷新过 BOSS 直聘？以及如果您刚才触发过滑块验证码，请确保我们已经等待了大概 15 分钟的沙盒冷却期哦。”
• 只有当用户回答确认（比如：“刷新过了”、“没问题”、“发车吧”等）后，Agent 才被允许继续往下执行 Step 1。

Step 1: 确定配置

如果用户未指定配置，列出所有可用配置并带出简介：

请选择搜索配置：
1. 🔹 **默认配置** — [description]
2. 🔹 **[自定义配置A]** — [description]
3. ➕ 新建配置

读取配置文件路径：~/.gemini/antigravity/skills/destinyscout/configs/

Step 1: 仿生学乱序抽查 (Anti-Crawler V2)

从配置中获取所有 enabled: true 的 channel，绝对不能全量抓取！必须执行大波浪少食多餐策略：每次运行必须随机打乱这些 channel，并只抽取最多 2 个目标进行抓取。且在两次搜索之间插入 25到55秒 的大波浪拟人休眠。在休眠期间，向用户发出前台唤醒警告。

你可以直接调用预置爬虫管控核心：

python3 ~/.gemini/antigravity/skills/destinyscout/scripts/run_destinyscout.py

⚠️ 大厂级反爬铁律（违反即刻封号）：

1. 乱序微批次：单次运行最大遍历数量 ≤ 2 个词！拒绝机械拉网。
2. 深呼吸长休眠：禁止 5 秒的小儿科休眠。间隔必须随机落在 25~55 秒区间。
3. 永远不要超过 limit=15：杜绝跨页动作。
4. 遇到 Network Error 或 200404 立即停止：直接报错上抛并要求用户重登 Boss 直聘并走手工图灵机测试（图片验证码滑块）。

Step 2: AI 过滤与提炼

对抓取到的原始数据，必须进行两道过滤：

1. 数值硬过滤（硬性拦截）：

   • 使用正则 (\d+)-(\d+)K 提取 salary 字符串中的上限数值（Max K）。
   • 严格验证规则：如果提取出的上限数值 < 50，则判定为无效数据，直接丢弃（即保留 30-60K，但必须剔除 20-40K、15-20K 等上限未触达 50K 的数据）。
   • 排除异常：薪资包含"元/天"的（日结实习）、薪资没有"K"的、以及岗位名包含"实习"的，全部剔除。
   • 去重：以 url 字段为唯一标识去重。

2. AI 信息提炼： 为每条存活下来的有效高薪岗位生成：

• 一句话评价：基于岗位名、薪资、公司、技能要求综合评价该岗位的市场竞争力和前景
• 技能热词提取：从 skills 字段中提取关键技术趋势

Step 3: 输出结构化 JSON

输出到工作区 <workspace>/topic_results.json：

{
  "mode": "platform",
  "platform": "boss",
  "config_name": "默认配置",
  "scan_date": "2026-04-05",
  "results": [
    {
      "title": "AI产品经理",
      "author": "某大型互联网公司",
      "heat": "50-80K·16薪",
      "url": "https://www.zhipin.com/job_detail/xxx.html",
      "query": "AI产品经理",
      "summary": "头部AI公司的产品负责人岗，要求C端+AI双重背景",
      "shootability": "适合做薪资对比类内容，16薪是亮点"
    }
  ]
}

Step 4: 路由输出（分流处理）

Agent 根据 Step 0 的环境检查结果，采取不同的输出策略：

分支 A：用户已授权使用 lark-cli（高级能力：AI合伙人私推）

1. 表格自动入库：你可以安全地调用配套脚本自动把脱水 JSON 的增量数据插入基座表：

   python3 ~/.gemini/antigravity/skills/destinyscout/scripts/upload_to_base.py
   

2. Deep Scrape 深潜提取 (V3新增)：对初筛出的大于阈值的 Top 数据进行深度提取：

   python3 ~/.gemini/antigravity/skills/destinyscout/scripts/extract_jd.py
   

3. Agent 原生 LLM 判决与飞书推送 (升级版)： 提取完成后，Agent (Antigravity) 绝对不能再次调用外部大模型命令行脚本，必须由 Agent 自主在 IDE 环境下履行法官职责：
   • 自动拉取最新的 topic_results_detailed.json 获取岗位详情。
   • 结合用户的私人职场档案 configs/_my_profile.md。
   • 使用自己的超维大脑生成符合飞书严格语法的精简、毒辣的合伙人点评 Markdown 文本消息。内容必须包含包含：“💡合伙人私语”、“核心杠杆”及“潜在避坑”。
   • 最后由 Agent 自主调用 lark-cli im +messages-send --as bot --user-id <YourUID> --markdown <Text> 指令或者编写临时安全发信 Python 验证发向服务端。

分支 B：离线降级方案（用户未安装且拒绝授权）

如果用户回复“跳过”，则启用纯本地沉淀方案：

1. 终端降级输出：不要停止运行，直接以极具视觉冲击力的 Markdown 列表在当前聊天窗口打印 Top 5 高薪简报。
2. 2026 美学大屏生成：在执行脚本前，务必先检查脚本文件是否存在并确认 Python 3 环境可用。确认无误后，调用本技能目录下的生成脚本：

   python3 ~/.gemini/antigravity/skills/destinyscout/scripts/generate_html.py
   

   该脚本会提取过滤后的高薪数据，在当前工作区生成一个包含深色模式、毛玻璃特效（Glassmorphism）、动态卡片悬浮、双主题无缝切换的最新 HTML 本地看板 boss_topic_board.html。
3. 把全量数据存一份脱水版到本地 topic_results_filtered.json 供备查。

✅ 强制防呆与自我校验机制 (Verification Guard & Fail-Safe)： 任何依赖项调用（生成 HTML 或 lark-cli 推送），Agent 必须检视执行后的 stdout / stderr 或返回值！

1. 如果顺利成功，继续往后执行。
2. 如果出现任何错误、异常或命令不存在：切勿替用户作主张忽略报错！除了向用户透出错误日志外，必须第一时间主动向用户请示接下来的对策（比如：“推送失败，是否尝试离线降级方案？”或“脚本运行报错，需要我怎么处理？”）。

Step 5: 回复用户

向用户总结汇报：

• 共搜索了哪几个关键词。
• 原始数据多少条，经过硬性过滤后存活的最新有效数据多少条。
• 如果是分支 A 且验证成功：提示数据已自动入库视图，并且卡片简报已推送到飞书聊天。
• 如果是分支 B 且验证成功：提示数据已生成为本地具有最新交互特效的 HTML 数据大屏，并温柔提示：“如果希望下次全自动连通落库，随时叫我帮你安装 lark-cli 哦”。

配置管理

新建配置

引导用户选择：

1. 监控关键词（可多个）
2. 目标城市
3. 薪资范围
4. 经验/学历要求（可选）
5. 配置命名

修改/删除配置

• _default.json 可修改内容，不可删除文件
• 其他配置可自由修改和删除

错误处理

错误	原因	处理
Network Error (首页就失败)	BOSS Session 被冷却	停止执行，提示用户在 Chrome 中打开 zhipin.com 手动通过验证码，等待 5-10 分钟
Network Error (翻页时失败)	触发了翻页反爬	不翻页，使用更多细分关键词替代
数据量不足	关键词太窄或城市限制	建议拆分为更多细分关键词，或放宽城市/薪资条件

已知限制

1. BOSS 直聘反爬较激进，单次 Session 内搜索次数有上限（建议 ≤ 7 次）
2. limit 最大为 15（单页），不支持翻页
3. 需要 Chrome 保持 BOSS 直聘的登录状态
4. 密集请求后可能触发图片验证码，需人工干预