careermate 0.0.1

package/docs/career-os/knowledge/verifiers/human-voice.md

@@ -0,0 +1,82 @@
+# 사람 목소리 (Human-voice) — CareerMate 교차검증 루브릭 (Phase A)
+
+> 이 검증기는 연결된 AI가 커리어 산출물(이력서·자소서·면접 답변·LinkedIn 등)을 점검할 때 적용하는 **크리틱 루브릭**이다. CareerMate는 루브릭을 제공하고, 실제 검사는 연결된 AI가 수행한다(내부 LLM 없음).
+
+## 1. 목적
+
+이 검증기는 커리어 산출물이 **"AI가 쓴 티"가 나지 않고 사람의 목소리로 읽히는지**를 보장한다. 채용 담당자는 천편일률적인 자동 생성 글을 즉시 알아채고 신뢰를 거둔다. 구체적으로 다음 네 가지를 본다.
+
+1. **슬롭 구문 밀도** — `delve`, `leverage`, `tapestry`, "오늘날과 같은", "~에 대한 열정" 같은 LLM 상투어·필러가 과하게 깔려 있지 않은가.
+2. **문장 길이 다양성 (burstiness)** — 짧은 문장과 긴 문장이 섞여 사람처럼 들숨날숨이 있는가, 아니면 비슷한 길이로 단조롭게 흐르는가.
+3. **목소리 일관성** — 어조·인칭·격식 수준이 글 전체에서 한 사람의 것으로 유지되는가, 짜깁기처럼 튀는 구간이 있는가.
+4. **사실·숫자·고유명사 보존** — 사람 목소리로 다듬는 과정에서 원본의 수치·날짜·회사명·기술명이 누락·왜곡되지 않았는가(절대 손상 금지 항목).
+
+핵심: 이 루브릭의 검사 항목은 **LLM 없이도 세거나(개수)·존재 여부 확인·비율 계산·패턴 매칭으로 판정**할 수 있게 설계되었다. 연결된 AI는 직접 세고, CareerMate는 원본/대상 텍스트와 이 기준표를 제공한다.
+
+## 2. 검사 항목
+
+> 적용 단위: 한 산출물(자소서 1편, 이력서 1부, 면접 답변 1세트 등). "문장"은 종결부호(`.`, `!`, `?`, `다.`, `요.`) 기준으로 분할한다. 한국어/영어 혼용 글도 동일 규칙을 적용한다.
+
+| ID | 검사 | 합격 기준 | 측정 방법(셀 수 있게) |
+|----|------|-----------|------------------------|
+| C1 | 슬롭 단어 밀도 | 슬롭 사전 단어가 **100단어당 1.5개 이하**, 그리고 동일 슬롭 단어가 **3회 초과 반복 없음** | 아래 §슬롭 사전과 대조해 일치 토큰 수를 센다 → (일치 수 ÷ 전체 단어 수) × 100. 단어별 등장 횟수도 집계 |
+| C2 | 슬롭 상투 구문 존재 | 금지 상투 구문 **0건** | 아래 §상투 구문 목록을 부분 문자열로 탐색, 매칭 건수 카운트 |
+| C3 | 문장 길이 다양성 (burstiness) | 문장 길이의 **표준편차 ≥ 5단어**, 그리고 **최단 문장 ≤ 8단어**인 문장이 1개 이상 존재 | 각 문장 단어 수 배열 → 표준편차 계산, 최솟값 확인 |
+| C4 | 문장 시작어 반복 | 동일 단어로 시작하는 문장이 **전체의 30% 미만**, 같은 시작어 **연속 3문장 금지** | 각 문장 첫 단어(조사 제외)를 모아 빈도 집계, 연속 동일 여부 확인 |
+| C5 | 단락 구조 단조성 (rule-of-three 남용) | "A, B, and/그리고 C" 형태 3단 병렬이 **단락당 1회 이하**, 글 전체 **3회 이하** | 3항 병렬 패턴(쉼표 2개 + 접속사) 매칭 수를 센다 |
+| C6 | 과장 형용사·부사 밀도 | "혁신적/seamless/robust/cutting-edge/획기적" 류 과장어가 **100단어당 1개 이하** | §과장어 사전과 대조해 일치 수 카운트 → 비율 계산 |
+| C7 | 인칭·어조 일관성 | 주 인칭(1인칭/3인칭)·문체(평서 "~다" vs 경어 "~습니다") 혼용이 **전체 문장의 10% 미만**, 격식 급변 구간 0 | 종결어미 유형을 문장별 태깅해 소수 유형 비율 계산 |
+| C8 | 사실·숫자 보존 | 원본의 모든 숫자(수치·퍼센트·연도·금액)가 대상 텍스트에 **100% 존재** | 원본에서 숫자 토큰 집합 추출 → 대상에 모두 포함되는지 집합 비교(누락 0) |
+| C9 | 고유명사 보존 | 원본의 회사명·제품명·기술명·자격증명 등 고유명사가 **100% 보존**, 철자 변형 0 | 원본 고유명사 목록 추출 → 대상에서 정확 일치 확인(누락·오타 0) |
+| C10 | 빈말 채움(filler) 문장 | 정보 없는 채움 문장("~에 대한 저의 열정은 남다릅니다" 류)이 **전체 문장의 5% 미만** | §filler 패턴과 매칭되거나 숫자·고유명사·동사 목적어가 전혀 없는 문장 수를 센다 |
+| C11 | 구체 증거(수치·사례) 존재 | 본문에 **정량 근거(숫자/기간/규모/성과 지표)가 최소 2개** 이상 | 숫자+단위/퍼센트/"N배"/"N명"/"N개월" 패턴 매칭 수가 2 이상인지 확인 |
+
+### 슬롭 사전 (C1 — 부분 일치로 카운트)
+
+영어: `delve, leverage, utilize, harness, streamline, underscore, robust, seamless(ly), pivotal, comprehensive, multifaceted, holistic, tapestry, landscape, realm, synergy, testament, beacon, paradigm, embark, navigate, unlock, unleash, empower, bespoke, foster, showcase, intricate, meticulous, vibrant, furthermore, moreover, additionally`
+
+한국어: `오늘날과 같은, 급변하는, 빠르게 변화하는, ~의 세계, 핵심적인 역할, 다양한 측면, 총체적, ~을(를) 통해 ~을(를) 도모, ~에 대한 깊은 이해, 가교 역할, 등불, 여정, 발돋움, 시너지, ~을 도모하고자`
+
+### 상투 구문 목록 (C2 — 0건이어야 함)
+
+`In today's [digital] age / In the fast-paced world of / It's important to note / It's worth noting / I hope this message finds you well / Let's dive in / embark on a journey / game changer / 오늘날과 같이 급변하는 / 본 지원자는 / 귀사의 무궁한 발전을 / 지원하게 되어 영광입니다 / 위에서 언급한 바와 같이 / 결론적으로 말씀드리자면`
+
+### 과장어 사전 (C6)
+
+`혁신적, 획기적, 탁월한, 압도적, 독보적, seamless, robust, cutting-edge, innovative, transformative, groundbreaking, world-class, game-changing, 최고의, 완벽한`
+
+### filler 패턴 (C10)
+
+문장 안에 (a) 숫자, (b) 고유명사, (c) 구체적 행위 동사+목적어 가운데 **하나도 없으면** 빈말 후보로 카운트. 예: "저는 이 일에 대한 열정이 누구보다 큽니다.", "최선을 다하겠습니다.", "많은 것을 배웠습니다."
+
+## 3. 불합격 시 처리(루프 연결)
+
+연결된 AI는 위 항목을 채점해 **불합격 항목 ID + 근거(센 수치/매칭된 문자열/위치)** 를 모은다. 그다음 항목별로 아래 수정 지시를 적용해 **재작성 → 동일 루브릭 재검증**한다. 재검증 통과까지 반복하되, **C8·C9(사실·고유명사 보존)는 단 1건이라도 위반 시 즉시 하드 실패**로 처리하고 다른 어떤 개선보다 우선해 복구한다.
+
+- **C1·C2·C6 위반(슬롭/상투/과장)**: 매칭된 단어·구문을 나열하고, 각각을 그 사람의 실제 경험·맥락에서 나온 **구체 표현으로 1:1 치환**한다. 일반론을 사실로 바꾼다. 치환 후 밀도를 다시 센다.
+- **C3·C4·C5 위반(단조로움)**: 긴 문장 1~2개를 쪼개 **짧은 강조 문장(≤8단어)** 을 삽입하고, 연속으로 같은 시작어를 쓴 문장의 도입부를 바꾼다. 3단 병렬을 1개로 줄이거나 문장 형태를 비대칭으로 푼다. 표준편차·시작어 분포를 재측정한다.
+- **C7 위반(목소리 불일치)**: 다수 종결어미·인칭으로 **전체를 통일**한다. 격식이 튀는 구간을 주변 톤에 맞춰 다시 쓴다.
+- **C10·C11 위반(빈말/근거 부족)**: 빈말 문장을 삭제하거나, 원본 데이터(`get_application_context`로 받은 경력·성과·스킬)에서 **수치·사례를 끌어와** 구체화한다. 없으면 지어내지 말고 사용자에게 해당 수치를 묻는다.
+- **C8·C9 위반(사실/고유명사 손상)**: 원본에서 누락·왜곡된 숫자·고유명사를 **원문 그대로 복원**한다. 추정·대체 금지. 복원 후 집합 비교를 재수행해 100%를 확인한다.
+
+재검증 종료 조건: **C1~C7·C10·C11 전부 합격 + C8·C9 위반 0건**. 한 항목이라도 불합격이면 루프를 멈추지 않는다.
+
+## 4. 출처 (Provenance)
+
+- **Perplexity & Burstiness (AI 텍스트 탐지 프레임워크)** — 사람 글은 문장 길이·구조의 변동성(burstiness)이 크고 AI 글은 균일하다는 1차적 구분 신호. C3·C4의 근거. · https://quillbot.com/blog/ai-writing-tools/burstiness-and-perplexity/ , https://www.tryleap.ai/learn/perplexity-vs-burstiness
+- **Wikipedia: Signs of AI writing** — 셀 수 있는 AI 작성 신호 목록(과용 단어, rule of three, "not only X but also Y" 병렬, title-case, em-dash·곡선 따옴표). C1·C2·C5의 근거. · https://en.wikipedia.org/wiki/Wikipedia:Signs_of_AI_writing
+- **ChatGPT 과용 단어 목록 (Walter Writes AI / Alston Antony)** — `delve, leverage, tapestry, robust, seamless` 등 슬롭 사전과 상투 구문의 1차 근거. C1·C2·C6. · https://walterwrites.ai/most-common-chatgpt-words-to-avoid/ , https://alstonantony.com/seo-strategy/chatgpt-overused/
+- **Harvard FAS Mignone Center for Career Success — Resume & Cover Letter Guide** — 의무가 아닌 성과, 측정 가능한 수치·구체 사례로 뒷받침하라는 권고. C10·C11의 근거. · https://careerservices.fas.harvard.edu/resources/harvard-college-guide-to-resumes-cover-letters/
+- **STAR 방법 + 정량 성과 (Resume.io / Teal 클리셰 가이드)** — "excellent communication skills" 같은 빈말을 "20% 향상" 같은 수치로 대체. C10·C11·C2. · https://resume.io/blog/star-method-resume , https://www.tealhq.com/post/resume-buzzwords-and-cliches
+
+## 5. Phase B 힌트
+
+- **MCP 도구 아이디어:**
+  - `get_verifier({ id: "human-voice" })` — 이 루브릭(검사 항목·사전·기준)을 구조화 JSON으로 연결 AI에 제공.
+  - `get_verifier_dictionaries({ lang })` — 슬롭/과장/상투 사전을 언어별로 분리 제공(한·영). 사전은 데이터로 두고 버전 관리해 신어 추가가 쉽게.
+  - (선택) `precount_human_voice({ text, original })` — LLM 없이 결정적으로 셀 수 있는 항목(C1, C3, C8, C9, C11)을 CareerMate가 로컬에서 미리 카운트해 후보 위반을 표시(연결 AI는 판단만). 단, 두뇌는 외부 AI라는 원칙상 "측정 보조"로만 한정.
+- **데이터 형태 힌트:**
+  - 검사 항목: `{ id, label, pass_rule, measure, severity: "soft"|"hard" }`. C8·C9는 `severity:"hard"`.
+  - 사전: `{ lang, category: "slop"|"hype"|"cliche"|"filler", terms: string[], match: "substring"|"regex" }`.
+  - 결과 리포트: `{ outcome: "pass"|"fail", failed_checks: [{ id, observed, threshold, evidence: string[] }], loop: "rewrite"|"done" }` — 루프 오케스트레이션이 `failed_checks`만 보고 재작성 지시를 생성.
+  - 임계값(1.5/100단어, σ≥5 등)은 코드 상수가 아니라 설정값으로 두어 산출물 유형(이력서 vs 자소서)별 프로파일을 허용.

package/docs/career-os/knowledge/verifiers/recency-staleness.md

@@ -0,0 +1,72 @@
+# 신선도·시의성 / Recency & Staleness — CareerMate 교차검증 루브릭 (Phase A)
+
+> 이 검증기는 연결된 AI가 커리어 산출물(이력서·자소서·면접 답변·LinkedIn·분석 등)을 점검할 때 적용하는 **크리틱 루브릭**이다. CareerMate는 루브릭을 제공하고, 실제 검사는 연결된 AI가 수행한다(내부 LLM 없음).
+
+## 1. 목적
+
+이 검증기는 **모든 커리어 산출물이 "충분히 최신인 입력 위에서, 그 입력의 수집·기준 시점을 정직하게 드러내며" 만들어졌음**을 보장한다. 즉 적합도 분석은 *현재 버전*의 이력서·JD에 근거했고, 연봉 협상은 *아직 stale하지 않은* 시장 데이터에 근거했으며, 회사 리서치의 "최근 뉴스"가 *실제로 최근*이고, 모든 시점 민감 주장에 **as-of 날짜(기준일)** 가 붙어 있음을 검사한다. 이것은 데이터 품질의 표준 차원인 **timeliness(필요 시점 가용성)·currency(현실 반영 최신성)** 를 커리어 산출물에 적용한 게이트다(DAMA DDQ).
+
+이 검증기가 막으려는 5가지 실패 모드:
+
+- **stale 시장데이터로 협상(stale benchmark):** 6개월·12개월 지난 연봉 벤치마크를 "현재 시세"처럼 인용해 협상 앵커를 잘못 잡음.
+- **낡은 뉴스를 "최근"으로 표기(false recency):** 12~18개월 지난 사건을 "최근 출시/투자/조직개편"으로 면접에서 인용 → 준비 부족 노출.
+- **버전 드리프트(version drift):** 이력서·JD가 바뀐 뒤에도 옛 버전에 근거한 적합도 분석·자소서를 그대로 사용(재분석 트리거 없음).
+- **날짜 없는 시점주장(undated temporal claim):** "최근", "현재", "요즘"이라 하면서 기준일이 없어 검증·갱신 불가능.
+- **만료 자격·기간 미갱신(expired credential / open-ended tenure):** 만료된 자격증·인증, "현재 재직 중"인데 종료된 포지션, 미래 졸업/이수 예정을 완료로 표기.
+
+> 경계 원칙: **이 검증기는 "사실이 참인가"(진실성)가 아니라 "그 사실이 아직 유효·최신이고, 시점이 드러나 있는가"(시의성)만 본다.** 사실은 참이어도 6개월 전 데이터면 협상에서는 위험하고, "최근"이라는 라벨은 시점이 붙어야만 검증된다. 이는 진실성(`truthfulness.md`)·일관성(`consistency.md`)과 **독립 축**이다 — 그 둘은 "값이 저장 데이터와 일치/무모순한가"를 보지만, 이 검증기는 "그 값·입력이 *언제* 것이고 *지금도 유효한가*"라는 시간 축을 단독으로 본다.
+
+핵심 제약상 "6개월"의 적정성·뉴스의 실제 최신성 같은 의미 판단은 결정론으로 100% 셀 수 없다. 따라서 항목을 **(가) LLM 없이 날짜 비교·존재여부로 셀 수 있는 결정론 게이트**와 **(나) 연결된 AI가 라벨·맥락을 판정하는 항목**으로 나눠 설계하고, 각 항목에 어느 쪽인지 표시한다.
+
+## 2. 검사 항목
+
+표기: **[det]** = CareerMate가 LLM 없이 셀 수 있는 결정론 체크(날짜 차이·존재여부·정규식·비율). **[ai]** = 연결된 AI가 라벨·의미를 판정(개수로 환원해 보고). 기준일 `now`는 검증 실행 시각(예: 2026-06-17).
+
+| ID | 검사 | 합격 기준 | 측정 방법(셀 수 있게; det/ai 구분) |
+|----|------|-----------|------------------------|
+| C1 **[det]** | **시장데이터 신선도(benchmark staleness)** — 연봉·보상 벤치마크의 `captured_at`이 임계(기본 6개월) 이내인가 | stale 벤치마크 사용 = **0** (또는 stale 표기 후에만 참고치로 사용) | 협상/오퍼평가에 쓰인 각 benchmark의 `captured_at`과 `now`의 개월차 계산 → `months_diff > 6` 건수 보고. `> 6`인데 산출물에 `stale` 라벨이 없으면 FAIL. `> 12`는 critical |
+| C2 **[ai]** | **"최근 뉴스" 스테일 FAIL** — '최근'으로 라벨된 회사 리서치 fact의 출처 날짜가 6개월 이내인가 | 6개월 초과를 "최근"으로 표기 = **0** | `label=='recent'`인 fact의 `dated`(YYYY-MM)와 `now`의 개월차 계산 → `months_diff > 6` 건수 보고. AI는 산문 속 "최근/요즘/현재"가 어느 fact를 가리키는지 매핑. 12~18개월 초과는 `stale`로 강제 라벨 |
+| C3 **[det]** | **분석 입력 버전 추적(version provenance)** — 적합도 분석·자소서가 근거한 이력서 버전 ID·JD 식별자가 기록되어 있는가 | `resumeVersionId`·`jobId`(또는 JD 해시) 둘 다 존재 | 산출물 메타에 `resumeVersionId != null && jobId != null` 여부. 하나라도 null이면 FAIL(재분석 트리거 불능) |
+| C4 **[det]** | **버전 드리프트 감지(stale analysis)** — 분석이 근거한 이력서·JD 버전이 *현재* 저장 버전과 동일한가 | 드리프트 = **0** | 산출물의 `resumeVersionId`·JD 해시를 저장된 *최신* 버전 ID·해시와 비교 → 불일치 건수 보고. 불일치면 "근거 데이터가 바뀜 → 재분석 필요" 플래그 |
+| C5 **[det]** | **시점주장 날짜 부착(dated temporal claims)** — 시점 민감 표현("최근/현재/요즘/올해/지난 분기/now")에 기준일(as-of)이 붙어 있는가 | 날짜 없는 시점주장 = **0** | 정규식 `(최근\|요즘\|현재\|올해\|작년\|지난\s?(분기\|해\|달)\|recent\|currently\|as of\|latest)`로 시점표현 토큰 수 `N_temporal`를 센다 → 같은 절(clause) 내 또는 출처 메타에 `YYYY`/`YYYY-MM` 동반 비율 계산 → 날짜 미동반 건수 보고 |
+| C6 **[ai]** | **자격·인증 유효기간(credential expiry)** — 만료일이 있는 자격증·인증(예: AWS/PMP/어학성적 2년 유효)이 `now` 기준 유효한가 | 만료된 자격을 유효처럼 표기 = **0** | 자격 항목의 `expires_at`(또는 취득일+유효기간 규칙)을 `now`와 비교 → 만료 건수 보고. 만료된 항목은 "취득(만료)"로 표기하거나 갱신 안내. 만료일 미상은 `[유효기간 확인 필요]` 1건 |
+| C7 **[det]** | **재직·진행 종료시점 정합(open-ended tenure)** — "현재 재직/진행 중(present/현재)"으로 표기된 항목이 실제로 진행 중인가, 미래 완료를 완료로 적지 않았는가 | 모순 = **0** | `현재\|present\|재직 중\|진행 중` 표기 항목 중 저장 타임라인에 `end_date`가 이미 있는 건수, 그리고 `start_date`나 졸업/이수 예정일이 `now`보다 미래인데 "완료/수료"로 표기된 건수 보고 |
+| C8 **[ai]** | **시한성 정보 만료(time-bound facts)** — 직무·시장·기술 언급이 더는 유효하지 않은 옛 사실이 아닌가(폐기된 제품/지난 펀딩라운드를 "최신"으로, 단종 기술스택을 "현재 트렌드"로) | 만료된 시한 사실 = **0** | AI가 "최신/현재/지금 뜨는/state-of-the-art" 류 시한성 주장 토큰을 센 뒤, 각 주장에 출처 날짜가 있고 그 날짜가 임계 이내인지 판정 → 날짜 없거나 임계 초과 건수 보고 |
+| C9 **[det]** | **신선도 커버리지/비율(freshness ratio)** — 시점 민감 주장 전체 중 (a)날짜가 붙고 (b)임계 이내인 비율 | freshness_ratio = **1.0** | `freshness_ratio = (N_temporal − N_undated − N_stale) / N_temporal`. C1·C2·C5·C8의 분자/분모를 합산해 단일 수치로 보고. 1.0 미만이면 불합격 |
+
+> critical 등급: **C1(>12개월 벤치마크)·C2(12~18개월+ 뉴스를 "최근")·C4(버전 드리프트)** 는 발견 시 해당 산출물을 즉시 불합격 처리(낡은 입력으로 한 협상·리서치·분석 차단). C3은 게이트(없으면 추적 불능 → 불합격). C5·C6·C7·C8은 건수 누적으로 판단하되 0을 목표로 하고, C9는 게이트(1.0이어야 합격). 임계 개월수(6/12/18)는 직무·시장에 따라 조정 가능한 파라미터로 둔다(빠르게 변하는 시장은 더 짧게).
+
+## 3. 불합격 시 처리(루프 연결)
+
+연결된 AI는 아래 순서로 **수정 → 재검증**한다. 재검증은 동일 루브릭 전 항목을 다시 돌려 **C1·C2·C4 critical = 0 이고 C3 존재 = true 이며 C9 freshness_ratio = 1.0** 일 때만 통과로 본다.
+
+1. **분류 먼저.** 각 불합격 항목을 (a) stale 입력 (b) false recency 라벨 (c) 버전 드리프트 (d) 날짜 누락 (e) 만료 자격/기간 중 하나로 라벨링한다.
+2. **(a) stale 입력 → 재수집 또는 강등.** stale한 연봉 벤치마크(C1)는 사용자가 **새로 수집**해 `save_compensation_benchmark`로 갱신한 뒤 재분석한다. 즉시 재수집이 불가하면 그 수치를 협상 앵커에서 빼고 "기준일 YYYY-MM, 신선도 주의(참고치)"로 강등 표기한다 — 낡은 수치를 현재 시세로 단정하지 않는다.
+3. **(b) false recency → 라벨 정정 또는 교체.** 6개월 초과 뉴스(C2)는 "최근" 라벨을 떼고 날짜를 명시(`2025-08 발표`)하거나, 라이브로 더 최신 뉴스를 찾아 교체한다. 12~18개월 초과는 `stale`로 표기해 면접 인용에서 제외한다.
+4. **(c) 버전 드리프트 → 재분석 트리거.** 분석의 `resumeVersionId`·JD 해시가 최신과 다르면(C4), 최신 버전으로 적합도 분석·자소서를 **다시 생성**한다. 사용자에게 "이력서/공고가 바뀌어 이전 분석이 낡았다 → 다시 분석한다"를 쉬운 한국어로 안내한다.
+5. **(d) 날짜 누락 → as-of 부착.** 날짜 없는 "최근/현재"(C5)에는 출처 기준일(`YYYY-MM`)을 붙인다. 기준일을 모르면 그 시점 주장을 정성 표현으로 일반화하거나 `[기준일 확인 필요]`로 표시한다(추측 날짜 금지 — 진실성 검증기와 연동).
+6. **(e) 만료 자격/기간 → 갱신 또는 표기.** 만료된 자격증(C6)은 "취득(만료, 갱신 필요)"로 표기하거나 사용자에게 갱신 여부를 묻는다. 종료된 포지션의 "현재 재직 중"(C7)은 실제 `end_date`로 정정하고, 미래 졸업/이수 예정은 "YYYY-MM 졸업예정"으로 표기한다.
+7. **재검증 게이트.** 수정본을 다시 C1~C9에 통과시킨다. critical(C1>12mo·C2 stale·C4 드리프트) 중 하나라도 남으면 루프를 반복한다. 시장 데이터 재수집이 사용자 액션을 요구하면(2회 시도 후에도 미해결), 해당 보상 수치를 산출물에서 보류하고 사용자에게 수집을 요청한다(낡은 값으로 무한 진행 금지).
+8. **저장.** 통과한 산출물만 저장 도구(`save_fit_analysis`·`save_cover_letter_version`·`save_interview_prep`·`save_compensation_benchmark` 등)로 보관한다. 검증 결과 요약(`freshness_ratio=1.0`, `stale=0`, `as_of=YYYY-MM`, 근거 버전 ID)을 산출물 메타에 함께 남겨 다음 재분석 트리거의 기준으로 삼는다.
+
+## 4. 출처 (Provenance)
+
+- **DAMA DDQ — Dimensions of Data Quality (timeliness / currency)** (1차/표준, 신뢰 높음) — 데이터 품질의 표준 차원으로 **timeliness**(필요 시점에 가용)와 **currency**(현실을 얼마나 최신으로 반영) 정의. 이 검증기를 "커리어 데이터의 timeliness·currency 게이트"로 정초하는 1차 근거. · DAMA-NL, "Dimensions of Data Quality (DDQ) Research Paper v1.2" https://www.dama-nl.org/wp-content/uploads/2020/09/DDQ-Dimensions-of-Data-Quality-Research-Paper-version-1.2-d.d.-3-Sept-2020.pdf
+- **timeliness vs freshness vs currency 구분** (2차/벤더, 보강) — "timeliness=필요 시점 가용, freshness=사용 순간의 최신성, currency=현실과의 최신 일치(6개월 전 이사면 currency 결여)"라는 실무 정의. C5(as-of)·C1·C2 설계의 보강 근거. · Soda, "Data Quality Dimensions: The No-BS Guide" https://soda.io/blog/guide-to-data-quality-dimensions
+- **연봉 시장데이터의 stale 위험·갱신 주기** (2차/벤더, 정성적 방향성) — 보상 밴드가 통상 1년 이상 묵은 데이터로 구축되고, 시장이 빠르게 움직여 stale data가 임금 격차·salary inversion을 낳음. 제공자는 monthly/quarterly, 최신은 weekly/daily 갱신 — **데이터 recency를 반드시 검증하라**는 실무 권고. C1(6개월 임계·stale 플래그)의 직접 근거. · JobsPikr, "Pay Equity Analytics: Stop Using Outdated Salary Data" https://www.jobspikr.com/blog/pay-equity-analytics-compensation-benchmarking/ · Ravio, "How to use market pricing for compensation" https://ravio.com/blog/market-pricing-compensation
+- **연봉 협상 데이터 시의성** (2차/업계, 보조) — 의사 등 빠르게 변하는 직무 시장은 연 1회 서베이로는 부족, 협상엔 더 current한 자료가 필요. C1의 시장별 임계 조정(빠른 시장=짧은 임계) 근거. · American Medical Association, "Must-have dataset for physician salary negotiations" https://www.ama-assn.org/medical-residents/transition-resident-attending/check-out-must-have-dataset-physician-salary
+- **회사 리서치의 "최근 뉴스" 시의성** (대학 커리어센터/2차, 신뢰 높음) — 구체적·최근 동향 언급은 면접 최강 신뢰 신호이며, 낡은 "최근"은 준비 부족을 드러냄. C2의 직접 근거. · UF Career Connections Center, "Four Steps for Researching an Employer" https://career.ufl.edu/four-steps-for-researching-an-employer/ · Ohio State ECS, "How to Research a Company for an Interview" https://www.ecs.osu.edu/news/2025/02/how-research-company-interview
+- **CareerMate 내부 앵커(1차)** — 신선도 우려를 흩어진 채로 두지 않고 횡단 검증기로 승격한 근거: `salary-negotiation.md`(`evaluate_offer`의 `captured_at` 6개월 초과 시 **stale 플래그**·통화/지역 mismatch 규칙) → C1; `company-research.md` **R3**(최근뉴스 `dated` 6개월 이내, 12~18개월 초과 stale, 날짜 날조 금지) → C2·C5; `fit-matching.md` **R10**(분석 근거 `resumeVersionId`·`jobId` 기록으로 재분석 트리거) → C3·C4. · CareerMate `docs/career-os/knowledge/{salary-negotiation,company-research,fit-matching}.md`; `AGENTS.md`(추측 금지·확인 우선)
+
+> 로케일 분기: **글로벌(테크)** 은 levels.fyi류 데이터에 `갱신 YYYY-Qn`이 붙어 신선도 추적이 쉽고 시장이 빠르므로 임계를 더 짧게(예: 3~6개월) 둘 수 있다. **한국**은 공채·자사양식 중심에 LinkedIn 침투가 낮아 외부 실시간 신호가 희소하고, 보상 참고치는 잡플래닛 연봉 제보·DART 사업보고서가 주된데 **DART는 연 1회 공시(전사 평균)** 라 본질적으로 최대 ~12개월 묵을 수 있다 → 한국 보상 데이터는 "수집일+공시 회계연도"를 함께 표기하고 6개월 임계를 *경고*로, 12개월을 *critical*로 적용한다(공시 주기 한계를 인정하되 stale를 숨기지 않음).
+
+## 5. Phase B 힌트
+
+- **MCP 도구 아이디어:**
+  - `get_verifier({ id: "recency-staleness" })` — 이 루브릭(JSON: 항목·합격기준·det/ai 플래그·임계 개월수 파라미터·정규식 패턴·critical 등급)을 연결된 AI에게 그대로 serve.
+  - `check_staleness({ artifact_id, now })` — det 항목을 CareerMate가 LLM 없이 계산: 저장된 benchmark `captured_at`, fact `dated`, `resumeVersionId`/JD 해시 vs 최신 버전을 `now`와 비교해 `{ stale_benchmarks[], stale_news[], version_drift: bool, undated_temporal_count, freshness_ratio }` 반환. 시점표현 정규식 카운트(C5)도 여기서 수행.
+  - `get_freshness_anchors({ scope })` — 신선도 비교용 기준 집합 제공: `{ latest_resume_version_id, latest_jd_hashes[], benchmarks: [{..., captured_at}], credentials: [{name, expires_at}], timeline: [{role, start, end|null}], now }`. C1·C3·C4·C6·C7의 비교 대상으로 직접 사용.
+- **데이터 형태 힌트:**
+  - 모든 시점 민감 값에 `as_of`(YYYY-MM 또는 YYYY-Qn)와 `source_dated`를 1급 필드로 강제. benchmark는 `captured_at`(필수)+`region`+`currency`로 평탄화해 신선도/통화/지역을 한 번에 규칙 검증.
+  - 산출물 메타에 `freshness: { ratio: 1.0, stale_count: 0, version: { resumeVersionId, jobId|jd_hash }, checked_at, as_of }`를 저장해 (a) `applied`/협상 단계 전환 전 통과 필수 게이팅, (b) 대시보드의 "근거 데이터가 낡음 → 재분석" 배지 표시, (c) 저장된 이력서·JD가 갱신되면 의존 산출물의 `version` 불일치를 감지해 **자동 재분석 큐**에 올리는 트리거로 활용.
+  - 임계 개월수(news 6/12·benchmark 6/12)는 시장·로케일별 파라미터 테이블(`thresholds: { news_recent: 6, news_stale: 18, benchmark_warn: 6, benchmark_critical: 12 }`)로 외부화해 빠른 시장은 더 짧게 조정.

package/docs/career-os/knowledge/verifiers/responsiveness-on-target.md

@@ -0,0 +1,82 @@
+# 질문-응답 적합성 / Responsiveness & On-target — CareerMate 교차검증 루브릭 (Phase A)
+
+> 이 검증기는 연결된 AI가 커리어 산출물(이력서·자소서·면접 답변·LinkedIn·분석 등)을 점검할 때 적용하는 **크리틱 루브릭**이다. CareerMate는 루브릭을 제공하고, 실제 검사는 연결된 AI가 수행한다(내부 LLM 없음).
+
+## 1. 목적
+
+이 검증기는 산출물이 **던져진 질문·요건에 실제로 응답했는가**를 보장한다. 자소서 문항·면접 질문·JD(job description) 요건은 명시적인 "질문"이다. 글이 아무리 매끄럽고(human-voice) 사실에 충실하며(truthfulness) 산출물 간 모순이 없어도(consistency), **묻지 않은 것을 답하면(동문서답) 즉시 탈락**한다. `human-writing` 지침이 경고한 "슬롭 0이어도 동문서답이면 탈락"을 잡는 **마지막 방어선**이다.
+
+구체적으로 다음 네 가지 실패 모드를 막는다.
+
+- **동문서답(off-target):** 문항이 "지원동기"를 물었는데 성장과정을 쓰거나, 면접관이 "갈등 해결 경험"을 물었는데 일반론으로 답함.
+- **부분 응답(partial coverage):** 한 문항에 여러 하위 질문(예: "경험과 그로부터 배운 점, 그리고 입사 후 계획")이 있는데 일부만 답함.
+- **형식 미충족(format miss):** 문항이 요구한 응답 형식(경험 서술 / 이유 / 향후 계획 / 글자 수)을 충족하지 못함.
+- **요건 미커버(JD gap):** JD가 명시한 필수 요건·키워드가 이력서·자소서에서 한 번도 다뤄지지 않음.
+
+> **독립 축 선언:** 이 검증기는 truthfulness(사실이 데이터로 추적되는가)·consistency(산출물 간 모순이 없는가)·ats-compat(기계가 파싱하는가)·human-voice(사람 목소리인가)와 **겹치지 않는 별개의 축**이다. 그 넷은 모두 "답이 좋은가/참인가/일관되는가"를 보지만, 이 검증기만이 **"그게 던져진 질문에 대한 답이긴 한가"(응답성)** 를 본다. 좋은 글이 잘못된 질문에 답하는 경우를 다른 어떤 검증기도 잡지 못한다.
+
+핵심: 검사 항목은 가능한 한 **LLM 없이 셀 수 있게**(키워드 교집합 개수·요구 행동 커버리지 비율·형식 토큰 존재 여부·글자 수 비교) 설계했고, 의미 판단이 필요한 항목은 `ai`로 정직하게 표시한다.
+
+## 2. 검사 항목
+
+> 적용 단위: **(질문, 응답) 쌍** 1개. 질문 = 자소서 문항 1개 / 면접 질문 1개 / JD 요건 블록 1개. 응답 = 그에 대응하는 답변 텍스트.
+> 측정 보조 개념:
+> - **질문 키워드(Q-keyword):** 질문에서 추출한 핵심어(불용어 제거 후 명사·동사·고유명사). 한국어는 조사 분리.
+> - **요구 행동 동사(directive verb):** 질문이 요구하는 응답 행위. 예: "설명하라/서술하라"(경험), "이유는"(근거), "어떻게 하겠는가/계획은"(계획), "배운 점"(교훈).
+> - **det** = LLM 없이 결정론으로 셀 수 있음 · **ai** = 연결된 AI의 의미 판정 필요. 등급 **D**(결정론 게이트) / **H**(휴먼/AI 판정).
+
+| ID | 검사 | 합격 기준 | 측정 방법(셀 수 있게; det/ai 구분) |
+|----|------|-----------|------------------------|
+| C1 | 질문↔응답 매핑 존재 | 모든 질문에 **대응 응답 블록이 1:1 존재**. 미응답 문항 0개 | det/D · 입력된 질문 개수 = 응답 블록 개수인지 비교. 매핑 안 된 질문 ID 개수 = 0 |
+| C2 | 요구 행동 커버리지 | 질문이 요구한 directive 행동을 **모두** 충족(예: "경험+배운점+계획" 3요소면 3개 모두). 충족률 = 100% | det/D · 질문에서 directive 동사 목록 추출 → 응답에서 각 요소 대응 문장 존재 여부 태깅 → (충족 요소 수 ÷ 요구 요소 수). 1.0 미만이면 미충족 요소 나열 |
+| C3 | 질문 키워드 교집합 | 응답이 Q-keyword 상위 N개(기본 5) 중 **≥ 60%** 를 본문에서 다룸(동의어 허용) | det/D(정확 일치) + ai/H(동의어·환언 판정) · 교집합 토큰 수 ÷ N. 미달 시 누락 키워드 목록 출력 |
+| C4 | 첫 문장 온타깃 | 응답 **첫 1~2문장**이 질문 주제어를 직접 언급(두괄식·결론 우선). 서론만 길고 본론 없는 "워밍업" 금지 | det/D · 첫 1~2문장에 Q-keyword가 1개 이상 등장하는가(존재 여부) |
+| C5 | 형식 토큰 충족 | 문항이 명시한 형식 요소가 모두 존재. 예: STAR 면접이면 Situation·Task·Action·Result 4요소, "구체적 사례" 요구면 사례 1건+ | det/D · 형식 체크리스트별 대응 토큰/구간 존재 카운트 → 누락 요소 수 = 0 |
+| C6 | 글자 수/분량 준수 | 자소서 문항의 **글자 수 상·하한**을 지킴(한국 공채 자사양식의 핵심 탈락 사유). 범위 내 | det/D · 응답 길이(공백 포함/제외 둘 다) vs 문항 제한. 초과·미달 글자 수 출력 |
+| C7 | 질문 직접 응답성 | 응답이 질문에 **직접** 답하고 우회·일반론으로 빠지지 않음(off-target/회피 0건) | ai/H · 연결 AI가 "이 응답이 이 질문에 답하는가"를 Y/N 판정. N이면 빗나간 지점 명시 |
+| C8 | JD 필수 요건 커버리지 | JD의 **필수(required) 요건** 항목 중 산출물(이력서+자소서)에서 다뤄진 비율 **≥ 80%**, 필수 요건 미커버 **0개** | det/D · JD에서 필수/우대 요건 분리 추출 → 각 요건 키워드가 산출물에 존재하는지 매칭 → (커버 요건 ÷ 전체 필수). 미커버 필수 요건 나열 |
+| C9 | JD 우대 요건 커버리지 | **우대(preferred)** 요건 커버 비율 보고(차단 아님, 경고). 권장 ≥ 50% | det/D · C8과 동일 로직을 우대 요건에 적용. 비율만 리포트, 미달은 warning |
+| C10 | 과잉/딴소리 비율 | 응답 중 질문과 무관한 문장(Q-keyword·directive 어느 것과도 무관) 비율 **< 20%** | det/D + ai/H · 각 문장을 질문 관련/무관으로 태깅(키워드 매칭=det, 환언 무관 판정=ai) → 무관 문장 비율 |
+| C11 | 질문 전제·제약 준수 | 질문이 건 제약(예: "**팀** 경험", "**실패** 사례", "최근 3년 내")을 응답이 위반하지 않음 | ai/H · 질문의 한정어(팀/개인, 성공/실패, 기간) 추출 → 응답 사례가 그 한정과 일치하는지 판정. 위반 사례 개수 = 0 |
+
+### Locale 분기 (한국 vs 글로벌)
+
+- **한국(공채·자사양식):** C5·C6이 1차 게이트. 자사양식 문항은 **글자 수 제한이 엄격**하고(C6), "성장과정/지원동기/직무역량/입사 후 포부" 같은 **정형 문항 유형**이 directive를 규정한다(C2). 자소서에 별도 문항이 없고 "자유 기술"이면 C1·C2는 **인재상·직무기술서 키워드**를 질문 대용으로 사용. 포괄임금·공채 특성상 JD가 느슨할 수 있어 C8은 **채용공고+직무기술서+인재상**을 합쳐 요건 풀로 만든다.
+- **글로벌(JD 중심·LinkedIn):** C8·C9가 1차 게이트. JD의 required/preferred 분리와 키워드 커버리지(ATS 정합)가 핵심. 면접은 STAR(C5) 중심. cover letter는 보통 단일 자유 양식이라 C6 대신 **JD 요건 응답성(C8)** 이 주 축.
+
+## 3. 불합격 시 처리(루프 연결)
+
+연결된 AI는 위 항목을 채점해 **불합격 항목 ID + 근거(미응답 문항 ID·미충족 directive·누락 키워드·초과 글자 수·미커버 요건 목록)** 를 모은다. 그다음 항목별로 아래 수정 지시를 적용해 **보강 재작성 → 동일 루브릭 재검증**한다. 통과까지 반복.
+
+- **C1 미응답 문항(critical):** 빠진 문항에 대응하는 답변 블록을 **새로 작성**한다. 데이터가 없으면 지어내지 말고 `get_application_context`/사용자 확인으로 재료를 모은 뒤 작성. 재검증.
+- **C2 directive 미충족(critical):** 누락된 요구 요소(예: "배운 점", "입사 후 계획")를 응답에 **명시적으로 추가**한다. 한국 정형 문항은 해당 문항 유형의 필수 요소표를 적용. 재측정.
+- **C3·C4 온타깃 부족(critical):** 두괄식으로 **첫 문장을 질문 핵심어로 다시 쓰고**, 누락 Q-keyword를 본문에 자연스럽게 반영(키워드 스터핑 금지, 실제 경험 맥락으로). human-voice·truthfulness와 충돌하지 않게 사실 보존. 재측정.
+- **C5 형식 미충족(critical):** 누락 형식 요소를 채운다. STAR면 빠진 S/T/A/R 단계를 보강, "구체적 사례" 요구면 실제 사례 1건을 데이터에서 끌어와 삽입. 없으면 사용자에게 사례를 묻는다. 재검증.
+- **C6 글자 수 위반(critical, 한국):** 초과면 빈말·중복부터 **삭제 우선**(human-voice의 filler 제거와 연계), 미달이면 구체 수치·사례로 **증거 보강**. truthfulness를 깨지 않는 선에서. 범위 안에 들 때까지 루프.
+- **C7·C10·C11 위반(critical):** 질문과 무관한 구간을 **삭제하거나 질문에 맞게 재초점화**한다. C11 전제 위반(예: 성공 사례를 물었는데 실패담)은 **올바른 전제의 사례로 교체**. 재판정.
+- **C8 필수 요건 미커버(critical):** 미커버 필수 요건 각각에 대해 (a) 사용자에게 해당 경험이 있는지 확인 → 있으면 산출물에 반영, (b) 없으면 인접 역량으로 보완하고 갭을 사용자에게 정직히 고지(없는 경험 날조 금지 — truthfulness 게이트 준수). 재검증.
+- **C9 우대 요건(warning):** 차단하지 않고 커버율을 사용자에게 안내. 보유 우대 요건이 있는데 누락됐으면 추가 권유.
+- **종료 조건:** **C1·C2·C5·C7·C8·C11 = 합격(critical 0건)** + C3·C4·C6 합격 + C9·C10은 사용자 확인 완료. 한 critical이라도 불합격이면 루프를 멈추지 않는다. 통과 시 `save_cover_letter_version`/`save_fit_analysis`/`save_interview_prep` 등 다음 단계로 진행하고 대시보드(`http://127.0.0.1:4319`) 링크를 안내한다.
+
+## 4. 출처 (Provenance)
+
+- **STAR 프레임워크(Situation·Task·Action·Result) — 면접 응답 형식 요건(C5)** — (1차/대학 커리어센터) UVA Career Center · https://career.virginia.edu/Students/Launch/Interviews/STAR ; Northwestern Career Advancement · https://www.northwestern.edu/careers/jobs-internships/interviewing/the-star-approach.html
+- **면접 비응답(off-target)·우회·횡설수설이 부정적 인상과 탈락으로 직결 — 직접 응답성(C7·C10)** — (1차/정부·표준) U.S. DOL/ILAB Enumerator Training: Interviewing Techniques(질문에 직접·간결 응답, 드리프트 시 probing으로 복귀) · https://www.dol.gov/sites/dolgov/files/ILAB/Section%202%20-%20ILAB%20Enumerator%20Training%20Manual%20-%20Interviewing%20Techniques.pdf
+- **응답이 질문과 불일치하는 현상의 측정 가능성(2~4% 반복 비응답) — 응답성을 독립 축으로 계량 가능 근거** — (1차/연구기관) Pew Research Center, "Answers that did not match the question" · https://www.pewresearch.org/methods/2020/02/18/answers-that-did-not-match-the-question-were-concentrated-in-opt-in-polls/
+- **JD 키워드 커버리지·매치율(필수/우대 분리, 섹션 가중, 60~85% 타깃) — JD 요건 응답성(C8·C9)** — (2차/벤더) Jobscan Resume Scanner · https://www.jobscan.co/resume-scanner ; Scale.jobs, "Match Resume Keywords to Job Descriptions" · https://scale.jobs/blog/how-to-match-resume-keywords-to-job-descriptions
+- **한국 자소서 정형 문항 유형(지원동기·성장과정·직무역량·입사 후 포부)과 문항별 요구 요소·평가표 — directive 커버리지(C2)·locale 분기** — (2차/공공·취업지원) 광주광역시 서구 일자리센터, "자기소개서의 이해 및 문항유형" · https://www.seogu.gwangju.kr/menu.es?mid=b70502010200 ; HAIJOB, "자소서 항목별 작성법" · https://www.haijob.co.kr/blog/how-to-prepare-for-each-item-of-cover-letter-motivation-for-application-growth-process-job-competency-aspiration-after-joining-the-company-etc/
+- **한국 자사양식 자소서 글자 수 제한 준수 — 분량 게이트(C6)** — (2차/취업지원) 인크루트, "자소서 직무역량 전략적 작성 TIP" · https://news.incruit.com/news/newsview.asp?newsno=436828
+
+## 5. Phase B 힌트
+
+- **MCP 도구 아이디어:**
+  - `get_verifier({ id: "responsiveness-on-target" })` — 이 루브릭(검사 항목·directive 맵·locale 분기)을 구조화 JSON으로 연결 AI에 제공.
+  - `extract_questions({ source })` — 자소서 문항/면접 질문/JD 텍스트에서 질문 단위와 directive·형식·글자 수 제약·전제를 구조화해 추출(추출은 연결 AI, 스키마는 CareerMate가 제공).
+  - `precount_responsiveness({ qa_pairs, jd })` — LLM 없이 결정론으로 셀 수 있는 항목(C1 매핑, C2 directive 토큰, C3 키워드 교집합, C4 첫 문장, C5 형식 토큰, C6 글자 수, C8/C9 요건 커버리지)을 로컬에서 미리 카운트해 후보 위반 표시. 의미 판정(C7·C10·C11)은 연결 AI 몫. 두뇌는 외부 AI라는 원칙상 "측정 보조"로만 한정.
+  - `get_kr_question_schema({ question_type })` — "지원동기/성장과정/직무역량/입사 후 포부" 등 한국 정형 문항별 필수 요소표(directive 체크리스트)를 데이터로 제공·버전 관리.
+- **데이터 형태 힌트:**
+  - 질문: `{ id, source: "cover_letter"|"interview"|"jd", text, directives: ["experience"|"reason"|"plan"|"lesson"], format: ["star"|"example"|...], char_limit: { min, max } | null, constraints: ["team"|"failure"|"recent_3y"], keywords: string[] }`.
+  - JD 요건: `{ requirements: [{ text, level: "required"|"preferred", keywords: string[] }] }`.
+  - 응답: `{ question_id, text }` (질문과 1:1 매핑).
+  - 결과 리포트: `{ outcome: "pass"|"fail", failed_checks: [{ id, observed, threshold, evidence: { unanswered_qids?, missing_directives?, missing_keywords?, char_overflow?, uncovered_requirements? } }], loop: "rewrite"|"gather_data"|"done" }` — 루프 오케스트레이션이 `failed_checks`만 보고 보강 지시를 생성.
+  - 임계값(키워드 60%, JD 필수 80%·우대 50%, 딴소리 <20%, 글자 수 등)은 코드 상수가 아니라 설정값으로 두어 산출물 유형·locale(KR/global)별 프로파일을 허용.

package/docs/career-os/knowledge/verifiers/truthfulness.md

@@ -0,0 +1,67 @@
+# 진실성 / 날조 방지 (Anti-fabrication) — CareerMate 교차검증 루브릭 (Phase A)
+
+> 이 검증기는 연결된 AI가 커리어 산출물(이력서·자소서·면접 답변·LinkedIn 등)을 점검할 때 적용하는 **크리틱 루브릭**이다. CareerMate는 루브릭을 제공하고, 실제 검사는 연결된 AI가 수행한다(내부 LLM 없음).
+
+## 1. 목적
+
+이 검증기는 **모든 커리어 산출물의 모든 사실 주장이 사용자의 저장된 데이터로 추적 가능함**을 보장한다. 즉, 산출물 안의 숫자·직함·회사·기간·학력·자격증·기술 숙련도·고유명사가 (a) 저장된 프로필/경력/이력서/자소서 데이터에 직접 존재하거나, (b) 그 저장 데이터에서 **명시적 산술 파생**(차·합·비율 환산)으로 나온 것이어야 한다는 뜻이다. 그 밖의 모든 사실 주장은 날조(fabrication) 또는 미검증(unverified)으로 분류해 차단하거나 `[확인 필요]`로 표시한다.
+
+이 검증기가 막으려는 4가지 실패 모드:
+- **날조(fabrication):** 없는 사실을 만들어냄(존재하지 않은 회사·직함·자격증, 지어낸 수치).
+- **과장(inflation):** 있는 사실을 부풀림(직함 격상, 팀 성과를 개인 성과로 귀속, "참여"를 "주도"로).
+- **미검증 정밀도(false precision):** 저장 데이터에 근거 없는 구체 수치("매출 37% 증가")를 생성.
+- **갭 은폐(gap concealment):** 모르는 것을 모른다고 하지 않고 빈칸을 그럴듯하게 메움.
+
+> 경계 원칙: **표현을 강하게 다듬는 것(action verb·두괄식·정량화)은 허용, 사실을 바꾸는 것은 금지.** 강한 동사로 쓰되 동사가 가리키는 행위·결과는 저장 데이터와 일치해야 한다. 이 검증기는 사람처럼 쓰기(`human-writing.md`)의 "Fact lock(R7)" 신호를 **전 산출물·전 사실유형으로 확장한 전용 게이트**다.
+
+핵심 제약상 한국어 NER·실세계 사실확인은 결정론으로 100% 셀 수 없다. 따라서 항목을 **(가) LLM 없이 셀 수 있는 결정론 게이트**와 **(나) 연결된 AI가 수행하는 대조 판정**으로 나눠 설계하고, 각 항목에 어느 쪽인지 표시한다.
+
+## 2. 검사 항목
+
+표기: **[det]** = CareerMate가 LLM 없이 셀 수 있는 결정론 체크(개수·존재·정규식·비율). **[ai]** = 연결된 AI가 저장 데이터와 대조해 판정(개수로 환원해 보고).
+
+| ID | 검사 | 합격 기준 | 측정 방법(셀 수 있게) |
+|----|------|-----------|------------------------|
+| C1 **[ai]** | **수치 앵커링** — 산출물의 모든 정량 주장(숫자+단위/%, 금액, 인원, 기간)이 저장 데이터에 존재하거나 거기서 산술 파생되는가 | 미앵커 수치 = **0** | 정규식 `\d[\d,.]*\s*(%|억|만|원|명|건|배|개월|년|시간|ms|x|배)` 등으로 산출물의 수치 토큰 수 `N_total`를 센다 → AI가 각 토큰을 저장값 또는 파생식에 매핑 → 매핑 실패 수 `N_unanchored` 보고. 합격 = `N_unanchored == 0` |
+| C2 **[ai]** | **고유명사 화이트리스트** — 회사명·기관·제품·기술스택·인명이 저장 데이터(프로필/경력/이력서/스킬)에 존재하는가 | 화이트리스트 밖 고유명사 = **0** | 저장 데이터에서 고유명사 집합 `W`를 추출(set) → 산출물의 고유명사 후보를 `W`와 대조 → `W`에 없는 항목 수 보고. 일반어·직무 일반명사는 제외 |
+| C3 **[ai]** | **직함·고용형태 일치** — 진술된 직함/고용형태(정규직·인턴·계약·프리랜서·동아리)가 저장 직함과 동일하거나 더 낮은 책임 수준인가 | 격상된 직함 = **0** | 저장 직함 문자열과 산출물 직함을 1:1 대조 → 불일치 건수, 그중 "격상"(예: 인턴→주니어, 팀원→팀장, 계약→정규) 건수 보고. 합격 = 격상 0 |
+| C4 **[ai]** | **귀속(attribution) 정확성** — 팀 성과를 1인칭 단독 성과로 바꾸지 않았는가 | 부당 단독귀속 = **0** | "주도/총괄/혼자/단독/led/owned" 류 1인칭 단독 동사 출현 수를 센 뒤, 각각에 대해 저장 데이터가 단독 역할을 뒷받침하는지 AI가 판정 → 미뒷받침 건수 보고 |
+| C5 **[ai]** | **학력·자격·점수 정확성** — 학위/전공/졸업여부/자격증/어학·시험 점수가 저장값과 정확히 일치하는가 | 불일치 = **0** | 저장된 학력·자격·점수 필드와 산출물 토큰을 정확 일치(점수는 값까지) 대조 → 불일치 건수 보고. "더 유명한 학교/상위 학위/미취득을 취득"으로의 변경은 critical |
+| C6 **[ai]** | **숙련도 정직성** — 기술 숙련 표현(전문가/마스터/능숙/숙련/expert)이 저장 근거(연차·프로젝트·산출물)와 모순되지 않는가 | 근거 없는 최상급 = **0** | "전문가/마스터/완벽/모든/항상/expert/mastery" 류 최상급·절대표현 출현 수를 센 뒤, 저장 근거 유무를 AI가 판정 → 근거 없는 건수 보고 |
+| C7 **[det]** | **갭 표식 보존** — AI가 만든 `[확인 필요]`/플레이스홀더가 최종본에 임의의 그럴듯한 값으로 치환되지 않았는가 | 빈칸을 지어낸 값으로 채운 흔적 = **0** | 직전 초안의 `[확인 필요]`·`{{ }}`·`___` 개수 `P_before`와 최종본 개수 `P_after` 비교. `P_after < P_before`이면 그 차이만큼 AI가 "저장 근거로 채움 vs 지어냄"을 보고. 미설명 감소 = 불합격 |
+| C8 **[ai]** | **파생연산 검증** — 산출물의 비율/증감 환산(예: "월12건→월2건 = 83% 감소")이 저장 입력값으로 실제 계산되는가 | 계산 오류·근거 없는 파생 = **0** | 파생 표현마다 `(입력값, 식, 결과)` 3요소를 추출 → 산술 재계산이 일치하는 건수/불일치 건수 보고 |
+| C9 **[ai]** | **시간선 정합성** — 날짜·기간·근속이 저장 경력 타임라인과 모순되지 않는가(미래일자·중복재직·음수기간 없음) | 시간선 모순 = **0** | 산출물의 날짜·기간 토큰을 저장 타임라인과 대조 → 중복재직/미래시작/기간>실재직 같은 모순 건수 보고 |
+| C10 **[det]** | **추적성 비율(traceability)** — 검증 대상이 된 전체 사실 주장 중 저장 데이터로 매핑된 비율 | 추적성 = **100%** (= 미앵커 0) | `traceability = (N_total_claims − N_unanchored − N_unverified) / N_total_claims`. C1·C2·C5의 합산 분모로 계산해 단일 수치로 보고. 1.0 미만이면 불합격 |
+
+> critical 등급: C1·C2·C3·C5(없는 사실/격상/학력 위조)는 **단 1건이라도** 발견 시 전체 산출물을 불합격 처리한다. C4·C6·C8·C9는 건수 누적으로 판단하되 0을 목표로 한다. C7·C10은 게이트(전부 통과해야 합격).
+
+## 3. 불합격 시 처리(루프 연결)
+
+연결된 AI는 아래 순서로 **수정 → 재검증**한다. 재검증은 동일 루브릭 전 항목을 다시 돌려 **C1·C2·C3·C5 = 0 이고 C10 = 1.0** 일 때만 통과로 본다.
+
+1. **분류 먼저, 삭제·치환은 다음.** 각 불합격 토큰을 (a) 날조 (b) 과장 (c) 미검증 정밀도 (d) 갭은폐 중 하나로 라벨링한다.
+2. **(a) 날조 → 삭제.** 저장 근거가 0인 회사·직함·수치·자격증은 문장째 삭제하거나, 저장된 실제 사실로 교체한다. 지어내서 채우지 않는다.
+3. **(b) 과장 → 하향 정렬.** 직함·귀속·숙련도를 저장 데이터 수준으로 되돌린다(팀장→팀원, 주도→참여, 전문가→"3년 사용"). 표현은 강하게 두되 **사실 레벨만** 내린다.
+4. **(c) 미검증 정밀도 → 일반화 또는 표식.** 근거 없는 "37%"는 (저장값이 있으면) 정확값으로 바꾸고, 없으면 정성 표현("크게 단축")으로 일반화하거나 `[확인 필요: 수치 출처]`로 표시한다. 추측 수치를 남기지 않는다.
+5. **(d) 갭 은폐 → 정직한 표식 복원.** 지어낸 빈칸 채움을 `[확인 필요]`로 되돌리고, 사용자에게 해당 사실을 **쉬운 한국어로** 질문한다(직함·기술 용어 노출 금지). 사용자가 값을 주면 저장 도구로 보관 후 반영한다.
+6. **재검증 게이트.** 수정본을 다시 C1~C10에 통과시킨다. critical 4종 중 하나라도 남으면 루프를 반복한다. 2회 반복 후에도 미앵커가 남으면, 해당 문장을 산출물에서 보류하고 사용자에게 확인을 요청한다(무한정 생성 금지).
+7. **저장.** 통과한 산출물만 저장 도구(`save_cover_letter_version`·`save_fit_analysis`·`save_interview_prep` 등)로 보관한다. 검증 결과 요약(미앵커 0, traceability=1.0)을 산출물 메타에 함께 남긴다.
+
+## 4. 출처 (Provenance)
+
+- **STAR (Situation-Task-Action-Result)** — 행동을 검증 가능한 결과로 환원하는 표준 프레임워크. "성과를 과장하면 STAR로 풀어 쓰기 어려워 거짓이 드러난다"는 점에서 진실성 게이트와 직결. · Monster Career Advice, "How to Create a STAR Method Resume" https://www.monster.com/career-advice/resume/star-method-resume · Resume Genius, "STAR Method Resume" https://resumegenius.com/blog/resume-help/star-method-resume
+- **정량화·임팩트 중심·"YOUR contribution(팀 아닌 본인)"** — 귀속 정확성(C4)과 정량 앵커링(C1)의 1차 근거. · Yale Office of Career Strategy, "Writing Impactful Resume Bullets" https://ocs.yale.edu/resources/writing-impactful-resume-bullets/ · Harvard FAS Mignone Center, "Create a Strong Resume" https://careerservices.fas.harvard.edu/resources/create-a-strong-resume/ · UC Berkeley Career Engagement, "Resumes" https://career.berkeley.edu/prepare-for-success/resumes/
+- **윤리적 강화 vs 비윤리적 날조의 경계** — 직함 격상·경력 날조·성과 인플레·자격 위조를 비윤리로 명시. C2·C3·C5·C6의 근거. · MyResumee, "The Ethics of Resume Enhancements and Where to Draw the Line" https://www.myresumee.com/blog/ree-the-ethics-of-resume-enhancements-and-where-to-draw-the-line
+- **이력서 거짓의 실태·적발·결과(통계)** — 검증 게이트의 필요성 근거. 2024 StandOutCV 설문 64.2%가 이력서에 거짓 기재 / 적발 시 41% 채용 취소·18% 해고. 거짓 유형: 미보유 스킬 숙련 주장(60%), 직함 변경(41%), 더 유명한 대학 주장(39%) → C5·C6 설계의 직접 근거. Gartner: 2028년까지 글로벌 지원자 프로필 4건 중 1건이 완전 가짜 전망. · Shortlister, "40+ Background Check Statistics in 2025" https://www.myshortlister.com/insights/background-check-statistics · Avvanz, "Resume Fraud in 2026" https://www.avvanz.com/blog/resume-fraud-2026-employer-prevention
+- **CareerMate 프라임 디렉티브 / Fact-lock** — "두뇌는 연결된 AI, 저장은 CareerMate. 숫자·고유명사·직함은 입력 그대로 보존, 명시적 산술 파생만 허용, 모르면 `[확인 필요]`." C1·C7·C8의 내부 근거. · CareerMate `AGENTS.md`; `docs/career-os/knowledge/human-writing.md`(R7 Fact lock)
+
+## 5. Phase B 힌트
+
+- **MCP 도구 아이디어:**
+  - `get_verifier({ id: "truthfulness" })` — 이 루브릭(JSON: 항목·합격기준·det/ai 플래그·정규식 패턴·critical 등급)을 연결된 AI에게 그대로 serve.
+  - `get_fact_anchors({ scope })` — 저장 데이터에서 **앵커 집합**을 미리 추출해 제공: `{ numbers[], proper_nouns[](회사·기관·기술·인명), titles[], credentials[], timeline[] }`. C1·C2·C3·C5·C9의 화이트리스트로 직접 사용.
+  - `check_traceability({ artifact_id })` — det 항목(C7 갭표식 카운트, C10 추적성 비율, 정규식 수치/날짜 토큰 카운트)을 CareerMate가 LLM 없이 계산해 `{ N_total, N_unanchored, traceability, placeholder_delta }` 반환.
+- **데이터 형태 힌트:**
+  - 앵커 집합은 `set`(정확매칭용)과 정규화 함수(콤마/단위/한글수사: `1,200ms==1200ms`, `12만==120000`)를 함께 제공해 거짓양성 감소.
+  - 산출물 메타에 `verification: { rubric: "truthfulness", critical_failures: 0, traceability: 1.0, checked_at }`를 저장해 상태 게이팅(`applied` 이상 전환 전 통과 필수) 및 대시보드 표시에 활용.
+  - 초안 버전 간 `placeholder_delta`(C7)를 추적하려면 `save_cover_letter_version`이 직전 버전 참조를 보관해야 한다(빈칸 치환 감지용).

package/package.json

@@ -0,0 +1,89 @@
+{
+  "name": "careermate",
+  "version": "0.0.1",
+  "type": "module",
+  "description": "CareerMate — an MCP-first, local-first career workspace. Connect it to a local AI agent (Claude Desktop, Claude Code, Codex); CareerMate stores your career data locally on your machine and exposes it over MCP.",
+  "license": "MIT",
+  "author": "CareerMate",
+  "homepage": "https://careermate.life",
+  "repository": {
+    "type": "git",
+    "url": "git+https://github.com/osntak/careermate.git"
+  },
+  "bugs": {
+    "url": "https://github.com/osntak/careermate/issues"
+  },
+  "keywords": [
+    "career",
+    "resume",
+    "cover-letter",
+    "job-application",
+    "korean",
+    "mcp",
+    "model-context-protocol",
+    "local-first",
+    "claude-code",
+    "codex"
+  ],
+  "bin": {
+    "careermate": "bin/careermate.mjs"
+  },
+  "publishConfig": {
+    "access": "public"
+  },
+  "files": [
+    "bin",
+    "dist",
+    "packages",
+    "scripts/init.ts",
+    "tsconfig.json",
+    "README.md",
+    "INSTALL.md",
+    "THIRD_PARTY_NOTICES.md",
+    "AGENTS.md",
+    "docs/career-os/README.md",
+    "docs/career-os/eop",
+    "docs/career-os/knowledge",
+    "docs/START_WORKFLOW.md",
+    "docs/WORKFLOWS.md",
+    "docs/MCP_TOOLS.md",
+    "docs/FAQ.md",
+    "docs/SUPPORTED_AI_APPS.md"
+  ],
+  "engines": {
+    "node": ">=22.5.0"
+  },
+  "scripts": {
+    "build": "node scripts/build-dist.mjs",
+    "build:mcpb": "node scripts/build-mcpb.mjs",
+    "prepack": "node scripts/build-dist.mjs",
+    "init": "node --no-warnings --import tsx scripts/init.ts",
+    "start": "node --no-warnings --experimental-sqlite --import tsx apps/web/src/index.ts",
+    "dev": "node --no-warnings --experimental-sqlite --watch --import tsx apps/web/src/index.ts",
+    "mcp": "node --no-warnings --experimental-sqlite --import tsx apps/mcp/src/index.ts",
+    "migrate": "node --no-warnings --experimental-sqlite --import tsx scripts/migrate.ts",
+    "seed": "node --no-warnings --experimental-sqlite --import tsx scripts/seed.ts",
+    "shots:seed": "node --no-warnings --experimental-sqlite --import tsx scripts/shots-seed.ts",
+    "shots": "node --no-warnings --experimental-sqlite --import tsx scripts/shots.ts",
+    "doctor": "node --no-warnings --experimental-sqlite --import tsx scripts/doctor.ts",
+    "test": "node --no-warnings scripts/run.mjs scripts/test.ts \"TEST_VERDICT PASS\"",
+    "test:ui": "node --no-warnings scripts/run.mjs scripts/ui-smoke.ts \"UI_VERDICT PASS\"",
+    "typecheck": "tsc --noEmit"
+  },
+  "dependencies": {
+    "@modelcontextprotocol/sdk": "^1.12.0",
+    "fflate": "^0.8.3",
+    "hwp.js": "^0.0.3",
+    "mammoth": "^1.12.0",
+    "pdfjs-dist": "^6.0.0",
+    "tsx": "^4.19.2",
+    "zod": "^3.24.1"
+  },
+  "devDependencies": {
+    "@playwright/test": "^1.60.0",
+    "@types/node": "^22.10.0",
+    "esbuild": "^0.28.1",
+    "playwright": "^1.60.0",
+    "typescript": "^5.7.2"
+  }
+}

package/packages/core/src/context.ts

@@ -0,0 +1,74 @@
+/**
+ * get_application_context — the single most important read path.
+ *
+ * In ONE call the AI gets everything it needs to analyze a posting or write a
+ * cover letter: the user's profile, primary resume, experiences, projects,
+ * skills, existing cover letters, recent applications, and — when a job_id is
+ * given — the target job, its prior fit analysis, related history for the same
+ * company/role, and the user's writing preferences.
+ *
+ * Designed so the AI never has to make five round-trips before doing real work.
+ */
+import { type ApplicationContext } from '@careermate/shared';
+import {
+  profileRepo,
+  documentRepo,
+  experienceRepo,
+  projectRepo,
+  skillRepo,
+  coverLetterRepo,
+  applicationRepo,
+  jobRepo,
+  fitRepo,
+} from '@careermate/db';
+
+export interface ApplicationContextOptions {
+  /** Target job to focus the bundle around. */
+  job_id?: string;
+  /** Cap on recent applications returned (default 10). */
+  recent_limit?: number;
+}
+
+export function getApplicationContext(opts: ApplicationContextOptions = {}): ApplicationContext {
+  const profile = profileRepo.get();
+  const resumes = documentRepo.list('resume');
+  const primary_resume = documentRepo.primary('resume');
+  const experiences = experienceRepo.list();
+  const projects = projectRepo.list();
+  const skills = skillRepo.list();
+  const cover_letters = coverLetterRepo.list();
+  const recent_applications = applicationRepo.recent(opts.recent_limit ?? 10);
+
+  const job = opts.job_id ? jobRepo.get(opts.job_id) : null;
+  const fit_analysis = opts.job_id ? fitRepo.getByJob(opts.job_id) : null;
+
+  // Related history: prior postings at the same company or with a similar role,
+  // with their application + fit so the AI can reuse angles and avoid repeats.
+  let related_history: ApplicationContext['related_history'] = [];
+  if (job) {
+    const related = jobRepo.relatedTo(job.company, job.position, job.id);
+    related_history = related.map((rj) => ({
+      job: rj,
+      application: applicationRepo.getByJob(rj.id),
+      fit_analysis: fitRepo.getByJob(rj.id),
+    }));
+  }
+
+  return {
+    profile,
+    primary_resume,
+    resumes,
+    experiences,
+    projects,
+    skills,
+    cover_letters,
+    recent_applications,
+    job,
+    fit_analysis,
+    related_history,
+    writing_preferences: {
+      preferred_tone: profile?.preferred_tone ?? null,
+      emphasis_points: profile?.emphasis_points ?? [],
+    },
+  };
+}

package/packages/core/src/index.ts

@@ -0,0 +1,8 @@
+/**
+ * @careermate/core — transport-agnostic business use-cases. The HTTP API and the
+ * MCP server both call into these so the dashboard and the AI always agree.
+ */
+export * from './onboarding.ts';
+export * from './context.ts';
+export * from './services.ts';
+export * from './summary.ts';

package/packages/core/src/onboarding.ts

@@ -0,0 +1,81 @@
+/**
+ * Onboarding status + profile completeness.
+ *
+ * "Completed" is intentionally generous: the moment the user has a profile and
+ * at least one document, the AI should stop nagging and move to real work.
+ * `next_steps` is what powers the "지금 해야 할 일" guidance everywhere.
+ */
+import {
+  type OnboardingStatus,
+  type ProfileRecord,
+} from '@careermate/shared';
+import {
+  profileRepo,
+  documentRepo,
+  coverLetterRepo,
+  experienceRepo,
+  skillRepo,
+  jobRepo,
+} from '@careermate/db';
+
+/** 0–100 score over the fields that make profiles useful for the AI. */
+export function profileCompleteness(p: ProfileRecord | null): number {
+  if (!p) return 0;
+  const checks: boolean[] = [
+    !!p.name,
+    !!(p.headline || p.summary),
+    !!p.location,
+    p.desired_roles.length > 0,
+    !!p.desired_conditions,
+    !!p.preferred_tone,
+    p.emphasis_points.length > 0,
+    p.links.length > 0,
+    experienceRepo.list().length > 0,
+    skillRepo.list().length > 0,
+  ];
+  const score = Math.round((checks.filter(Boolean).length / checks.length) * 100);
+  return score;
+}
+
+export function getOnboardingStatus(): OnboardingStatus {
+  const profile = profileRepo.get();
+  const resumes = documentRepo.list('resume');
+  const coverLetters = coverLetterRepo.list();
+  const experiences = experienceRepo.list();
+  const skills = skillRepo.list();
+  const jobs = jobRepo.list();
+
+  const has_profile = !!(profile && profile.name);
+  const has_resume = resumes.length > 0;
+  const has_cover_letter = coverLetters.length > 0;
+  const has_experience = experiences.length > 0;
+  const has_skills = skills.length > 0;
+  const has_job = jobs.length > 0;
+
+  const completeness = profileCompleteness(profile);
+  const completed = has_profile && (has_resume || has_experience);
+
+  const next_steps: string[] = [];
+  if (!has_profile) next_steps.push('기본 프로필을 입력하세요 (이름, 한 줄 소개, 희망 직무).');
+  if (!has_resume) next_steps.push('이력서나 경력기술서를 추가하세요. 파일 내용을 붙여넣어도 됩니다.');
+  if (!has_experience) next_steps.push('주요 경력을 1개 이상 추가하면 적합도 분석 품질이 올라갑니다.');
+  if (!has_skills) next_steps.push('보유 기술스택을 정리해 두면 공고 매칭이 정확해집니다.');
+  if (has_profile && !has_cover_letter)
+    next_steps.push('기존 자기소개서가 있다면 추가해 두세요. AI가 문체를 학습합니다.');
+  if (completed && !has_job)
+    next_steps.push('관심 있는 채용공고 URL이나 내용을 AI에게 전달해 적합도 분석을 받아보세요.');
+  if (next_steps.length === 0)
+    next_steps.push('준비가 잘 되어 있어요. 새 공고를 분석하거나 자기소개서를 작성해 보세요.');
+
+  return {
+    completed,
+    has_profile,
+    has_resume,
+    has_cover_letter,
+    has_experience,
+    has_skills,
+    has_job,
+    profile_completeness: completeness,
+    next_steps,
+  };
+}