理念 · 问题
AI 时代，传统招聘链路正在失效
简历是自我描述，面试能被训练——真正能证明能力的，是留下过的行为痕迹。
📄
简历可批量生成
AI 能写、能美化、能造假简历。HR 筛简历，筛的其实是"文案能力"，不是工作能力。
🎤
面试能被"面经"训练
八股题与题库被反复练习，面试表现与真实工作能力越来越脱节。
🤖
GitHub 也被 AI 污染
一键生成的模板仓库、刷的 star、灌水的 commit——只看表面数据，一样会被骗。
🔍
筛选成本越来越高
简历量爆炸 + 虚假信息泛滥，招聘方的验证成本和时间成本急剧上升。
结论：问题的解药不是"更多简历数据"，而是可验证的真实工作证据——这正是 GitHub 提供的东西，也是 JobAgent 要做的事。
方案 · 双向闭环
招聘与应聘，围绕同一份真实证据运转
GitHub 是中间的桥梁：企业的岗位要求与求职者的能力画像，都在同一份"真实工作痕迹"上对齐。
B端 · 企业招聘侧：从筛简历，到验证据
①发布岗位技术栈 · 能力标签 · 项目要求
②画像匹配排序能力画像 vs 岗位要求，自动匹配
③真实项目面试基于候选人仓库生成问题，问"为什么这样设计"
🟢 GitHub —— 真实工作痕迹
代码 · commit 历史 · PR 协作 · Issue 讨论 · 项目演进
C端 · 求职者应聘侧：GitHub 即活的简历
①授权 GitHubOAuth 登录，授权分析公开仓库
②仓库分析真实性验证 → 深度分析：代码、活跃度、协作
③能力画像 + 投递能力标签 · 改进建议 · 岗位推荐 · 一键投递
反馈闭环：面试反馈 → 求职者按建议改进仓库 → 能力画像持续更新 → 下一次投递更有竞争力
护城河 · 验证引擎
不止看 GitHub，更要鉴别 GitHub
AI 时代，GitHub 上同样充斥着"看起来努力"的假仓库。JobAgent 的核心能力是让证据可信。
AI 仓库识别
识别一键生成 / 模板克隆
检测无真实开发过程、代码雷同度过高的仓库，排除"看起来像项目"的空壳。
行为模式分析
识别刷 star / 异常 commit
commit 时间分布、贡献者结构、star 增长曲线——异常刷量模式无处遁形。
协作信号核验
PR · Issue · 真实协作记录
在真实项目中合并过的代码、参与过的讨论，比任何自我描述都更有说服力。
为什么这是护城河：单纯"展示 GitHub"没有门槛；只有把仓库分析成可信、可解释、可复核的能力证据，招聘方和求职者才都愿意长期使用——这是从工具到平台的分水岭。
路线 · 已决策
三大方向，全纳入产品迭代
不做排他选择——技术岗与非技术岗、企业服务与求职者服务、海内外市场，全部在迭代路线中逐步覆盖。
✅ 全纳入
目标用户
技术岗优先验证（GitHub 证据天然适配），逐步扩展非技术岗。
- 技术岗：仓库 · commit · 开源贡献
- 非技术岗：作品集 · 项目案例 · 证书
- 多元证据源，统一能力画像
✅ 全纳入
商业模式
企业服务与求职者服务双轨推进，收费节奏在迭代中验证。
- B端：企业 SaaS 招聘工具订阅
- C端：深度分析 · 岗位推荐 · 画像服务
- 双边网络效应：人越多，匹配越准
✅ 全纳入
市场地域
海内外兼顾，核心依赖 GitHub 全球生态，逐步兼容国内平台。
- 海外：GitHub 生态完整，优先验证
- 国内：兼容 Gitee 与本地化合规
- 同一套分析引擎，多平台接入
内测预约
输入你的 GitHub 用户名
产品开发中——提交后即加入内测队列（演示版，记录仅保存在你的浏览器本地）。
正式版将在这里展示你的仓库能力画像