careermate 0.0.1

package/dist/career-os/knowledge/company-research.md

@@ -0,0 +1,137 @@
+# 회사 리서치 / Company Research — CareerMate 지식 (Phase A)
+
+> 이 문서는 CareerMate가 **연결된 AI에게 제공(serve)** 하는 지식이다. CareerMate 안에는 LLM이 없다 — 분석·작성·검증은 연결된 AI가 수행하고, 이 플레이북·루브릭은 그 AI가 **세계 최고 수준**으로 일하도록 안내한다.
+
+## 1. 무엇을 하는가
+
+CareerMate 사용자를 대신해 지원 대상 회사·산업·보상을 리서치하고, 그 리서치를 **맞춤 면접 답변·고가치 질문·적합도 판정(go/no-go)** 으로 변환한다. 사고(synthesis)는 연결된 AI(Claude/GPT/Gemini)가 하고, CareerMate는 공고·프로필·적합도 분석·면접 자료를 MCP로 저장·제공한다. 핵심 규율은 다섯 가지다 — (1) 7개 캐논 앵커(미션/전략, 제품, 최근뉴스, 문화·인재상, 직무·레벨, **경쟁사·시장 포지션**, 보상)를 덮는다, (2) 출처 우선순위(1차/공식 > 2차/언론 > 3차/리뷰)를 지키고 교차검증·날짜를 붙인다, (3) 모든 사실을 STAR 훅·질문·적합도 플래그 중 하나로 **변환**한다(원시 사실은 미완성), (4) 모든 주장을 **이름·날짜가 붙은 출처**에 귀속시킨다, (5) **출처를 실제로 가져올 수 없으면 지어내지 말고 미검증으로 선언**한다.
+
+**중요(정직한 한계):** 아래 루브릭은 LLM 없이 셀 수 있는 **완성도·형식 게이트**다. 출처가 **진짜인지·주장을 실제로 뒷받침하는지·정말 변환됐는지** 같은 품질·진위는 패턴/카운트로 검증할 수 없다 — 그 최종 품질 판단은 연결된 AI 본인의 책임이다. 루브릭은 "얇거나 출처 없는 리서치"를 사전에 걸러낼 뿐, 진실성을 보증하지 않는다.
+
+## 2. 플레이북
+
+### 원칙
+
+- **7개 캐논 앵커를 덮어라: 미션/전략, 제품/비즈니스모델, 최근뉴스(≤6개월), 문화·인재상, 직무·레벨, 경쟁사·시장 포지션, 보상(협상 단계에 한함).** — 대학 커리어센터는 회사+산업+직무의 다축 커버리지로 수렴하며, 단일 축("About 페이지만 읽음")은 면접관이 즉시 할인한다. 경쟁사 축은 "왜 X가 아니라 우리냐"라는 최강 적합도 신호를 만든다. _(출처: UF Career Connections Center "Four Steps"; Ohio State ECS; Letscareer DART 경쟁사 비교)_
+- **출처를 등급화하라: 회사 1차 자료(공식 사이트·블로그·채용공고·공시 DART 사업보고서)=Tier-1, 평판 있는 2차/언론=Tier-2, 자기선택 리뷰 플랫폼=Tier-3 신호.** — 리뷰 사이트 별점은 작고 비무작위인 자기선택 표본으로, 극단(매우 만족/매우 불만) 응답자에 치우친다. Tier-3 단독 근거로 결론을 내리지 마라. _(출처: BGSU ScholarWorks "Construct Validity of Glassdoor Ratings"; PubMed "Incentives can reduce bias")_
+- **단, 잡플래닛의 면접 후기(질문 유형·전형 절차)는 별점과 구분해 취급하라.** — 한국 맥락에서 잡플래닛 **면접 후기**는 회사별 실제 질문·분위기를 담은, 별점보다 훨씬 actionable한 거의-1차에 가까운 제보다. 별점은 Tier-3로 두되, 면접 후기는 "회사별 제보(교차검증 권장)"로 가중치를 높여라. _(출처: 잡플래닛 면접후기)_
+- **모든 비자명 주장은 ≥2개 독립 출처로 교차검증하라. 출처가 하나면 '미검증'으로 라벨링하라('단일 Glassdoor 리뷰에 따르면…').** — 어떤 단일 크라우드소스 데이터 1건은 사실이 아니라 가설이다. _(출처: UF "Four Steps" 링크드인 동문 교차확인; Ohio State ECS)_
+- **최근성 타임스탬프: 모든 '최근 뉴스' 항목에 날짜를 붙이고 ~6개월 이내를 선호하라. 6개월 초과는 '최근'으로 부르지 말고, 12~18개월 초과는 스테일로 표시하라.** — 구체적·최근 동향 언급은 면접에서 가장 강한 신뢰 신호이며, 낡은 '최근'은 정반대로 준비 부족을 드러낸다. _(출처: UF "Four Steps"; Ohio State ECS)_
+- **출처를 실제로 가져올 수 없으면(웹/도구 접근 없음, 학습 컷오프 이후) 날짜를 지어내지 말고 해당 앵커를 '미검증/라이브 출처 없음'으로 선언하라.** — 이것이 최대 날조 리스크다. YYYY-MM 정규식은 날짜가 **실재하는지** 검증하지 못한다 — 가짜 날짜로 게이트를 통과시키지 마라. _(출처: 본 플레이북 안티-날조 원칙; AGENTS.md 추측 금지)_
+- **각 리서치 사실을 세 산출물 중 하나로 변환하라: (a) 사용자 강점↔회사 니즈를 잇는 STAR/답변 훅, (b) 면접관 질문, (c) 적합도 플래그(pro/con).** — 리서치의 목적은 답변 맞춤·적합도 판정·고가치 질문이다. 변환되지 않은 사실은 길이만 늘리는 미완성 출력이다. _(출처: Hays "How to research an employer"; Randstad RiseSmart STAR)_
+- **면접관 질문 3~5개를 '공개 웹사이트만으로는 답할 수 없는' 특정 사실 기반 개방형(how/what)으로 만들고, 각 질문이 어느 앵커 사실에서 파생됐는지 기록하라(based_on_anchor).** — 홈페이지 너머를 읽었음을 증명하는 질문이 진정성·시니어리티를 신호한다. _(출처: Ohio State ECS; Indeed "27 Smart Questions"; UndercoverRecruiter)_
+- **가능하면 면접관·팀 레이어까지 리서치하라: 패널의 역할/재직기간/최근 글, 직무가 속한 팀의 미션·제품영역·최근 팀 블로그.** — '웹사이트로 답 안 되는' 질문은 회사 전체가 아니라 **그 팀**에서 나온다. (라이브 출처 없으면 미검증으로 표시.) _(출처: UF "Four Steps" 링크드인 현직자; Ohio State ECS)_
+- **적합도는 판정으로 끝내라: pro/con 플래그를 모두 만들고, 명시적 go/no-go 한 줄과 함께 ≥1개의 con(또는 disqualifier 검토)을 반드시 포함하라.** — con 없는 all-pro는 사용자가 듣고 싶은 말만 하는 확증편향이다. _(출처: 본 플레이북 적합도 판정 원칙)_
+- **공고에 앵커링하라: 공고 상위 키워드/요건을 추출하고, '공고 키워드 → 사용자 강점 → 회사 니즈'를 잇는 매핑 레코드(triple)를 만들어라.** — 키워드를 단순 반복(echo)하는 게 아니라 강점·니즈와 묶는 것이 변환이다. _(출처: Letscareer DART 분석; Hays 강점-공고 정렬)_
+- **보상은 협상 단계에 한해 다루고, 시장에 맞게 분해하라.** 글로벌 빅테크는 levels.fyi로 레벨 매핑 후 base/bonus/equity 분해. **한국·비테크·SME·공공은 equity가 거의 없고 포괄임금·상여(13th·성과급)·직급(사원/대리/과장)이 1급 구조다 — equity를 강요하지 마라.** DART 직원 평균 급여는 **전사 평균**이지 직급/직무 밴드가 아니다 — 밴드 앵커로 쓰지 마라. _(출처: levels.fyi 협상 가이드; MIT CAPD; DART 사업보고서 주의)_
+
+### Do
+
+- 연결 직후 `get_application_context`로 대상 공고·프로필·강조 포인트를 먼저 확보하고 그 위에 외부 리서치를 얹어라.
+- 7개 앵커를 체크리스트로 돌며 각 항목에 최소 1개의 출처(이름+날짜)를 붙여라. 못 채운 앵커는 침묵하지 말고 '미확인/해당없음(사유)'으로 명시하라.
+- 리뷰 사이트 항목은 '제보 기반 신호'로 라벨링하고, 같은 결론을 받치는 2차 출처를 1개 더 찾아 교차검증하라. (잡플래닛 면접후기는 별점보다 가중치를 높이되 여전히 교차확인.)
+- 최근 6개월 내 뉴스(출시·투자·조직개편·리더십)를 ≥1개 찾아 면접 오프닝/질문에 구체적으로 인용하라. **라이브로 못 찾으면 '미검증'으로 표시**하라.
+- 경쟁사 ≥2곳과 그 대비 '우리의 차별점' 1줄을 확보해 "왜 X가 아니라 여기냐"에 답할 수 있게 하라.
+- 모든 사실을 STAR 훅·질문·적합도 플래그 중 하나로 변환하고, 변환 안 된 원시 사실은 `gaps`로 보류하라.
+- 면접관 질문 3~5개를 특정 사실 기반 개방형으로 만들고 각 질문에 `based_on_anchor`를 기록하라.
+- 적합도 판정에 명시적 go/no-go 한 줄과 ≥1개의 con을 포함하라.
+- 공고 키워드를 '키워드→강점→니즈' triple로 매핑해 저장하라(단순 반복 금지).
+- 보상은 **협상 단계에서만** 다루고, 한국이면 직급·상여·포괄임금 구조로, 글로벌 테크면 base/bonus/equity+levels.fyi로 분해하라.
+- 공개 자료가 희박한 회사(SME·스텔스 스타트업)는 솔직히 '공개 발자국 희소'로 보고하고, 빈 앵커를 면접 질문으로 전환하는 계획을 제시하라.
+- 최종 산출은 `save_fit_analysis`·`save_interview_prep`로 저장하고 대시보드 링크(`http://127.0.0.1:4319`)를 안내하라.
+
+### Don't
+
+- 리뷰 단일 별점·험담을 검증 없이 사실로 단정하지 마라(작고 비무작위인 자기선택 표본).
+- '좋은 문화', '성장하는 회사' 같은 출처 없는 일반론으로 리서치를 채우지 마라.
+- 회사 About 페이지만 읽고 리서치를 끝냈다고 하지 마라(단일 축·단일 출처 결론 금지).
+- 라이브 출처를 못 가져오는데 날짜·뉴스를 **지어내지** 마라 — 미검증으로 선언하라.
+- 12~18개월 지난 뉴스를 '최근'이라 부르지 마라. 6개월 초과면 '최근' 라벨을 떼라.
+- 공개 웹사이트만으로 답 나오는 질문('주력 제품이 뭔가요?', '앞으로 어떻게 성장하나요?')을 면접 질문으로 내지 마라.
+- 보상을 단일 숫자로 인용하지 마라. **DART 전사 평균을 직급 밴드처럼 쓰지 마라.** equity 없는 한국 직무에 equity를 억지로 끼워 fail-flag 하지 마라.
+- 면접 전 단계에서 보상 협상을 무리하게 끌어올리지 마라(보상은 오퍼/협상 단계 게이팅).
+- 공고·강점과 연결하지 않은 채 회사 사실만 나열하지 마라(에코 ≠ 변환).
+- all-pro 플래그만 내고 '판정'이라 부르지 마라(확증편향).
+- 사용자 데이터를 외부로 보내거나, 미검증 추정을 사실로 단정해 지어내지 마라(불확실하면 사용자에게 확인).
+
+### 워크드 예시 (Before → After)
+
+1. **Before:** "이 회사는 좋은 기업 문화로 유명하고 성장하고 있어서 지원했습니다. 제품도 훌륭하고 비전이 멋집니다."
+   **After:** "공식 블로그(2026-03)에 따르면 귀사는 동남아 결제 인프라로 확장 중이고, 업계 보도 2곳에서 교차확인된 시리즈C(2026-02)를 마쳤습니다. 경쟁사 A·B 대비 차별점은 다국가 정산 정합성 자동화로 보입니다. 저는 핀테크 정산 시스템을 다국가로 확장한 경험(처리량 3배↑)이 있어, 공고의 '글로벌 결제 트래픽 처리' 요건(키워드)→제 강점→귀사의 확장 니즈로 직접 연결됩니다. — 면접 질문(based_on: 최근뉴스): '동남아 확장에서 reconciliation을 어느 단계까지 자동화하셨고, 다음 분기 병목은 어디라고 보시나요?'"
+   **왜 더 나은가:** 출처+날짜, 교차검증된 최근뉴스, 경쟁사 차별점, 그리고 키워드→강점→니즈 triple과 앵커 기반 개방형 질문으로 변환됐다. Before는 출처 없는 일반론이라 어느 회사에나 붙는다.
+
+2. **Before:** "Glassdoor 별점이 2.9이고 '워라밸이 나쁘다'는 리뷰가 있어 이 회사는 워라밸이 안 좋습니다."
+   **After:** "Glassdoor·잡플래닛(제보 기반 신호, 자기선택 표본이라 편향 가능) 일부 리뷰에 '성수기 야근' 언급이 있습니다 — 단정하지 않습니다. 교차확인: 채용공고에 '온콜 로테이션' 문구, 링크드인 현직자 1명이 '분기 마감 주간만 집중'이라 확인 → 결론은 '상시 야근'이 아니라 '특정 주기 피크'. 적합도 con 플래그로 기록하고, 면접에서 '온콜/마감 주기의 빈도와 보상 방식'을 직접 물어 확인할 것."
+   **왜 더 나은가:** Tier-3를 신호로만 라벨링하고 2차 출처로 교차검증해 과장된 결론을 보정했으며, 미확인 항목을 con 플래그+면접 질문으로 전환했다. Before는 단일 출처를 사실로 단정한 안티패턴이다.
+
+3. **Before:** "이 직무 연봉은 약 6천만 원 정도로 알고 있습니다."
+   **After:** "(협상 단계에서) **한국 법인**이라면: 잡플래닛 연봉 제보(N건, 직급=대리 기준)와 DART 사업보고서의 **전사** 평균 급여를 *참고치로만* 교차확인하고, 포괄임금 여부·상여/성과급 구조·직급(사원/대리/과장)을 분해해 묻습니다 — DART 평균은 직급 밴드가 아니므로 밴드로 쓰지 않습니다. **글로벌 테크**라면: levels.fyi에서 해당 회사 레벨(공고의 'Senior'에 *근사* 매핑, 회사별로 다를 수 있음)의 base/bonus/equity 중앙값(데이터 N건, 갱신 2026-Q2)으로 분해합니다. 어느 쪽이든 단일 숫자가 아니라 밴드+구조로 협상 앵커를 잡습니다."
+   **왜 더 나은가:** 시장별로 구조를 분리(한국=직급·상여·포괄임금, 글로벌=base/bonus/equity)하고, DART 평균을 밴드로 오용하지 않으며, 레벨 매핑이 근사임을 명시했다. 보상을 협상 단계로 게이팅했다. Before는 출처·구조·레벨이 없는 단일 숫자라 협상에 쓸 수 없다.
+
+## 3. 검증 루브릭 (연결된 AI가 산출물을 이 기준으로 자가검증)
+
+> **설계 원칙:** 루브릭은 **연결된 AI가 EMIT하는 구조화 필드**(아래 §5 data shape의 `anchors[]`, `questions[]`, `fit_flags[]`, `mappings[]` 등) 위에서 **존재여부·non-null·개수**를 센다 — 산문에 정규식을 돌리지 않는다. 이는 측정을 게임하기 어렵게 만들고 LLM 없이 결정적으로 통과/실패를 낸다. 단, 이 게이트들은 **완성도·형식**만 본다 — 진위·출처 유효성·진짜 변환 여부는 검증하지 못한다(연결된 AI 책임).
+
+| ID | 검사 항목 | 합격 기준 | 측정 방법(LLM 없이 셀 수 있게) |
+|----|-----------|-----------|--------------------------------|
+| R1 | 7개 캐논 앵커 커버리지 | `anchors[].key`가 7종 중 ≥6종 존재 AND 각 앵커의 `facts[]`가 비어있지 않거나 `status`가 `unverified`/`n/a(사유)`로 명시 | `anchors` 배열에서 distinct `key` 수와, 빈 `facts[]`의 `status` non-null 여부를 카운트 |
+| R2 | 사실당 출처 귀속 | `anchors[].facts[]`의 각 fact가 `source_name` non-null AND `source_tier∈{1,2,3}` 보유 비율 ≥90% | fact 객체에서 `source_name!=null && source_tier!=null` 개수 ÷ 전체 fact 수 (구조 필드 카운트) |
+| R3 | 최근뉴스 날짜 + 스테일 FAIL | `recent_news` 앵커에 `dated`(YYYY-MM) 있는 fact ≥1 AND **'최근'으로 라벨된 fact의 `dated`가 6개월 이내**; 6개월 초과를 '최근'으로 표기하면 FAIL | `dated` 필드 파싱 후 기준일과의 개월차 계산; `label=='recent' && months_diff>6`이면 실패 카운트>0 |
+| R4 | 라이브 출처 없음 정직 선언 | 라이브 검색 불가 시 해당 fact는 `retrieved=false` AND `status='unverified'`; `retrieved=false`인데 `dated`만 채워진 fact 0건 | `retrieved==false && dated!=null && status!='unverified'` 위반 건수=0 |
+| R5 | Tier-3 단독 결론 없음 | `source_tier==3`만으로 도출된 결론 fact는 `cross_verified==true`(독립 2차 출처 `source_name` 동반) 또는 `signal_only==true` 라벨 | tier3 fact 중 `cross_verified==false && signal_only==false` 건수=0 (구조 플래그 카운트) |
+| R6 | 질문 사양 + 앵커 출처 | `questions[]` 개수 3~5 AND 각 question이 `based_on_anchor` non-null AND `open_ended==true` (AI가 EMIT한 플래그) | `questions` 길이 ∈[3,5]; `based_on_anchor!=null && open_ended==true` 비율=100% |
+| R7 | 공고 매핑 triple | `mappings[]`에 `{keyword, user_strength, company_need}` 3필드 모두 non-null인 완전 triple ≥3개 | triple 객체에서 세 필드 동시 non-null 개수 카운트 ≥3 (에코가 아니라 매핑) |
+| R8 | 적합도 판정(con 강제) | `fit_flags[]`에 `type=='con'` ≥1 AND `verdict` 필드(go/no-go) non-null | `fit_flags` 중 `type=='con'` 개수≥1 그리고 `verdict!=null` |
+| R9 | 보상 시장별 분해(조건부) | `comp`가 존재하고 `phase=='negotiation'`일 때만 평가: `market=='kr'`이면 `{직급, 상여/성과급, 포괄임금여부}` 중 ≥2 + DART는 `band==false`; `market=='global'`이면 `{base, bonus, equity?}` 중 ≥2 + `level_map_approximate==true` | `comp.phase`로 게이팅; 시장별 요구 필드 non-null 개수 카운트, equity는 kr에서 optional |
+
+**주요 실패 모드:**
+- **형식 통과 = 품질 통과로 착각.** R1~R9는 모두 표면 형식(필드 존재·개수)만 본다. 가짜 출처명·boilerplate `cross_verified=true`·진짜 매핑이 아닌 triple은 잡지 못한다 — 진위·변환 품질은 연결된 AI가 책임진다.
+- **날짜 날조.** 라이브 출처 없이 그럴듯한 YYYY-MM을 채워 R3을 통과시키는 것. R4가 `retrieved` 플래그로 1차 방어하지만, AI가 정직하게 EMIT해야만 작동한다.
+- **에코 ≠ 변환.** 공고 명사를 답변에 복붙해 키워드만 늘리는 것(구 bag-of-words 함정). R7은 완전 triple만 세서 단순 반복을 거른다.
+- **확증편향(all-pro).** con 없는 판정. R8이 `type=='con'` ≥1을 강제한다.
+- **US-테크 편향.** equity·levels.fyi·L\d 레벨을 한국·비테크 직무에 강요해 정상 리서치를 fail-flag. R9가 시장별로 분기하고 equity를 kr에서 optional로 둔다.
+- **얇은 데이터 회사를 날조로 메움.** SME·스텔스의 빈 앵커를 지어내 채우는 것. R1이 `status='unverified'`/`n/a(사유)`를 허용해 정직한 공백을 합격으로 인정한다.
+
+## 4. 출처 (Provenance)
+
+- **UF Career Connections Center — Four Steps for Researching an Employer** — 캐논 앵커(미션/문화/제품/뉴스), 다출처 교차검증, 링크드인 현직자 확인, 최근 게시물 언급 전략 · https://career.ufl.edu/four-steps-for-researching-an-employer/
+- **Ohio State Engineering Career Services — How to Research a Company for an Interview** — 여러 소스 결합(Handshake/Glassdoor/LinkedIn/Google), 리서치 기반 3~5개 질문 준비 · https://www.ecs.osu.edu/news/2025/02/how-research-company-interview
+- **BGSU ScholarWorks — Examining the Construct Validity of Glassdoor.com Ratings** — 리뷰 사이트 자기선택·비무작위 표본 편향을 Tier-3 신호로만 다루는 근거(정성적 방향성; 단일 보편 상수로 인용 금지) · https://scholarworks.bgsu.edu/cgi/viewcontent.cgi?article=1099&context=pad
+- **PubMed — Incentives can reduce bias in online employer reviews** — 자원/자기선택 리뷰가 더 극단적이라는 실증 → 단일 리뷰 단정 금지 · https://pubmed.ncbi.nlm.nih.gov/33764122/
+- **levels.fyi — Ultimate Negotiation Guide & leveling methodology** — (글로벌 테크 한정) 레벨 *근사* 매핑, total comp의 base+bonus+equity 분해, 협상 앵커링. 한국·비테크·SME 커버리지는 희소함에 유의 · https://www.levels.fyi/blog/ultimate-negotiation-guide.html
+- **MIT CAPD — How to negotiate your tech salary ft. levels.fyi** — 보상 데이터를 레벨에 매핑해 협상 앵커로 쓰는 교육 자료 · https://capd.mit.edu/resources/how-to-negotiate-your-tech-salary-ft-levels-fyi-video/
+- **Hays — How to research an employer before an interview** — 리서치를 STAR 답변·맞춤 질문으로 변환, 강점을 공고/회사 목표에 정렬 · https://www.hays.co.uk/career-advice/article/interview-prep-employer-research
+- **Indeed — 27 Smart Questions to Ask in an Interview** — 리서치 기반 개방형 질문 설계 기준 · https://www.indeed.com/career-advice/interviewing/smart-questions-to-ask-in-an-interview
+- **Letscareer — DART 사업보고서 분석 방법** — 한국 맥락: '사업의 내용'·'경영진 의견' 분석을 지원 동기/면접 차별화로 연결, **경쟁사 비교**. 단 직원 평균 급여는 전사 평균이지 직급 밴드가 아님에 유의 · https://www.letscareer.co.kr/blog/65/
+- **잡플래닛 (JobPlanet)** — 한국 맥락 소스. 별점=Tier-3 신호이나 **면접 후기(질문 유형·전형)는 거의-1차에 가까운 actionable 제보**로 가중치 상향(교차검증 전제) · https://www.jobplanet.co.kr/
+
+## 5. Phase B 힌트 (아키텍처로 연결)
+
+- **MCP 도구 아이디어:**
+  - `get_company_research_brief(job_id)` — 대상 공고에 묶인 7개 캐논 앵커 슬롯(미션/전략, 제품, 최근뉴스, 문화·인재상, 직무·레벨, **경쟁사·시장**, 보상) 작업판을 반환. 각 앵커에 '사실+출처명+날짜+신뢰등급(Tier1/2/3)+retrieved/cross_verified 플래그' 배열, 공고 상위 키워드, 사용자 강점 목록, 빈/미검증/스테일 앵커를 표시하는 `gaps`.
+  - `save_company_research(job_id, anchors[], mappings[], questions[], fit_flags[], comp?)` — 결과를 구조화 필드로 저장.
+  - `validate_company_research(payload)` — §3 R1~R9를 **LLM 없이 구조 필드 카운트/존재여부**로 돌려 `{check_id, passed, measured_value}` 배열 반환. 정규식-온-프로즈가 아니라 EMIT된 struct 위에서만 측정.
+- **데이터 형태 힌트:**
+  ```
+  {
+    job_id,
+    posting_keywords: string[],
+    user_strengths: string[],
+    anchors: { key: 'mission'|'product'|'recent_news'|'culture'|'level'|'competitor'|'comp',
+               status: 'filled'|'unverified'|'n/a',
+               facts: [{ text, source_name, source_tier: 1|2|3, dated: 'YYYY-MM'|null,
+                         retrieved: boolean, cross_verified: boolean, signal_only: boolean,
+                         label?: 'recent' }] }[],
+    mappings: [{ keyword, user_strength, company_need }],            // 완전 triple만 카운트
+    comp?: { phase: 'research'|'negotiation', market: 'kr'|'global',
+             // kr: { 직급?, 상여?, 성과급?, 포괄임금여부?, dart_band: false }
+             // global: { base?, bonus?, equity?, level_map_approximate: true } },
+    generated: {
+      questions: [{ text, based_on_anchor, open_ended: boolean }],   // 3~5개
+      fit_flags: [{ type: 'pro'|'con', text, source_name }],         // con ≥1
+      verdict: 'go'|'no-go'|'conditional'                            // non-null 강제
+    },
+    gaps: string[],
+    validation: [{ check_id, passed: boolean, measured_value }]
+  }
+  ```

package/dist/career-os/knowledge/cover-letter.md

@@ -0,0 +1,135 @@
+# 자기소개서 / Cover Letter — CareerMate 지식 (Phase A)
+
+> 이 문서는 CareerMate가 **연결된 AI에게 제공(serve)** 하는 지식이다. CareerMate 안에는 LLM이 없다 — 분석·작성·검증은 연결된 AI가 수행하고, 이 플레이북·루브릭은 그 AI가 **세계 최고 수준**으로 일하도록 안내한다.
+
+## 1. 무엇을 하는가
+
+자기소개서/커버레터는 이력서를 산문으로 다시 쓴 글이 아니라, **특정 회사·직무를 겨냥한 설득 문서**다. 검증된 뼈대는 hook → fit(왜 나, 증거) → why-this-company → close이며, 각 주장은 형용사가 아니라 행동+정량 결과(STAR-lite) 한 단락으로 증명한다. 가장 흔한 실패는 **회사명을 바꿔도 말이 되는 제너릭 편지**(빈 형용사, 회사 고유 근거 없음, 이력서 불릿 복붙)다. CareerMate는 LLM이 없으므로, 검증 루브릭을 **두 종류로 정직하게 분리**한다 — (A) 순수 정규식·카운트로 저장 전 자동 검사 가능한 항목, (B) 연결 AI의 의미 판단이 필요한 항목. 또한 한국 자소서(문항형·글자수·인재상)와 영문 커버레터(단일 레터·ATS)는 **로케일별로 다른 루브릭**을 적용한다.
+
+## 2. 플레이북
+
+### 원칙
+
+- **구조를 hook → fit(증거) → why-this-company → close 4역할로 고정하되, locale='ko' 문항형 자소서는 문항당 별도 글로 다룬다.** 영문 단일 레터는 4역할이 각각 한 문단 이상 존재해야 한다. 한국 자소서는 보통 3~5개 문항('지원동기/성장과정/직무역량/입사후포부')이 각각 별개 글이고 글자수 제한도 다르므로, 4역할 단일 레터를 강제하지 말고 **문항별 두괄식(결론→증명→직무·인재상 연결)** 로 매핑한다. _(출처: Georgetown Cawley Career Center; Princeton Cover Letter Guide; 한국 대기업 공채 자소서 문항 관행)_
+- **형용사로 자신을 묘사하지 말고, 그 형용사가 참임을 증명하는 구체적 사례로 대체하라.** '소통을 잘한다' 대신 '야간 피킹 라인을 3개월 주도해 오배송률 4.1%→1.2%'처럼 행동+전후 델타를 쓴다. 빈 형용사뿐 아니라 '~라고 생각합니다', '많은 것을 배웠습니다', '~을 통해 성장했습니다', '~에 기여하고 싶습니다' 같은 **증거 없는 자기서술 종결구문**도 슬롭이다. _(출처: LiveCareer/CareerAddict Cover Letter Mistakes; Linkareer 두괄식 작성법)_
+- **각 핵심 주장은 STAR-lite로 증명하되, 한 통/한 문항에 1~2개의 대표 경험만 깊게 다뤄라.** 결과(R)는 **'규모'가 아니라 '본인 행동으로 인한 변화량'** 이다. '100억 규모 프로젝트 담당'은 임팩트가 아니다 — '전환율 60→210(+250%)'이 임팩트다. S/T 압축은 글자수 빠듯한 문항의 기본값이되, 경험 서술형 문항은 평가자가 맥락을 요구하므로 **문항 유형에 따라 S/T 분량을 조절**한다. _(출처: Harvard FAS Mignone Center; 매거진한경 KKK-STAR)_
+- **이력서를 줄단위로 반복하지 마라.** 커버레터는 이력서가 못 담는 '왜·어떻게·맥락'을 더한다. 다만 한국어는 교착어라 표면형이 달라도 의미가 같을 수 있으니, 중복 판정은 단순 n-gram이 아니라 의미 기준으로 본다. _(출처: 4 Corner Resources; LiveCareer)_
+- **'왜 이 회사인가'를 회사 고유 근거(미션·제품·최근 활동·인재상/핵심가치)로 1~3문장 명시하라.** 회사명을 placeholder로 바꿔도 말이 되는 문장은 실패다. _(출처: University of Maryland Cover Letter Resources; Catch 합격 자소서)_
+- **본문의 모든 수치·고유명사는 저장된 사용자 데이터(get_resumes·경력·프로젝트)에 출처가 있어야 한다.** 정량화를 강조하되 **없는 수치를 발명하도록 압박하지 마라** — 면접에서 즉시 무너진다. 근거가 없으면 약한 주장을 빼되 숫자를 지어내지 않는다. _(출처: CareerMate AGENTS.md 사실 보존 원칙; get_writing_style_guide)_
+- **공고 핵심 요구사항을 본인 증거와 1:1 매핑하되 키워드 스터핑을 피하라.** 단, `get_application_context`의 `job.requirements`/`job.keywords`는 **선택적 자유텍스트 배열**이라 '상위 N개 랭킹'이 보장되지 않는다. 비어 있으면 이 매핑 체크는 **skip(N/A)** 처리한다. _(출처: Yale HR/Career Development; Scale.jobs Keyword Mistakes)_
+- **분량/글자수는 로케일별로 다르다.** 영문 학생 커버레터는 3/4~1페이지(≈250~400단어). 한국 자소서는 문항당 500~1000자가 흔하고 **상한뿐 아니라 하한**(예: 최소 500자)도 평가에 들어가며, 글자수 기준이 **공백 포함/제외/byte** 로 공고마다 갈린다(가장 흔한 실격 사유). _(출처: University of Cincinnati Guide; 한국 자소서 글자수 관행)_
+- **수신자 실명·직무명 지정은 로케일 의존이다.** 영문/외국계 다이렉트 지원은 'To whom it may concern' 대신 채용담당자 실명을 쓴다. 한국 공채/플랫폼은 시스템 폼 입력이라 수신자 특정이 불가능하므로 실명 지정을 강제하지 않는다. _(출처: Harvard via CNBC; 한국 공채 지원 폼 현실)_
+- **블라인드 채용 가드레일을 지켜라.** 한국 NCS/공정채용 기조상 나이·성별·사진·가족관계·출신지 등 직무무관 개인정보는 자소서에 넣지 않는다. _(출처: NCS 블라인드 채용 가이드 기조)_
+- **직무 유형·지원자 경로별로 기준을 차등하라.** 경력직(임팩트·리더십·P&L), 신입/인턴(잠재력·학습속도·전이가능 스킬), 기술직(설계 디테일) vs 영업/마케팅(정량 KPI)은 평가축이 다르다. 신입·경력단절·직무전환자는 정량 실적이 빈약하므로 **'숫자 ≥2'를 강요하지 말고** 프로젝트·학습 사례로 fit을 증명하게 한다. _(출처: Harvard 직무 직결 경험 권고; 채용 실무 차등)_
+
+### Do
+
+- 영문 도입 첫 문장에 (직무명 + 가장 관련 있는 경험 한 가지 + 회사에 대한 구체적 한 줄)을 넣어라. 한국 문항은 결론(직무 강점/지원동기)을 첫 문장에 두는 두괄식으로 시작하라.
+- 각 강점 주장 뒤에 STAR-lite 한 단락(행동 → **전후 델타형 정량 결과**)을 붙여 증명하라.
+- '왜 이 회사'를 회사 고유 사실(제품·미션·최근 뉴스·인재상)로 못박아라.
+- 성과를 **전/후 비교(X→Y), 증감률(+N%), 금액·기간**으로 정량화하되, 그 수치가 저장된 이력서·경력 데이터에 근거가 있는지 확인하라.
+- 약점·실패·갈등 문항은 정량 성과가 아니라 **성찰·개선 행동**으로 답하라(이 문항에 'quantified ≥2'를 강요하지 마라).
+- 글자수 제한을 적용할 때 **count_mode(공백포함/공백제외/byte)** 를 먼저 확인하라.
+- 클로징에 명확한 다음 단계(면접 요청/연락 가능 시점)를 한 문장으로 넣어라(로케일상 가능할 때).
+- 저장 전 lint(루브릭 자동 검사)를 통과시킨 뒤 save_cover_letter_version으로 보관하라.
+- 초안은 get_writing_style_guide의 문체를 적용해 사람이 쓴 듯 자연스럽게 다듬어라.
+
+### Don't
+
+- 'I am writing to apply for…' / 'I have always been passionate about' / 'As a recent graduate' / '저는 ~에 지원합니다' / '어릴 적부터', '~을 보며 자랐습니다', '저는 ~한 사람입니다', '평소 ~에 관심이 많아' 같은 상투적·성장기 도입으로 시작하지 마라.
+- '성실한·책임감·열정·소통을 잘하는 / 꼼꼼한·끈기있는·헌신적인·주도적인 / hard-working·team player·detail-oriented·motivated·proactive·dedicated·diligent·people person' 같은 **증거 없는 평가형 형용사**나 그 동의어로 자신을 묘사하지 마라.
+- '~라고 생각합니다', '많은 것을 배웠습니다', '~을 통해 성장했습니다', '귀사' 같은 증거 없는 자기서술 종결구문을 남발하지 마라.
+- 이력서 불릿을 문장으로 바꿔 그대로 반복하지 마라.
+- 회사명을 바꿔도 말이 되는 제너릭 지원동기를 쓰지 마라.
+- 한 통/한 문항에 5~6개 경험을 얕게 나열하지 마라(1~2개 깊게).
+- '규모'(담당 규모·팀 인원·연도)를 '성과'로 위장하지 마라 — 본인 행동의 변화량이 결과다.
+- 없는 성과·수치·고유명사를 지어내거나 과장하지 마라.
+- 공고 키워드를 맥락 없이 나열(keyword stuffing)하지 마라.
+- 나이·성별·사진·가족관계 등 직무무관 개인정보를 넣지 마라.
+- 한 페이지(또는 지정 글자수 상한/하한)를 벗어나거나 빽빽한 텍스트 벽을 만들지 마라.
+- MCP·job_id 같은 기술 용어를 편지 본문/사용자 설명에 노출하지 마라.
+
+### 워크드 예시 (Before → After)
+
+1. **Before:** 저는 책임감이 강하고 성실하며 팀워크가 뛰어난 지원자입니다. 어떤 일이든 열정을 가지고 최선을 다합니다. 귀사에 입사하여 열심히 일하고 싶습니다.
+   **After:** [직무 강점] 물류 인턴 시절, 출고 지연이 잦던 야간 피킹 라인을 맡아 동선 재배치와 체크리스트 도입을 주도했고(행동) 3개월간 오배송률을 4.1%→1.2%로 줄였습니다(결과). 같은 '병목을 데이터로 찾아 표준화하는' 방식이 OOO의 풀필먼트 자동화 로드맵에 바로 기여할 수 있다고 봅니다.
+   **왜 더 나은가:** 빈 형용사 3개를 STAR-lite 한 단락(행동+전후 델타 4.1→1.2%)으로 교체했고, 두괄식으로 결론을 앞세웠다. 마지막 문장이 회사 고유 맥락(풀필먼트 자동화)과 본인 강점을 연결해 '왜 나·왜 이 회사'를 동시에 충족한다. 회사명을 바꾸면 어색해진다 = 제너릭이 아니다.
+
+2. **Before:** I am writing to apply for the Marketing Coordinator position. I am a hard-working, detail-oriented team player with a passion for marketing and excellent communication skills.
+   **After:** When our student org's event registrations stalled at 60 signups, I rebuilt the email funnel and A/B-tested subject lines, lifting registrations to 210 (+250%) in three weeks. That same test-measure-iterate habit is what drew me to Acme's growth team, whose public "experiment weekly" culture matches how I already work.
+   **왜 더 나은가:** 상투적 도입과 4개 빈 형용사를 제거하고, **전후 델타(60→210, +250%, 3주)** 가 있는 단일 STAR 사례로 'detail-oriented/communication' 주장을 증명한다. 마지막 절이 회사 고유 근거('experiment weekly' 문화)로 why-this-company를 못박는다.
+
+3. **Before:** 저는 5개 프로젝트를 주도했고 매출 100억 규모 사업을 담당했습니다. 신규 고객을 발굴하고 보고서를 작성했습니다.
+   **After:** [직무 강점] 저는 '이탈 직전 고객을 데이터로 식별해 되살리는' 영업입니다. OO기업에서 해지 예고 고객을 결제주기·CS티켓으로 스코어링하는 시트를 만들어 상위 위험군에 선제 제안을 돌렸고(행동) 분기 이탈률을 9%→5%로 낮춰 유지매출 약 1.3억을 방어했습니다(결과). 데이터로 리텐션을 설계하는 이 방식이 OOO의 구독 비즈니스 핵심과 직결된다고 봅니다.
+   **왜 더 나은가:** Before는 '5개·100억'이라는 **규모 수치**일 뿐 본인 기여 결과가 0이고 이력서 재진술이다. After는 두괄식 + 이력서가 못 담는 '어떻게(스코어링 시트)' + **본인 행동의 변화량(9→5%, 1.3억)** 을 더하며 회사의 구독 비즈니스와 연결한다. 규모(scale)와 임팩트(impact)의 차이를 보여준다.
+
+## 3. 검증 루브릭 (연결된 AI가 산출물을 이 기준으로 자가검증)
+
+각 항목의 `measure.type`을 정직하게 표기한다 — **`regex`/`count`/`ratio`** 는 LLM 없이 lint로 자동 검사 가능, **`ai-judge`** 는 연결 AI의 의미 판단이 필요(정규식 불가). lint_cover_letter는 `regex`/`count`/`ratio` 항목만 자동 채점하고, `ai-judge` 항목은 연결 AI에게 위임 표시한다.
+
+| ID | 검사 항목 | 합격 기준 | 측정 방법(type · LLM 없이 셀 수 있게) |
+|----|-----------|-----------|--------------------------------|
+| R1 | 구조 역할 존재 | 영문: 4역할 present / 한국 문항형: 각 문항 두괄식 + 문항-역량 매핑 present | `ai-judge` — 문단 역할 분류는 의미 판단이라 정규식 불가. 연결 AI가 역할 태그를 달고 누락 0 확인. **lint 자동검사 불가(위임)** |
+| R2 | 제너릭 도입 차단 | 금지 도입 패턴 매치 0건 | `regex` — 첫 문장에 `/(i am writing to apply\|i have always been passionate\|as a recent graduate\|지원하게 되었습니다\|지원합니다\|어릴 적부터\|보며 자랐습니다\|저는 .{0,8}한 사람입니다\|평소 .{0,12}관심이 많아\|to whom it may concern)/i` 히트 = 0 |
+| R3 | 빈 형용사·자기서술 슬롭 | 평가형 형용사/종결구문 사전 매치 0건; 매치 시 동일 문단에 정량 증거 동반 | `regex+ratio` — 사전(성실\|책임감\|열정\|소통을 잘\|꼼꼼\|끈기\|헌신적\|주도적인\|커뮤니케이션이 원활\|라고 생각합니다\|많은 것을 배웠\|통해 성장\|기여하고 싶\|team player\|hard-?working\|detail-?oriented\|motivated\|proactive\|dedicated\|diligent\|people person) 매치=0 권장. **사전은 불완전 — 동의어 우회 가능하므로 R8(형용사+증거 비율)과 함께 본다** |
+| R4 | 정량 **성과**(규모 아님) | 전후 비교/델타 패턴 ≥1 | `regex` — `/\d[\d,\.]*\s?%?\s?(→|->|~|에서)\s?\d[\d,\.]*\s?%?|[+\-]\s?\d+\s?%|(감소|증가|줄였|늘렸|개선|달성)[^.]{0,20}\d/` 매치 ≥1. **연도(20\d\d~20\d\d)·문항번호·전화·날짜는 negative lookahead로 제외** — 단순 숫자 카운트 금지 |
+| R5 | 수치 출처 검증 | 본문 수치 토큰이 저장된 이력서/경력 데이터에 존재 | `count` — 본문 숫자 토큰을 추출해 get_resumes·experiences·projects 텍스트에서 동일/근접 토큰 매칭. 미발견 수치 수 = 0 권장(허위 수치 탐지) |
+| R6 | 회사 고유성 | 회사명/제품/미션 고유명사 ≥2회 + 비종속 검사 | `count`(부분 자동) + `ai-judge`(완전 판정) — 토큰 등장 횟수 ≥2는 카운트 가능. '회사명 placeholder 치환 시 어색해지는 문장 ≥1'은 **연결 AI 판정(위임)** |
+| R7 | 이력서 비반복 | locale별 임계 이하 | `ratio` — 영문: 단어 5-gram 중복 ≤20%. **한국어: 어절 n-gram은 교착어 특성상 부정확 → 임계 신뢰 낮음, 의미 중복은 `ai-judge` 보조 필요(한계 명시)** |
+| R8 | STAR 행동+성과 동반 | 행동동사 단락 중 결과 절 동반 ≥1, 단 '규모≠성과' | `regex`(약) + `ai-judge` — 행동동사+결과신호 동시출현은 카운트되나 '우연 동시출현·규모 수치'를 구분하려면 연결 AI가 'R이 본인 행동의 변화량인가' 판정 |
+| R9 | 분량/글자수 | locale·count_mode별 상·하한 이내 | `count` — 영문 word_count ≤400. 한국: char_count가 지정 limit 이내 **그리고 하한 이상**. **count_mode(with_space\|no_space\|byte) 입력 필수**(미지정 시 fail-safe로 가장 빡빡한 기준 사용) |
+| R10 | 공고 요구 매핑 | 공고 키워드 ≥3개가 증거와 함께 등장 | `count`+`ai-judge` — 토큰 매치 카운트는 가능하나 '증거 동반' 판정은 의미 판단. **`job.requirements`/`keywords`가 비면 skip(N/A)** — 데이터 부재 시 통과/실패 강제 금지 |
+| R11 | 블라인드 가드레일 | 직무무관 개인정보 패턴 0건 | `regex` — `/(\d{2,3}\s?세|남자|여자|아버지|어머니|출신|본적|사진 첨부)/` 등 NCS 금지정보 매치 = 0(locale='ko') |
+| R12 | 1인칭 과다 | '저는/I'로 시작하는 문장 비율 ≤40% | `ratio` — 문장 분리 후 시작 토큰이 (저는\|제가\|^I\b)인 비율 계산 ≤0.40 |
+
+**점수·게이팅:** overallPass는 단순 AND가 아니라 **가중 게이팅**이다. **치명(반드시 통과)** = R2·R3·R4·R5·R6(제너릭·증거 없음·허위 수치는 즉시 탈락 사유). **중요** = R1·R8·R10·R11. **경미** = R7·R9·R12(분량 5% 초과 등은 감점만). 치명 항목 중 하나라도 fail이면 overallPass=false. score는 치명 60% + 중요 30% + 경미 10% 가중합. lint는 `regex/count/ratio` 항목만 자동 채점하고 `ai-judge` 항목은 'AI 위임' 상태로 반환한다.
+
+**주요 실패 모드:**
+1. **제너릭·교체 가능**(회사명 바꿔도 말이 됨) — R2·R6로 1차 차단, 비종속 판정은 AI 위임.
+2. **증거 없는 자기서술**(빈 형용사·종결구문 슬롭, 동의어 우회) — R3 사전 + R8 비율로 이중 방어, 사전 불완전성 명시.
+3. **규모를 성과로 위장**('100억 담당') — R4·R8이 전후 델타를 요구해 단순 숫자·규모를 거른다.
+4. **허위 수치 발명**(정량화 압박의 부작용) — R5가 저장 데이터 교차검증.
+5. **로케일 오적용**(영문 4역할·400단어 규범을 한국 문항형에 강제) — R1·R9가 locale 분기.
+6. **신입/약점 문항을 일괄 fail** — R4를 약점 문항·신입 경로에서 면제.
+
+## 4. 출처 (Provenance)
+
+신뢰도 등급: **[1차] 대학 커리어센터·공식 기관 / [2차] 커리어 매체·전문 블로그 / [참고] 커뮤니티·기업 블로그(일화적, 인과 주장 약함)**.
+
+- **[1차] Harvard FAS — Mignone Center for Career Success** — 직무 직결 1~2개 경험 집중, 특정 수신자 지정, 공고 핵심 요구 연결 · https://careerservices.fas.harvard.edu/resources/harvard-college-guide-to-resumes-cover-letters/
+- **[1차] Georgetown Cawley Career Education Center** — 4문단 구조(훅/자격/회사적합/클로징)와 적합성 1~3문장 · https://careercenter.georgetown.edu/major-career-guides/resumes-cover-letters/cover-letters/
+- **[1차] Princeton Center for Career Development (2019 PDF)** — 문단별 역할 분리, 구체적 사례 vs 일반 진술 · https://careerdevelopment.princeton.edu/sites/g/files/toruqf1041/files/documents/cover_letter_guide_2019.pdf
+- **[1차] University of Cincinnati — Standout Cover Letter Guide (2024)** — 제너릭 도입 금지, 훅 구성, 영문 분량 3/4~1페이지 · https://www.uc.edu/news/articles/2024/11/standout-cover-letter-guide.html
+- **[1차] University of Maryland — Cover Letter Resources** — 회사 미션·가치 리서치 후 본인 경험과 정렬 · https://careers.umd.edu/find-jobs-internships/resumes-cover-letters/cover-letter-resources
+- **[1차] Yale Office of Career Strategy — Cover Letter Guidance** — 공고 정독, 채용담당자 니즈 대응, 전이 가능 스킬(공식 OCS 자료로 인용 권장; studocu 비공식본 대체) · https://ocs.yale.edu/
+- **[1차/기조] NCS 국가직무능력표준 — 블라인드/공정채용 가이드** — 직무무관 개인정보(나이·성별·사진·가족) 배제 기조 (R11 근거) · https://www.ncs.go.kr/
+- **[2차] LiveCareer / CareerAddict / 4 Corner Resources — Cover Letter Mistakes** — 빈 형용사·클리셰 금지, 정량화, 이력서 반복 금지, 분량 · https://www.livecareer.com/resources/cover-letters/basics/cover-letter-mistakes
+- **[2차] Harvard career experts via CNBC** — 'To whom it may concern' 금지·실명 지정(영문 한정) · https://www.cnbc.com/2019/07/23/example-of-the-perfect-cover-letter-according-to-harvard-career-experts.html
+- **[2차] Scale.jobs — Keyword Mistakes in Cover Letters** — 키워드 스터핑 역효과, 키워드는 증거 문장 안에 · https://scale.jobs/blog/common-mistakes-when-using-keywords-in-cover-letters
+- **[참고] Linkareer 두괄식 / 매거진한경 KKK-STAR / 대웅 STAR** — 한국 자소서 두괄식·STAR·정량 지표(일반론으로 유효하나 '합격 패턴' 인과 주장은 일화적) · https://community.linkareer.com/employment_data/4896233
+- **[데이터 사실] CareerMate 코드** — `get_application_context`의 `job.requirements`/`job.keywords`는 optional 자유텍스트 배열(랭킹 없음) · packages/shared/src/schemas.ts:282-283, packages/core/src/context.ts:32-60 (R10 skip 규칙 근거)
+
+## 5. Phase B 힌트 (아키텍처로 연결)
+
+- **MCP 도구 아이디어:**
+  - `get_cover_letter_playbook(locale?, mode='draft'|'review', question_type?)` — 연결 AI에게 (1) locale별 구조 템플릿(영문 4역할 / ko 문항형), (2) doList/dontList, (3) 금지 형용사·종결구문·도입 사전(ko/en), (4) 루브릭을 머신체크 가능한 형태로 serve. `question_type`(지원동기/성장과정/약점·실패/협업 등)에 따라 약점 문항은 R4 면제 등 **문항별 루브릭 변형**을 반환.
+  - `lint_cover_letter(text, job_id?, locale, count_mode?)` — 저장 없이 루브릭을 실제 카운트하는 **LLM-free 정적 검사기**. `regex/count/ratio` 항목만 자동 채점하고 `ai-judge` 항목은 'AI 위임' 상태로 표시. resume/job 컨텍스트는 서버가 get_resumes·get_application_context에서 조회(R5 수치 교차검증, R10 키워드 부재 시 N/A). 통과 후 기존 `save_cover_letter_version`에 저장.
+- **데이터 형태 힌트:**
+  ```
+  playbook: {
+    locale: 'ko'|'en',
+    structure: [{ role|questionType, purpose, openingPatternBan:[regex], lengthBudget:{min,max,countMode}, example }],
+    bannedAdjectives: { ko:[], en:[] },
+    bannedClosers: { ko:[] },              // 종결구문 슬롭
+    genericOpenerPatterns: [regex],
+    blindGuardrails: [regex],              // R11
+    rubric: [{ id, check, passBar, severity:'critical'|'major'|'minor',
+               measure:{ type:'regex'|'count'|'ratio'|'ai-judge', pattern?, threshold?, llmFree:boolean } }]
+  }
+  lint 입력: { text, jobId?, locale, countMode:'with_space'|'no_space'|'byte' }
+  lint 출력: {
+    checks:[{ id, type, llmFree, value, passBar, pass:boolean|'delegated', hits:[{span,snippet}] }],
+    score, overallPass, criticalFailures:[id], delegatedToAI:[id]   // ai-judge 항목
+  }
+  ```
+  핵심: 모든 `regex/count/ratio` 측정은 숫자/존재/비율이라 LLM 없이 계산 가능하고, `ai-judge` 항목(R1·R6 비종속판정·R8·R10 증거동반)은 **'LLM-free'라고 광고하지 않고** 연결 AI에 명시적으로 위임한다 — summary의 'even a regex-level check can verify' 과장을 제거한 정직한 분리.

package/dist/career-os/knowledge/fit-matching.md

@@ -0,0 +1,121 @@
+# 적합도 매칭 / Fit & Matching — CareerMate 지식 (Phase A)
+
+> 이 문서는 CareerMate가 **연결된 AI에게 제공(serve)** 하는 지식이다. CareerMate 안에는 LLM이 없다 — 분석·작성·검증은 연결된 AI(Claude/GPT/Gemini)가 수행하고, 이 플레이북·루브릭은 그 AI가 **세계 최고 수준**으로 일하도록 안내한다.
+
+## 1. 무엇을 하는가
+
+채용공고(JD)와 후보자 증거(이력서·경력) 사이의 **적합도(fit)** 를 분석하는 지식·루브릭이다. 핵심 방법론은 (1) JD를 **must-have(필수)** vs **nice-to-have(우대)** 로 분해하고 복합 요건은 낱개로 쪼개며, (2) 각 요건을 후보자의 구체적 증거(불릿·수치·기간)에 1:1로 매핑하되 **인용은 원문 부분문자열(exact substring)** 로 강제하고, (3) 충족/부분충족/미충족(gap)을 정직하게 분류하며, (4) gap은 숨기지 말고 전이가능 증거·완화 전략으로 다룬다. CareerMate에는 LLM이 없으므로 루브릭은 **LLM 없이 셀 수 있는 형태**(요건 개수, evidence 배열의 비어있음 여부, quotedBullet이 입력의 substring인가, 분수/퍼센트 패턴 존재)로 설계했다. 적합도는 단일 점수가 아니라 **요건별 분해 + must-have 충족률(맥락 신호) + 결정적 갭(critical/hard-gate) 단독 게이트**로 제시한다.
+
+## 2. 플레이북
+
+### 원칙
+
+- **(must/nice 명시 라벨링 + 복합 요건 분해)** JD의 모든 요건을 must-have('자격요건'·'minimum'·'required'·'X년 이상'·자격증)와 nice-to-have('우대'·'preferred'·'a plus'·'bonus')로 명시적으로 라벨링하고, 쉼표·'및'·'and'·'or'로 묶인 한 줄(예: 'Python·SQL·통계 지식')은 **개별 요건으로 분해**한 뒤 라벨링한다. nice-to-have 미충족은 탈락 사유가 아니다. _(출처: University Career Centers; NCS 직무수행능력/직업기초능력)_
+- **(증거 1:1 매핑 + 원문 substring 인용 강제)** 각 요건에 후보자 이력서·경력의 **구체적 증거 1개 이상**을 출처 식별자(sourceType·sourceId)와 함께 매핑하고, `quotedBullet`/`quotedMetric`은 **입력 원문의 정확한 부분문자열**로 담는다(의역·요약 금지). 매핑 증거가 없으면 그 요건은 gap이며, 증거를 지어내지 마라. substring 강제는 CareerMate가 LLM 없이 환각·수치변형을 서버측에서 거를 수 있게 하는 핵심 장치다. _(출처: STAR 성과 불릿; AGENTS.md 프라임 디렉티브)_
+- **(의미 매칭은 AI 추론, 표면 키워드는 별도 트랙)** JD 용어와 이력서 표현이 다르면('A/B 테스트'≈'실험 설계') 동의어·상위어로 연결하되, 이 **의미 매칭의 정합성 판단은 연결된 AI의 책임**이며 CareerMate가 검증하지 못한다(루브릭에서 자가검증 항목으로 분리). 동시에 JD 핵심 키워드(고유 기술명·자격증명)가 이력서에 그대로 들어가는지 **표면 존재 O/X**로 별도 보고한다. 키워드는 ATS에서 보통 자동탈락 게이트가 아니라 랭킹·가독성 신호다(방향성만 차용; 구체 % 수치는 출처가 약해 인용하지 않음). _(출처: ATS 실증 정리; O*NET 동의어 매핑은 AI 추론 영역)_
+- **(gap 3단계 처리 + false-negative 방지)** gap을 발견하면: (a) 인접·전이가능 증거가 있으면 **partial로 재분류**하되 '왜 full이 아닌지' 사유 1문장을 필수로 적고, (b) 진짜 없으면 **미충족**으로 정직하게 표기, (c) 미충족 must-have에는 완화 전략(전이가능 경험 강조·학습계획·커버레터 해명) 1개를 붙인다. **gap으로 분류한 must-have마다 인접 증거 탐색을 최소 1회 시도한 흔적**을 남겨, 좋은 후보를 과소평가(false-negative)하지 않는다. _(출처: O*NET KSA 위계는 전이가능성의 참고 프로파일이지 직접 판정 근거 아님 — 전이 판단은 AI 추론)_
+- **(충족률은 맥락 신호, 결정적 갭은 단독 게이트)** must-have 충족률(분자=met인 must 개수; **partial은 분자에서 제외**, 분모=전체 must 개수)을 계산하되, 이는 **합격 신호가 아니라 맥락 신호**다. '약 50~60% 구간부터 면접 콜백이 의미있게 오른다'는 관찰은 지원자 풀의 생존편향이 섞인 상관일 뿐 인과가 아니며, must-have만으로 재정의한 임계값은 별도 캘리브레이션이 없는 휴리스틱이다. **critical(직무 핵심)·hard-gate must-have가 하나라도 gap이면 충족률·60% 무관하게 '지원 권장'을 내지 않는다.** _(출처: TalentWorks 분석(CNBC 2018) — 단일·비피어리뷰, 방향성만 차용)_
+- **(사실·수치·고유명사 보존)** 기간·규모·도구·회사명 등 사실·수치·고유명사는 변형 없이 보존하고, 매핑 시 원문 수치를 그대로(substring) 인용한다. 추정·반올림·과장 금지. _(출처: AGENTS.md 보존 규칙; STAR 정량화)_
+- **(하드 게이트 별도 식별 + ATS knockout 인지)** '경력 N년 이상'·국가자격증·면허·비자·근무지 같은 **하드 게이트**는 별도 표시하고 소프트 스킬로 상쇄되지 않음을 분명히 한다. 이런 binary 요건은 ATS의 knockout/스크리닝 사전질문에서 **실제로 자동탈락되는 경우가 흔하다**(키워드 자동탈락은 드물어도 구조화 사전질문 탈락은 흔하다). 따라서 '자동탈락은 드뭄'을 하드 게이트에 일반화하지 마라. _(출처: O*NET 규제요건; NCS 자격요건; ATS knockout 실무)_
+- **(범위 한계 명시 + 오버퀄/방향 불일치)** 이 분석은 '증거로 매핑 가능한 하드 요건' 중심이며, 협업·커뮤니케이션 같은 **soft/culture fit는 다루지 않음을 명시**한다(적합도 ≠ 합격가능성). 또한 미달뿐 아니라 **오버퀄(시니어가 주니어 JD 지원)·커리어 방향 불일치**도 리스크로 표기한다. _(출처: 채용 매니저 실무; O*NET은 soft 신호 판정 도구 아님)_
+
+### Do
+
+- 분석 시작 전 `get_application_context`를 호출해 프로필·대표 이력서·경력·스킬·대상 공고를 한 번에 확보한다(맥락 없이 분석 금지).
+- JD의 모든 요건을 한 줄씩 추출하고 **복합 줄은 낱개로 분해**한 뒤 표로 만든다. 각 줄에 [필수/우대], [critical 여부], [hardGate 여부], [매핑 증거 출처 ID 또는 GAP]을 단다.
+- 각 매핑 증거는 실제 불릿·경력을 **원문 substring으로 인용**하고, 수치는 그대로 옮긴다.
+- must-have 충족률(met must 수 / 전체 must 수, **partial 제외**)을 계산해 **맥락 신호**로 제시하되, critical·hardGate gap이 있으면 '권장 불가'를 병기한다.
+- 미충족 must-have마다 완화 전략 1개를 적고, gap으로 분류한 must마다 인접 증거 탐색 시도 흔적을 남긴다.
+- JD 핵심 키워드(기술명·자격증·도구)의 이력서 표면 존재 O/X를 의미 매칭과 분리해 별도 점검한다.
+- 저장된 이력서/JD가 바뀌면 분석이 낡으므로, 분석에 **근거가 된 이력서 버전 ID·JD 식별자**를 기록해 재분석 트리거를 남긴다.
+- 결과는 `save_fit_analysis`로 저장하고 대시보드 링크(http://127.0.0.1:4319)를 안내한다.
+- 기술 용어(must-have, ATS, hard-gate 등)는 쉬운 한국어로 풀어 설명한다.
+
+### Don't
+
+- JD에 없는 요건을 추가하거나, 없는 경력·수치를 지어내 gap을 메우지 마라(환각 금지).
+- 우대(nice-to-have) 미충족을 탈락 사유처럼 다루거나 점수를 깎지 마라.
+- 증거 인용 없이, 또는 의역·요약 인용으로 '충족' 판정하지 마라(인용은 원문 substring).
+- 충족률 60%를 '합격 신호'나 '권장 게이트'로 격상하지 마라 — 맥락 신호다. 100%까지 채우라고 압박하지도 마라.
+- critical·hard-gate(면허·연차·비자·근무지·필수자격증) 미충족을 소프트 스킬로 상쇄해 '지원 권장'을 내지 마라.
+- partial을 '왜 full이 아닌지' 사유 없이 남발해 충족률을 인위적으로 부풀리지 마라.
+- JD의 'required' 라벨을 무비판적으로 신뢰하지 마라 — 요건 인플레이션(특히 연차·학위)을 인지하고, 의심되면 사용자에게 알린다.
+- 사실·수치·고유명사를 반올림·과장·변형하지 마라.
+- 데이터를 외부로 보내거나 웹에서 후보자 정보를 검색하지 마라(모든 데이터는 `~/.careermate` 로컬).
+- gap을 숨기거나 얼버무리지 마라 — 정직하게 미충족으로 표기하고 완화책을 제안하라.
+
+### 워크드 예시 (Before → After)
+
+1. **Before:** JD 요건 'SQL 기반 데이터 분석 경험' → "데이터 분석 잘하실 것 같아요. 적합합니다." (증거·출처 없음, 추정)
+   **After:** 요건 'SQL 기반 데이터 분석' [필수·critical] → 충족. 근거 `{sourceType:resume, sourceId:1, quotedBullet:"주간 매출 대시보드를 SQL로 추출·집계해 12개 캠페인 ROI를 비교, 광고비 18% 재배분"}`(원문 substring). 정확 키워드 'SQL' 이력서 표면 존재(O).
+   **왜 더 나은가:** 추정·칭찬 대신 실제 불릿을 출처 ID + **원문 substring**으로 인용했다. CareerMate가 LLM 없이 'quotedBullet이 입력 이력서의 부분문자열인가'를 검증할 수 있고, 키워드 표면 존재는 별도 점검해 환각 여지가 없다.
+
+2. **Before:** JD 'PM 3년 이상' 미충족인데 마케팅 경력을 'PM 유사 경험'으로 뭉뚱그려 '충족'으로 표기, 충족률 5/8(62%)로 '60% 상회 → 지원 권장'.
+   **After:** 요건 'PM 경력 3년 이상' [필수·hardGate] → 미충족. PM 직함 0년, 마케팅 4년. 완화: 마케팅 중 '신규 기능 베타 운영·우선순위 결정'을 인접 증거로 강조 가능하나 '3년'은 연수 게이트라 상쇄 불가. 커버레터에서 전환 의지 해명 권장. **종합 판정: hard-gate 미충족으로 권장 불가** — 충족률(5/8=62%)은 참고용 맥락 신호이며 권장 근거가 아니다.
+   **왜 더 나은가:** hard-gate를 소프트 경험으로 덮지 않았고, 60% 충족률을 '권장 근거'로 쓰지 않았다. 충족률 옆에 '권장 불가'를 강제 병기해 FM-04(충족률)와 FM-05(하드게이트)의 산술 충돌을 제거했다.
+
+3. **Before:** "전반적으로 잘 맞습니다(80점)." (요건별 분해·근거 없음, 단일 점수)
+   **After:** 적합도 요약 — 필수 8개 중 met 6 / partial 0 / gap 2, 충족률 6/8(75%, partial 제외). 우대 4개 중 1개 충족. 충족 must: [Python(resume#2 불릿), API 설계(experience#4 불릿)]. 미충족 must: [AWS 운영경험 → GCP 경험으로 부분대체 가능(전이, partial 후보지만 'AWS 특화 운영툴 경험 없음'으로 gap 유지), 정보처리기사 → **hardGate 여부 확인 필요**: JD가 '필수'면 권장 불가/'우대'면 가점]. critical·hardGate gap 없음 가정 시에만 충족률을 권장 맥락으로 사용. 보강 1순위: AWS 키워드/경험 명시.
+   **왜 더 나은가:** 단일 점수 대신 met/partial/gap을 분해하고 partial 계수 규칙을 명시했다. 자격증의 게이트/가점 판별을 '확인 필요'로 명시해 예시 내 모순(가점 vs 하드게이트)을 제거했다.
+
+## 3. 검증 루브릭 (연결된 AI가 산출물을 이 기준으로 자가검증)
+
+| ID | 검사 항목 | 합격 기준 | 측정 방법(LLM 없이 셀 수 있게) |
+|----|-----------|-----------|--------------------------------|
+| R1 | 모든 요건에 [필수/우대] 라벨 + 복합 요건 분해 | 라벨 누락 0개; 쉼표·'및'·'and/or'로 묶인 줄이 개별 항목으로 분리됨 | 추출 항목 수를 세고 각 항목에 'must'/'nice' 토큰 존재 확인(누락==0). 원문에서 구분자 포함 줄 수 대비 분해 항목 수가 ≥ 구분자+1 인지 검사 |
+| R2 | 충족·부분충족 판정에 출처 ID + evidence 존재 | status가 met·partial인데 evidence[] 배열이 빈 항목 0개 | (서버 검증 가능) met·partial 항목 수 대비 `evidence.length>0` 항목 수 비율 == 100% |
+| R3 | quotedBullet/quotedMetric이 원문 substring (환각·수치변형 차단) | 인용 문자열이 해당 sourceId 입력 텍스트의 부분문자열이 아닌 항목 0개 | (서버 검증 가능) 각 evidence의 quotedBullet을 입력 이력서/경력 텍스트에 대해 indexOf/`includes` 문자열 검색 → 미발견 개수 == 0 |
+| R4 | gap 표기 + must-have 미충족마다 완화 전략 | 미충족 must 중 mitigation 문장이 없는 항목 0개 | 미충족 must 개수 == mitigation 문장 개수 비교 |
+| R5 | must-have 충족률 수치 제시 + partial 제외 규칙 | 'met must 수 / 전체 must 수' 분수·% 1개 이상; 분자에 partial 미포함 | 분수/% 정규식(예: `\d+/\d+`, `\d+%`)이 must 문맥과 함께 1회 이상; 분자 == status=='met' 개수와 일치 확인 |
+| R6 | critical·hardGate gap 시 '권장 불가' 병기 (게이트 단독 우선) | hardGate 또는 critical이 gap인데 verdict가 'recommend'인 사례 0개 | (서버 검증 가능 — 경고 아닌 **거부**) `requirements`에 `hardGate&&status==gap` 또는 `critical&&status==gap`이 1개라도 있으면 `verdict=='recommend'` 금지 |
+| R7 | 키워드 표면 존재가 의미 매칭과 분리 보고 | JD 핵심 키워드별 'O/X' 표기 1개 이상, 의미 매칭 충족 판정과 별도 필드 | 출력에 `keywordSurfacePresent` 또는 'O/X·있음/없음' 항목 카운트 ≥ 1 |
+| R8 | partial 남용 방지 (사유 강제) | partial 항목 중 '왜 full이 아닌지' 사유 문장이 없는 항목 0개 | partial 항목 수 == partialReason 문장 수 비교 |
+| R9 | gap 과소평가(false-negative) 방지 | gap으로 분류한 must마다 인접 증거 탐색 시도 흔적 존재 | gap must 개수 대비 `transferAttempt` 표기(예: "인접 검토: …") 항목 수 == 100% |
+| R10 | 신선도 추적 | 분석에 근거가 된 이력서 버전 ID·JD 식별자가 기록됨 | 출력/페이로드에 `resumeVersionId`·`jobId`(또는 JD 해시) 필드 존재 여부 == 있음 |
+
+**의미 매칭·전이가능성은 LLM 없이 검증 불가** → R2·R3·R5·R6은 CareerMate 서버가 LLM 없이 강제(존재 여부·substring·산술·게이트). 반면 '의역 동의어 매칭이 타당한가', '전이가능성 판단이 옳은가', '요건 추출이 빠짐없는가'는 **외부 AI의 셀프체크 책임**이며 서버가 보증하지 않는다(R1·R4·R8·R9는 형식 카운트만 강제, 내용 타당성은 AI 책임).
+
+**주요 실패 모드:**
+- (과대평가) 의역 인용으로 충족 위장 → R3 substring 강제로 차단.
+- (충족률 조작) 복합 요건 미분해로 분모 축소(R1), partial을 분자에 넣어 부풀림(R5), partial 남발(R8).
+- (오권장) hard-gate·critical gap을 충족률로 덮어 'recommend' → R6 서버 거부.
+- (과소평가, 가장 비싼 실패) 전이가능 강점을 못 알아보고 gap으로 깎아 좋은 후보 자기검열 → R9.
+- (낡은 분석) 이력서/JD 갱신 후 옛 분석 재사용 → R10.
+
+## 4. 출처 (Provenance)
+
+- **O*NET Content Model — U.S. DOL / National Academies** — KSA(지식·스킬·능력) 택소노미와 자격·면허 같은 규제요건 분류의 참고 프로파일. 단, '스킬 A→B 전이가능성'을 직접 판정하지는 않음(전이 판단은 AI 추론). https://www.onetcenter.org/database.html
+- **University Career Centers (Arizona, WVU, Duke, Michigan)** — JD를 자격요건(필수)·책임·개요로 분해, 필수 vs 우대 우선순위, 키워드 미러링·고용주 우선순위 정렬. https://career.arizona.edu/resources/tailoring-your-resume/
+- **ATS 실증 정리 (ResumeAdapter; The Interview Guys)** — '키워드는 자동탈락 게이트가 아니라 랭킹·가독성 신호'라는 **방향성만** 차용(이력서 첨삭 상품 사이트로 1차 연구 아님; '+40% 검토율'·'자동탈락 8%' 같은 구체 % 수치는 출처가 약해 본문 정량 주장으로 쓰지 않음). 단 비자·자격·근무지 같은 knockout 사전질문은 실제 자동탈락이 흔하다는 점을 하드 게이트에 반영. https://www.resumeadapter.com/ats-statistics
+- **TalentWorks 분석 (CNBC 2018, InHerSight)** — '요건 ~50-60% 충족부터 면접 콜백이 오른다'는 관찰. 단일·비피어리뷰·생존편향 가능이라 **인과가 아닌 맥락 신호**로만 사용(must-have 전용 60% 임계값은 별도 캘리브레이션 없는 자작 휴리스틱임을 명시). https://www.cnbc.com/2018/12/12/matching-half-of-a-jobs-requirements-might-still-get-you-an-interview.html
+- **Behavioural Insights Team — 젠더 지원격차** — 이 출처의 실제 결론은 '여성은 100% 충족 시에만 지원' **신화를 반박**한다(실제 격차는 여성 56% vs 남성 52%로 미미). 따라서 '100% 충족 압박은 불필요'의 근거로 인용하되, '여성만 자기검열' 단정은 사용하지 않음(경향성 가설로 수위 조정). https://www.bi.team/blogs/women-only-apply-when-100-qualified-fact-or-fake-news/
+- **STAR 기반 성과 불릿 (Columbia CCE, ResumeBuilder, TopResume)** — 증거→주장 매핑, 정량화 수치 보존, 행동-결과 구조 → 증거 인용·수치 보존 원칙. https://www.resumebuilder.com/career-center/star-method-resume/
+- **NCS 국가직무능력표준 — HRD Korea** — 직무기술서 기반 능력중심채용, **직무수행능력(능력단위)·직업기초능력 구분**(한국 맥락의 필수/우대·하드요건 분류). 'on-spec'은 NCS 표준 용어가 아니라 사용하지 않음. https://www.ncs.go.kr/index.do
+
+## 5. Phase B 힌트 (아키텍처로 연결)
+
+- **MCP 도구 아이디어:** `get_fit_analysis_guide` — 연결된 AI가 적합도 분석 직전 호출하면 (1) 요건 분해·복합 요건 분리 체크리스트, (2) 증거-매핑 템플릿(substring 인용 규칙 포함), (3) R1~R10 셀프-체크 루브릭, (4) 60% '맥락 신호' 규칙·critical/hardGate 단독 게이트 규칙을 구조화 JSON으로 반환. `save_fit_analysis`는 `requirements[]` 구조를 입력받아 **LLM 없이** 충족률·갭 개수를 서버측에서 재계산·검증한다.
+- **데이터 형태 힌트:**
+  ```
+  {
+    jobId, resumeVersionId,                       // R10 신선도
+    fitSummary: { mustHaveTotal, mustHaveMet,     // mustHaveMet = status=='met' 개수만 (partial 제외)
+                  mustHaveMetRate, niceToHaveMet,
+                  verdict: 'recommend'|'conditional'|'not_recommend',
+                  overqualified: bool },          // 오버퀄/방향 불일치 플래그
+    requirements: [ {
+      id, text, type:'must'|'nice',
+      critical: bool, hardGate: bool,             // 단독 게이트
+      status: 'met'|'partial'|'gap',
+      partialReason?,                             // partial이면 필수 (R8)
+      transferAttempt?,                           // gap must면 필수 (R9)
+      evidence: [ { sourceType:'resume'|'experience', sourceId,
+                    quotedBullet,                 // 입력 원문의 exact substring (R3)
+                    quotedMetric? } ],
+      keywordSurfacePresent: bool,                // R7 표면 트랙
+      mitigation?                                 // 미충족 must면 필수 (R4)
+    } ],
+    generatedBy: 'claude'|'gpt'|'gemini'
+  }
+  ```
+  **서버측 검증(LLM 불요):** ① `status∈{met,partial}`인데 `evidence[]` 빈 항목 → **거부**(R2). ② 각 `quotedBullet`이 해당 sourceId 입력 텍스트의 부분문자열이 아니면 → **거부**(R3). ③ `mustHaveMet`를 status=='met' 개수로 재계산(클라이언트 자기보고 불신, R5). ④ `hardGate&&status==gap` 또는 `critical&&status==gap`이 1개라도 있는데 `verdict=='recommend'` → **거부**(경고 아님, R6). ⑤ partial인데 `partialReason` 없음(R8)·gap must인데 `transferAttempt` 없음(R9)·미충족 must인데 `mitigation` 없음(R4) → 거부.

package/dist/career-os/knowledge/human-writing.md

@@ -0,0 +1,118 @@
+# 사람처럼 쓰기 (anti-AI-slop) / Human Writing — CareerMate 지식 (Phase A)
+
+> 이 문서는 CareerMate가 **연결된 AI에게 제공(serve)** 하는 지식이다. CareerMate 안에는 LLM이 없다 — 분석·작성·검증은 연결된 AI가 수행하고, 이 플레이북·루브릭은 그 AI가 **세계 최고 수준**으로 일하도록 안내한다.
+
+## 1. 무엇을 하는가
+
+커리어 문서(자기소개서·자기 PR·지원 메일·면접 답변)를 "AI가 쓴 티" 없이, 사용자 고유의 목소리로, 사실을 보존하며 쓰도록 연결된 AI를 안내한다. CareerMate의 **1차 사용자층은 한국어 자소서 작성자**이므로 이 플레이북은 한국어 슬롭(번역투·클리셰·기계적 병렬·수동태)을 1차 기준으로, 영어 마커는 영문 지원서일 때만 적용하는 **보조 기준**으로 둔다. 이 문서는 기존 `packages/prompts/src/humanize.ts`의 정성 가이드(한국어 8개 항목, `epoko77-ai/im-not-ai` 근거)를 **상위 단일 원본으로 흡수·확장**하고, 거기에 "LLM 없이 셀 수 있는" 결정론 루브릭과 채용 적합성 축을 더한 것이다. 핵심은 슬롭 제거가 아니라 **"거짓 없고 직무에 맞닿은, 사람 목소리의 글"**을 만드는 것이다 — 슬롭이 0이어도 동문서답·내용 공백이면 떨어진다.
+
+## 2. 플레이북
+
+### 원칙
+
+- **(한국어 슬롭을 1차로 거른다)** 번역투("~에 대한/~을 통해/~에 있어서/~라는 점에서/가지고 있습니다/~을 진행하였습니다"), 클리셰("급변하는 시대/4차 산업혁명/끊임없는 노력/귀사의 발전에 기여/소통과 협업/성장하는 인재"), 정의문 반복("저는 ~한 사람입니다"의 남발), 수동태("~되어졌습니다"), 형식 과용(가운뎃점 `·` 남발, 불필요한 굵게/이모지, "첫째·둘째·셋째")을 제거한다 — 이것이 한국 채용 담당자가 실제로 거르는 진짜 슬롭이다. _(출처: humanize.ts / epoko77-ai/im-not-ai)_
+- **(영어 과잉어휘는 영문 지원서에서만 보조로 차단)** delve, leverage, utilize, showcase, underscore, harness, bolster, illuminate, facilitate, intricate, meticulous, tapestry, realm, beacon, testament, foster, robust 등은 같은 의미의 일상어로 치환한다(leverage→use, utilize→use, delve into→examine). 단 단어 경계(`\b`)로 매칭하고 정당한 기술 맥락(`robust error handling`, UI `navigate`, `foster care`)은 예외로 둔다. **locale='ko'에서는 이 사전의 가중치를 낮춘다.** _(출처: Kobak et al. 2024; The Conversation 2025 — 단, "단일 지표 맹신은 과학보다 art"라는 원문 경고를 함께 적용)_
+- **(증거로 보여준다, Show don't tell)** 열정 선언("열정을 가지고/최선을 다하겠습니다/빨리 배웁니다/I am excited to/I want to/fast learner/great fit")과 추상 성격 나열("성실·책임감·소통능력")은 **무엇을 했고 그 결과 수치가 어떻게 됐다**는 구체 사실로 대체한다. _(출처: TopResume; The Muse; Univ. of Michigan Career Center; humanize.ts 7항)_
+- **(사실을 잠근다, Fact lock)** 숫자·고유명사·날짜·직함·회사명·기술스택은 사용자가 준 그대로 보존한다. **단, 입력 사실로부터의 명시적 파생연산(차·합·비율 환산: 월12건→월2건에서 "83% 감소")은 허용**한다. 모르면 지어내지 말고 `[확인 필요]`로 표시한다. 이 체크는 한국어 NER 한계 때문에 **결정론 게이트가 아니라 LLM 보조 플래그**로 둔다(아래 R7). _(출처: CareerMate AGENTS.md 프라임 디렉티브)_
+- **(직무 적합성을 1차 게이트로)** 주장 1개당 **그 JD의 요구 역량과 매칭되는** 검증 가능한 사실 1개를 붙인다. `get_application_context`의 `matched_keywords`/`missing_keywords`와 산출물을 대조해, 슬롭은 없지만 동문서답인 글을 거른다. _(출처: 채용 매니저 리뷰 — job-fit 축; CareerMate get_application_context)_
+- **(목소리 보존)** 사용자 원문·이력서를 샘플로 평균 문장길이·어휘 수준을 맞추고, 표준 코퍼레이트 톤으로 평탄화하지 않는다. 이는 분포 유사도로 측정 가능하다(R8). _(출처: The Augmented Educator; humanize.ts; get_writing_style_guide)_
+- **(간결성, Omit needless words)** 형용사·부사로 부풀리지 않고, 초안 후 "불필요한 단어 삭제" 패스를 1회 더 돌린다. 능동태를 기본으로 한다. _(출처: Strunk & White)_
+- **(두괄식 + STAR)** 각 문항 첫 문장에 그 문항의 핵심 결론을 두고, 본문은 상황(S)·과제(T)·행동(A)·결과(R)로 전개한다. **한국어에서 "저는 ~입니다"로 시작하는 두괄식 대표문장은 정석이므로 슬롭으로 취급하지 않는다.** _(출처: 링커리어/하이잡/대웅 STAR 가이드)_
+
+### Do
+
+- 문항/문단 첫 문장에 핵심 결론을 둔다(두괄식). "저는 데이터로 문제를 정의하는 사람입니다" 같은 대표문장은 권장된다.
+- 주장 1개당 **그 JD 요구역량에 맞닿은** 검증 가능한 사실(수치·기간·도구·역할·결과)을 최소 1개 붙인다.
+- `matched_keywords`를 산출물이 증거와 함께 다루는지 확인한다(키워드 커버리지).
+- 능동태·단문 위주로 쓰되 문장 길이를 변주한다(짧은 문장과 긴 문장 섞기). 단 이는 신호일 뿐 목표가 아니다 — 가독성 우선.
+- 공고/플랫폼의 글자수 상한(예: 500자/1000자)을 지킨다. 초과는 시스템에서 잘린다.
+- 사용자 원문·이력서의 어조·어휘 수준을 샘플로 삼아 목소리를 맞춘다.
+- 숫자·고유명사·날짜·회사명을 원본과 대조하되, 콤마/단위/한글수사 차이(1,200ms=1200ms, 12만=120,000)는 같은 값으로 정규화한다.
+- 입력 사실에서 파생한 환산값(차·합·비율)은 계산해 써도 된다.
+- 초안 후 "불필요한 단어 삭제" 패스를 1회 더 돌린다.
+- 불확실한 사실은 `[확인 필요]`로 표시하고 사용자에게 되묻는다.
+
+### Don't
+
+- 번역투("~에 대한/~을 통해/가지고 있습니다")와 클리셰("급변하는 시대/4차 산업혁명/귀사의 발전에 기여")로 문장을 채우지 않는다.
+- "성실·책임감·소통능력" 같은 추상 형용사를 사례 없이 나열하지 않는다.
+- "열정을 가지고/최선을 다하겠습니다/밑거름이 되겠습니다/I am excited to/I want to(공허한 자기선언)"로 채우지 않는다.
+- **회사명 오기재**(타 회사 자소서 복붙)를 하지 않는다 — fact-lock보다 흔하고 치명적이다.
+- **문항 질문에 답하지 않는 동문서답**을 하지 않는다.
+- 가운뎃점(`·`) 남발, 불필요한 굵게/이모지, 과한 마크다운, em-dash 남발을 하지 않는다.
+- "A, B, and C / A하고 B하며 C하는" 삼단열거를 **기계적으로** 반복하지 않는다(정상적 명사 3항 나열 "디자인·개발·운영"은 허용).
+- "it's important to note/물론 ~지만/전반적으로/어떻게 보면" 헤징·메타 코멘트를 넣지 않는다.
+- **출처 없는 정성 우월 주장**("팀 사기를 크게 높였다/탁월한/대폭 개선")을 쓰지 않는다 — 숫자가 없어 fact-lock에도 안 걸리지만 면접에서 깨진다.
+- 사용자가 주지 않은 수치·수상·직함을 추정·미화·반올림하지 않는다(파생 환산은 예외).
+- 사용자 고유 표현을 표준 코퍼레이트 톤으로 평탄화하지 않는다.
+
+### 워크드 예시 (Before → After)
+
+1. **Before(한국어):** "저는 어떤 일이든 성실하고 책임감 있게 임하며, 끊임없는 열정으로 귀사의 무한한 가능성에 발맞춰 일익을 담당하고자 합니다. 다양한 경험을 통해 소통 능력과 문제 해결 능력을 길렀습니다."
+   **After:** "재고 데이터 정합성 문제로 월 평균 12건의 오배송이 발생하던 물류팀에서, 저는 주문-재고 대조 스크립트를 직접 만들어 야간 배치에 넣었습니다. 그 결과 오배송은 3개월 만에 월 2건으로(약 83% 감소) 줄었고, CS 문의도 40% 감소했습니다."
+   **왜 더 나은가:** Before는 추상 성격 나열·클리셰("무한한 가능성/일익을 담당")뿐이라 누구나 복붙 가능하다. After는 STAR로 상황(월12건)·행동(스크립트·야간배치)·결과(월2건, CS 40%↓)를 수치로 보여준다. "83%"는 입력 12→2의 **허용된 파생 환산**이라 fact-lock을 위반하지 않는다.
+
+2. **Before(한국어, 번역투):** "이번 프로젝트에 있어서 저는 데이터 분석에 대한 역량을 가지고 있으며, 이를 통해 리텐션 개선을 진행하였습니다. 또한 협업 능력도 갖추고 있습니다."
+   **After:** "마케팅 로그 12만 건을 SQL로 분석해 이탈 구간을 찾았고, 리텐션을 8%p 올렸습니다. 인턴 2명을 온보딩하며 분석 대시보드 표준을 만들었습니다."
+   **왜 더 나은가:** Before는 번역투("~에 있어서/~에 대한/~을 통해/가지고 있으며/진행하였습니다")와 "~을 갖추고 있습니다" 정의문이 골격이다. After는 번역투를 걷어내고 두 개의 구체 성과(수치 포함)로 능동태 단문을 쓴다. 정보는 늘고 길이는 줄었다.
+
+3. **Before(영문 지원서):** "I am thrilled to leverage my robust skill set to delve into new challenges and showcase my ability to navigate complex environments—driving innovation, fostering collaboration, and underscoring my passion for excellence."
+   **After:** "I led the checkout-API rewrite for 3 engineers over 4 months. We cut p95 latency from 1,200ms to 380ms and reduced payment errors by 27%. I want to bring that same focus to your payments team."
+   **왜 더 나은가:** Before는 영어 과잉어휘(leverage/delve/showcase/navigate/foster/underscore)·em-dash·삼단열거·빈 열정어가 전부라 사실이 0개다. After는 역할·기간·인원·전후 수치로 능동 단문을 쓴다. (영문일 때만 영어 lexicon이 1차로 작동한다.)
+
+## 3. 검증 루브릭 (연결된 AI가 산출물을 이 기준으로 자가검증)
+
+> **캘리브레이션 경고:** 아래 임계값(em-dash 2개, 사실토큰, 문장길이 표준편차 등)은 주로 영어 코퍼스에서 온 **잠정 수입품**이다. Phase B에서 한국어 합격 자소서 코퍼스로 percentile 캘리브레이션하고 분기별 재조정해야 한다. lexicon은 후행 지표(모델 RLHF가 tell을 학습해 회피 중)이므로 **버전·출처일자를 필수로 기록**한다. 모든 카운트 임계는 "하드 fail"이 아니라 "신호" 우선이며, 게이트로 쓰는 것은 R5·R6·R9뿐이다.
+
+| ID | 검사 항목 | 합격 기준 | 측정 방법(LLM 없이 셀 수 있게) |
+|----|-----------|-----------|--------------------------------|
+| R1 | 한국어 슬롭 사전 매칭(번역투·클리셰·수동태) | 매칭 0건(있으면 치환 제안+사람 판단). **soft** | locale='ko' 사전(번역투 "~에 대한/~을 통해", 클리셰 "급변하는 시대/4차 산업혁명/귀사의 발전에 기여", "~되어졌습니다")으로 부분문자열 매칭, 히트 카운트 |
+| R2 | 영어 과잉어휘(영문 지원서 한정) | locale='en'일 때만 적용, 치환 제안. **soft** | 단어경계 `\b(delve|leverage|utilize|showcase|...)\b` 정규식, 기술맥락(robust error handling 등) 화이트리스트 예외. locale='ko'면 가중치↓ |
+| R3 | 형식 tell(가운뎃점·이모지·굵게·em-dash) | 가운뎃점 남발·이모지 0, em-dash≤2(영문만 변별력). **soft** | `·` `—` 이모지 유니코드·`**` 출현 카운트. (한국어 자소서에서 em-dash 변별력은 사실상 0 — 가운뎃점이 더 중요) |
+| R4 | 헤징/메타 코멘트 | 매칭 0건. **soft** | 사전("it's important to note/물론/전반적으로/어떻게 보면") 부분문자열 매칭 카운트 |
+| R5 | 빈 열정어·자기선언 상투구 | 매칭 0건(있으면 각 1개를 구체 사실로 대체). **gate** | 사전("열정을 가지고/최선을 다하겠습니다/빨리 배웁니다/I am excited to/I want to/fast learner/great fit") 매칭 카운트 |
+| R6 | 증거 밀도(주장당 사실) | 주장 1개당 사실 토큰(숫자/%/기간) ≥1. **gate**(1차 게이트) | 한국어=어절 기준, 영어=word 기준으로 분리. 숫자 `\d`, `%`, 기간 `\d+\s*(년\|개월\|주\|month\|year)` 카운트. 한국어 "대문자 고유명사"는 세지 않음 |
+| R7 | 사실 잠금(fact-lock) | 입력에 없는 숫자·고유명사 0건(파생 환산 제외). **LLM 보조 플래그**(게이트 아님) | 숫자 정규화(콤마/단위/한글수사: 1,200ms=1200ms, 12만=120,000) 후 차집합. 차/합/비율 화이트리스트. 한국어 고유명사는 NER 없이 못 잡으므로 연결된 AI가 최종 판정 |
+| R8 | 목소리 보존(평탄화 금지) | 산출물 평균 문장길이가 사용자 원문 샘플 ±30% 이내, TTR 유사. **soft** | 사용자 원문 샘플과 산출물의 평균 문장길이 차이·어휘다양성(TTR) 비교. 순수 산술 |
+| R9 | 글자수 상한 | 공고/플랫폼 max_chars 이하. **gate** | `text.length` ≤ max_chars. 가장 객관적인 결정론 체크 |
+| R10 | 직무 키워드 커버리지 | `matched_keywords` 중 산출물이 증거와 함께 다루는 비율 ≥ 목표치. **soft** | get_application_context의 keyword 집합과 산출물 토큰 교집합 비율 |
+| R11 | 회사명 정합 | 산출물의 회사명 = 대상 공고 회사명. **gate** | 공고의 company 문자열이 산출물에 존재, 타 회사명 부재 확인(타 회사 복붙 탐지) |
+| R12 | 문장 길이 변주(burstiness) | 문장 ≥6개일 때만 적용, 표준편차 ≥5단어. **soft(신호일 뿐 목표 아님)** | 문장 분리 후 단어수 표준편차. 짧은 문항(<6문장)은 통계 무의미하므로 미적용 |
+
+**주요 실패 모드:**
+1. **동문서답·직무 무관** — 슬롭이 0이어도 JD와 무관한 자랑이면 떨어진다(R6·R10·채용 1차 탈락 사유).
+2. **회사명 오기재·글자수 초과** — 결정론으로 가장 쉽게 잡히는 치명적 실수인데 자주 누락된다(R9·R11).
+3. **환각·출처 없는 정성 과장** — 입력에 없는 수치/수상, 또는 숫자 없는 "크게/탁월한" 정성 주장. 면접에서 즉시 발각(R7 + Don't의 정성 주장 금지).
+4. **false-positive 오탈락** — 영어 사전을 한국어에 그대로 적용, 정상 3항 명사나열을 삼단열거로 오탐, 짧은 문항에 burstiness 강제. 이를 막으려 게이트는 R5·R6·R9·R11로 한정하고 나머지는 soft 신호로 둔다.
+5. **사전 시효성(adversarial drift)** — 2024 'delve' 통계는 후행 지표. 버전 미기록·미캘리브레이션 lexicon은 정상 글을 오탈락시킨다.
+
+## 4. 출처 (Provenance)
+
+- **humanize.ts / epoko77-ai/im-not-ai** — 한국어 AI-tell 분류(번역투·클리셰·기계적 병렬·수동태·형식 과용)의 1차 근거. **이 문서의 한국어 ban-list 본체.** (`packages/prompts/src/humanize.ts`, MIT License)
+- **Kobak et al., "Delving into LLM-assisted writing…"** — 영어 과잉어휘 사전의 실측 근거(delve +1500% 등). **단 영문 지원서 한정 보조 기준**으로만 적용. · https://arxiv.org/abs/2406.07016
+- **The Augmented Educator, "Ten Telltale Signs of AI-Generated Text"** — 헤징·정형 템플릿(2~5배)·낮은 burstiness·장식 명사·개인 목소리 부재. dontList 다수 근거. · https://www.theaugmentededucator.com/p/the-ten-telltale-signs-of-ai-generated
+- **The Conversation, "Too many em dashes? … Spotting text written by ChatGPT" (2025)** — em-dash 일화적 근거이자 **"단일 지표 맹신은 과학보다 art"라는 한계 경고** — R3을 soft로 강등한 근거. · https://theconversation.com/too-many-em-dashes-weird-words-like-delves-spotting-text-written-by-chatgpt-is-still-more-art-than-science-259629
+- **Strunk & White, "The Elements of Style"** — 간결성(Omit needless words)·능동태. · https://news.cornell.edu/stories/2009/03/omit-needless-words-elements-style-turns-50
+- **TopResume "9 Cover Letter Cliches" / The Muse / Univ. of Michigan Career Center** — 빈 열정어·자기선언 금지, Show-don't-tell. · https://topresume.com/career-advice/cliches-cut-from-cover-letter
+- **링커리어·하이잡·대웅 뉴스룸 STAR 기법 가이드** — 한국 채용: 두괄식("저는 ~입니다" 대표문장 정석), STAR, 추상 성격 나열 금지. · https://community.linkareer.com/employment_data/4464545
+- **CareerMate AGENTS.md** — 프라임 디렉티브("두뇌는 당신, 저장은 CareerMate"), 사실·수치·고유명사 보존, get_application_context의 matched/missing_keywords.
+
+## 5. Phase B 힌트 (아키텍처로 연결)
+
+- **MCP 도구 아이디어:**
+  - `get_writing_style_guide(doc_type, locale)` 확장 — 위 원칙·Do·Don't를 locale별(ko 우선, en 보조)로 반환. 기존 humanize.ts를 이 데이터의 1차 소스로 흡수.
+  - `check_human_writing(text, locale, sourceFacts?, maxChars?, jdKeywords?, voiceSample?)` 신설 — **LLM 없이 결정론**으로 violations 배열 + pass/fail 반환. R1~R6·R9~R12는 순수 JS 카운트/정규식/집합연산. **R7(fact-lock)·R10·두괄식 본질은 "휴리스틱 플래그"로 반환하고 최종 판정은 연결된 AI에게 위임**(한국어 NER·의미 판정 불가 인정).
+- **데이터 형태 힌트:**
+  ```
+  styleGuide: { domain, locale, principles[], doList[], dontList[] }
+  lexicons: {                       // 버전드 JSON, 거버넌스 메타 필수
+    _meta: { version, sourceDate, calibratedOn, changelog[] },
+    slop_ko: [{term, replaceWith, regex?}],   // 1차
+    aiOveruse_en: [{term, replaceWith, wordBoundary:true, contextWhitelist:[]}], // 영문 한정
+    hedging: [], emptyEnthusiasm: [], formatTells_ko: ['·','**','emoji']
+  }
+  rubric: [{ id, check, passBar, regexOrLexiconRef, locale, severity:'gate'|'soft'|'llm-flag', minSentences? }]
+  ```
+  - **입력:** `{ text, locale, sourceFacts?, maxChars?, jdKeywords?, voiceSample? }`
+  - **출력:** `{ score, gatePassed, violations:[{ruleId, severity, count, matches:[{text,offset}]}], factLock:{normalizedNumbers, unmatched[], note:'LLM-confirm'}, jobFit:{coverage, missing[]}, metrics:{emDash, midDot, sentenceLenStdev, evidencePerUnit, charCount, voiceDelta} }`
+  - **거버넌스(필수):** lexicon 변경은 (a) version/sourceDate 기록, (b) 한국어 false-positive 회귀 테스트셋 통과, (c) 합격 자소서 N건 + AI 슬롭 N건 골든셋에 대한 precision/recall 리포트, (d) 분기별 재캘리브레이션 트리거를 거친다. 기술 용어 화이트리스트(robust/foster/navigate)는 contextWhitelist로 관리.