careermate 0.0.1

package/dist/career-os/knowledge/salary-negotiation.md

@@ -0,0 +1,123 @@
+# 연봉 협상 / Salary Negotiation — 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
+
+연봉 협상에서 협상력은 개인 사정이 아니라 **데이터(시장 벤치마크)와 BATNA(대안)**에서 나온다. 이 플레이북은 연결된 AI가 (1) 직무·지역·레벨·통화·시점이 일치하는 시장 데이터로 요구액을 정당화하고, (2) total comp을 구성요소(base/bonus/equity/sign-on/relocation, 한국은 +사이닝·직책수당·성과급 비중)로 분해해 협상하며, (3) **BATNA 강도와 지원자 연차·시장 수급에 맞게 협상 강도를 캘리브레이션**하도록 안내한다. 무리한 앵커는 오퍼 철회 리스크를 키우므로, 업사이드뿐 아니라 **하방 리스크와 안전 한계선**도 함께 가르친다. 한국 맥락(포괄임금제·연봉 일원화·스톡옵션 과세·원천징수영수증 관행)을 반영하되 글로벌 베스트프랙티스를 우선한다.
+
+## 2. 플레이북
+
+### 원칙
+
+- **(요구액은 시장 데이터로 정당화한다 — 개인 사정 금지)** 매 요구 금액 옆에 명명된 벤치마크 출처와 **직무·지역·레벨·통화·수집 시점(연도)**을 함께 붙인다. 개인 사정(대출·생활비)은 회사가 통제 불가하고 설득력이 없다. _(출처: Levels.fyi Negotiation Guide; UH Bauer Rockwell Career Center)_
+- **(시장 앵커 출처에는 정밀도 위계가 있다)** 시장 앵커는 **levels.fyi·회사별 실데이터(직무·레벨·지역·equity 반영)를 1순위**로 쓴다. BLS OEWS·정부 통계는 광역 직업분류 평균이라 테크 직무에 과소·지연 집계되므로 **하한 참고·보조**로만 강등한다. 한국은 사람인·잡코리아·원티드 직무 통계와 동종업계 레인지를 1차로 쓴다. _(출처: Levels.fyi Guide; BLS OEWS May 2025 한계)_
+- **(임금 투명성이 기본 환경이다 — 공개 레인지를 디폴트로 다룬다)** NYC/CA/CO/WA 공고 레인지 의무공개, EU Pay Transparency Directive(2026 시행)로 회사 레인지가 이미 공개된 경우가 많다. **공개 레인지가 있으면 그것을 즉시 앵커 기준으로 활용**한다. 단 한국은 일반 임금공개 의무가 없으므로, 한국 시장에서는 역질문으로 레인지를 끌어내는 전략을 디폴트로 둔다. _(출처: NYC Local Law 32; EU Directive 2023/970)_
+- **(정보가 충분하면 먼저 앵커, 부족하면 디플렉션 — 조건부 규칙)** "먼저 숫자 말하면 진다"는 과도한 일반화다. 협상학 실증(Galinsky & Mussweiler 2001)은 **시장 정보를 충분히 확보했을 때 먼저 데이터 기반으로 앵커하는 쪽이 결과가 좋음**을 보인다. 따라서 (a) 시장가·레벨 구조를 충분히 알면 먼저 데이터 앵커를, (b) 정보 비대칭이 크면 회사 레인지를 먼저 끌어내는 역질문을 쓴다. _(출처: Galinsky & Mussweiler, JPSP 2001; Harvard PON)_
+- **(하향 범위가 아니라 단일 앵커로 핵심 요구액을 제시한다)** 핵심 요구 base는 자기 양보를 내포한 **하향 범위(X에서 Y, X~Y where X<Y)로 제시하지 않는다** — 상대는 항상 하단으로 점프한다. 단일 숫자로 타깃의 **+5~15%** 위를 앵커하되 **인용된 시장 p75를 넘지 않게**(최대 p90), 그 차이를 정당화할 근거를 준비한다. **total comp 구성 시나리오(A/B/C로 분해된 여러 숫자)는 이 규칙의 예외**다 — 분해는 양보가 아니라 경로 제시다. _(출처: UT Dallas Career Center; UH Bauer; Anchoring 이론)_
+- **(total comp을 구성요소로 분해해 협상한다)** base / annual bonus / equity / sign-on / relocation으로 나누고, 동일 타깃 총액을 만드는 **2~3개 구성 시나리오**를 제시한다. "올려달라"(쉽게 'no')가 아니라 "어느 구성이 내부적으로 가능한가"로 질문을 바꾼다. sign-on은 밴드·내부 형평성에 걸리지 않아 base보다 양보받기 쉽다. annual bonus는 레벨 고정인 회사가 많지만, **타깃 보너스 %·첫 해 비례지급(proration)·보장 보너스(guaranteed first-year)**는 협상 가능한 경우가 흔하므로 무조건 빼지 않는다. _(출처: Levels.fyi Guide; The Salary Negotiator Total Comp guide)_
+- **(equity는 구성요소 1개가 아니라 별도 전장으로 다룬다)** **베스팅 스케줄(4년·1년 클리프)·refresh(리프레셔)·RSU vs 옵션·409A/행사가·비상장 유동성·세금**을 분해해 평가한다. 시니어·스태프급은 base보다 **equity refresh·베스팅·레벨(다운레벨 방지)**이 진짜 협상 포인트다. 한국 스톡옵션은 **적격/비적격 행사이익 과세·행사 요건**이 실질이며, 4년 베스팅이 표준이 아닌 관행도 확인한다. _(출처: The Salary Negotiator; 한국 벤처기업법 스톡옵션 과세특례)_
+- **(BATNA를 명시하고 강도에 따라 협상 강도를 분기한다)** 협상 전 BATNA(다른 오퍼·현직 유지·다음 사이클 대기)를 한 문장으로 정의하고 워크어웨이 라인을 정한다. **(a) 강한 BATNA(검증 가능한 서면 오퍼)만 금액 레버리지로 사용**한다. **(b) 약/무 BATNA(주니어·단일 오퍼·이직 절박)면 경쟁 오퍼 언급 자체를 금지**하고 시장 데이터만으로 협상한다 — 모호한 경쟁 오퍼는 리크루터가 "어느 회사 어느 단계냐, 그 타임라인에 맞춰주겠다"로 5분이면 무너뜨린다. _(출처: Fisher & Ury, Getting to Yes; Harvard PON; 리크루터 역이용 시나리오)_
+- **(협상 강도를 BATNA·연차·시장 수급에 매핑하고 오퍼 리스크를 관리한다)** 공격적 단일 앵커 + 타깃 위 + exploding offer 연장이 겹치면 — 특히 주니어·평범한 BATNA에서 — **오퍼가 식거나 철회될 실제 리스크**가 있다. p90 초과 앵커, 밴드 상한 무시, "서면 전엔 신뢰 안 함"식 압박은 위험 신호다. 강한 BATNA·시니어·수급 우위면 세게, 약한 BATNA·주니어·수급 열위면 시장 중앙값~p75 안에서 부드럽게 민다. _(출처: 채용 매니저 오퍼 철회 리스크; UH Bauer 캘리브레이션)_
+- **(거짓·검증 불가 경쟁 오퍼를 만들지 않는다)** 강한 BATNA가 있을 때만 사실 범위 안에서 활용한다. 없는 오퍼를 지어내거나 검증 불가능한 모호한 오퍼를 언급하면, 오퍼레터 요구 한 번에 신뢰가 붕괴되고 협상이 무너진다. _(출처: Levels.fyi Guide; 리크루터 검증 압박)_
+- **(즉답 금지 → 24~48시간 검토 → 서면 확인)** 감사+열의를 표한 뒤 검토 시간을 요청하고, 모든 합의(금액·구성·시작일·조건)는 오퍼레터·이메일로 서면화한다. _(출처: UMD/UW Career Center; Levels.fyi Guide)_
+- **(한국 맥락: 포괄임금제와 base 외 레버를 본다)** **포괄임금제(고정OT)는 base가 같아도 실수령·근로시간이 다른 진짜 함정**이므로 먼저 확인한다. **연봉계약서 vs 근로계약서**, 인센티브의 **확정 vs 변동**, 직책수당·연봉테이블 등급 조정·사이닝(스타트업·유니콘은 점점 흔함)을 분해 대상으로 삼는다. **원천징수영수증/현재 연봉 요구**는 처우협의 단계에서 강하게 들어올 수 있으므로 단순 회피가 아니라 "희망연봉은 시장가 기준"으로 프레이밍하고, 강하게 요구될 때의 대응 스크립트를 준비한다. _(출처: 글로벌 원칙의 한국 적용; 근로기준법 포괄임금 판례)_
+- **(비금전 레버와 합법성/형평성을 협상 표면에 올린다)** 시작일·재택/하이브리드·직책/타이틀·교육비·리뷰 주기 앞당기기·재협상 시점 합의 등 비금전 레버를 활용한다. 회사 거절 사유 1위는 보통 **밴드 상한·내부 형평성(internal equity)**이므로, "왜 안 되는지"를 이해하고 형평성에 안 걸리는 sign-on으로 우회한다. 반경쟁조항·전 직장 연봉 질문의 지역별 합법성도 확인한다. _(출처: 채용 매니저 밴드/형평성; 지역별 salary history ban)_
+
+### Do
+
+- 작업 전 levels.fyi·회사별 실데이터(또는 한국이면 사람인·잡코리아·원티드·동종업계 레인지)에서 **직무·지역·레벨·통화·수집 연도**별 p25/p50/p75를 수집하고 출처를 기록한다. BLS OEWS는 하한 보조로만.
+- 요구 금액마다 "시장가 $X(출처·직무·지역·레벨·연도) + 차별화 요소(즉시 기여·무 램프업·희소 스킬) → 따라서 $Y"의 데이터 문장으로 정당화한다.
+- 공개 레인지가 있으면 즉시 앵커 기준으로 쓰고, 없으면(한국 디폴트) 역질문으로 회사 레인지를 먼저 끌어낸다.
+- 핵심 요구 base는 단일 숫자로, 타깃의 +5~15% 위를 앵커하되 인용된 p75(최대 p90)를 넘지 않게 한다.
+- total comp을 base/bonus/equity/sign-on/relocation으로 분해하고 동일 총액의 2~3개 구성 시나리오를 만든다.
+- equity는 베스팅·refresh·RSU/옵션·행사가·세금까지 분해해 평가한다. 시니어면 레벨·refresh를 핵심 협상 포인트로 둔다.
+- 협상 전 BATNA를 한 문장으로 명시하고, **강도에 따라 협상 강도를 분기**한다(강하면 금액 레버리지, 약하면 시장 데이터만).
+- 오퍼 수신 시 감사+열의 표현 후 24~48시간 검토를 요청하고, 최종 합의를 서면 확인한다.
+- 한국이면 포괄임금제·연봉계약서·확정/변동 인센티브·사이닝·직책수당·연봉등급을 별도 협상 포인트로 식별한다.
+- 비금전 레버(시작일·재택·타이틀·교육비·재협상 시점)와 밴드 상한·내부 형평성 현실을 함께 고려한다.
+
+### Don't
+
+- 생활비·대출·집세·부양 등 **개인 사정으로 요구액을 정당화하지 않는다**.
+- 핵심 요구 base를 **하향 범위(X에서 Y, X<Y)로 제시하지 않는다** — 상대는 하단으로 점프한다. (단 total comp 구성 시나리오의 다중 숫자는 예외)
+- 정보가 부족한데 먼저 구체적 숫자를 던지지 않는다(반대로 정보가 충분하면 먼저 앵커한다).
+- 현재/전 직장 연봉을 묻기 전에 자발적으로 노출하지 않는다.
+- 오퍼를 받자마자 그 자리에서 수락·거절하지 않는다.
+- **약/무 BATNA에서 경쟁 오퍼를 언급하지 않는다**(주니어·단일 오퍼·이직 절박 시 순손실).
+- 존재하지 않거나 검증 불가능한 모호한 경쟁 오퍼를 지어내거나 암시하지 않는다.
+- 인용된 시장 p90을 초과하는 무리한 앵커로 오퍼 철회 리스크를 자초하지 않는다.
+- base 한 숫자에만 집중해 sign-on·equity·포괄임금·기타 구성요소를 놓치지 않는다.
+- annual bonus를 "레벨 고정"이라며 무조건 협상에서 빼지 않는다(타깃 %·비례·보장 보너스 협상 여지).
+- "당장 이 오퍼가 꼭 필요하다"는 절박함을 드러내지 않는다.
+- 출처 없는 단일 블로그·커뮤니티 숫자나 통화·지역·시점이 안 맞는 데이터를 시장가 근거로 쓰지 않는다.
+- 구두 합의를 서면 확인 없이 신뢰하지 않는다.
+
+### 워크드 예시 (Before → After)
+
+1. **Before:** "기대 연봉이 어떻게 되세요?" → "음, 한 6천에서 7천5백만 원 사이면 좋을 것 같아요. 지금 전세 대출도 있고 해서요."
+   **After:** "이 역할에 대해 책정하신 연봉 레인지가 있으실 텐데 먼저 공유해 주실 수 있을까요? 저는 동일 직무·서울·시니어 기준, 2026년 사람인·동종업계 데이터를 반영해 말씀드리겠습니다." (회사가 6천~7천5백 제시 시) "해당 직무 75 백분위가 7천2백 수준이고, 저는 온보딩 램프업 없이 첫 분기부터 X를 바로 맡을 수 있어 **base 7천5백**을 기준으로 보고 있습니다."
+   **왜 더 나은가:** After는 (1) 한국 디폴트인 역질문으로 정보를 먼저 확보하고, (2) 하향 범위 대신 단일 앵커(7천5백)를 제시하며, (3) 개인 대출이 아니라 직무·지역·레벨·시점이 명시된 시장 백분위+차별화 요소로 정당화한다. 앵커는 인용 p75 안에 있어 무리하지 않다. Before는 범위·개인사정·하단 노출로 협상력을 모두 잃는다.
+
+2. **Before:** "제안하신 base 9천만 원 좋습니다. 혹시 조금만 더 올려주실 수 있을까요?"
+   **After:** "감사합니다, 팀과 미션에 매우 끌립니다. 검토를 위해 이틀만 시간을 주시면 좋겠습니다. total comp 기준으로 보면 levels.fyi 동일 레벨·지역 중앙값(2026)이 1억1천(base+equity+bonus)인데, 제 타깃은 1억2천입니다. 세 가지 구성안을 드릴게요: **(A) base 1억500 + 사이닝 1천**, **(B) base 1억 + 사이닝 1천5백 + equity 상향(베스팅·refresh 포함)**, **(C) base 1억1천 + 성과급 비중 확대**. sign-on은 밴드·형평성에 안 걸려 양보가 쉬울 텐데, 어느 쪽이 내부적으로 가능할까요?"
+   **왜 더 나은가:** After는 단일 base가 아니라 total comp으로 앵커하고, "올려달라"(쉽게 'no')가 아니라 "어느 구성이 가능한가"로 질문을 바꾸며, 검토 시간을 확보하고, sign-on이 형평성에 안 걸리는 이유를 짚어 회사가 yes하기 쉬운 경로를 연다. 다중 시나리오의 여러 숫자는 양보가 아니라 경로 제시이므로 단일-앵커 규칙의 예외다.
+
+3. **Before:** (다른 오퍼가 없는데) "사실 다른 데서 1억3천 오퍼 받았어요. 맞춰주세요."
+   **After (강한 BATNA가 있을 때만):** "현재 한 곳에서 서면 오퍼를 받았고 그 타임라인이 이번 주입니다. 객관적으로 동일 직무 75 백분위가 약 1억2천이라, **base 1억2천 또는 동등 total comp면 바로 진행**하고 싶습니다. 결정 타임라인을 맞추기 위해 이번 주 내 확정 가능할까요?"
+   **After (약/무 BATNA일 때):** (경쟁 오퍼를 언급하지 않는다) "이 역할에 대한 확신이 큽니다. 다만 시장 데이터를 보면 동일 직무·레벨 중앙값이 1억1천이라, base 1억1천~total comp 기준에서 합의했으면 합니다. 검토 시간을 이틀만 주시겠어요?"
+   **왜 더 나은가:** 강한 BATNA 버전은 거짓 금액을 지어내지 않고(오퍼레터 요구 시 신뢰 붕괴 회피) 검증 가능한 서면 오퍼+시장 백분위로 레버리지를 만든다. 약/무 BATNA 버전은 **경쟁 오퍼를 아예 꺼내지 않고** 시장 데이터만으로 협상해 역이용 리스크를 차단한다. Before는 검증 요청 한 번에 신뢰를 잃고 협상이 붕괴된다.
+
+## 3. 검증 루브릭 (연결된 AI가 산출물을 이 기준으로 자가검증)
+
+루브릭은 **순수 카운트·존재·패턴**으로 닫히게 설계했다(의미 이해 없이 판정 가능). "정당화 문맥" 같은 의미 조건은 제거하고 토큰 비교로 환원했다. **치명(critical)** 항목은 하나라도 실패하면 산출물 반려, **권고(advisory)** 항목은 점수 차감.
+
+| ID | 검사 항목 | 합격 기준 | 측정 방법(LLM 없이 셀 수 있게) | 가중 |
+|----|-----------|-----------|--------------------------------|------|
+| R1 | market_anchor_cited — 요구액에 시장 출처가 동반되는가 | 명명된 출처 토큰 수 ≥ 통화금액 토큰 수, 그리고 출처 ≥ 1 | 통화/금액 토큰(`₩`·`$`·`만원`·`억`·`base`·`사이닝` + 4자리↑ 숫자) 개수와 출처 토큰(`levels.fyi`·`Glassdoor`·`사람인`·`잡코리아`·`원티드`·`BLS`·`고용노동부`) 개수를 세어 `sources_count >= amount_tokens_count` 확인 | critical |
+| R2 | anchor_quality — 인용 금액에 직무·지역·레벨·통화·시점이 공존하는가 | 같은 출력 안에 4개 토큰군 중 ≥3 공존 + 연도 토큰 ≥1 | 토큰군 {직무명, 지역(서울/SF/remote 등), 레벨(주니어/시니어/L5 등), 통화기호} distinct 등장 수 ≥3, 그리고 `20\d\d` 패턴 ≥1 존재 | advisory |
+| R3 | no_downward_range — 핵심 요구액이 하향 범위로 제시되지 않는가 | 하향 범위 패턴 0건(구성 시나리오 제외) | "A/B/C 시나리오" 블록을 제외한 영역에서 `숫자 (에서|~|-|to|between) 숫자` 매칭 후, 좌측<우측인 경우만 카운트 → 0이면 통과. (분해 시나리오는 `+`/`,`/`(A)` 마커로 식별해 제외) | critical |
+| R4 | anchor_within_market — 앵커가 인용 시장 상단을 넘지 않는가 | 앵커 금액 ≤ 인용된 p75(없으면 p90) | 산출물에 `p75`/`p90`/`75 백분위` 수치가 명시되고, 핵심 앵커 금액 토큰이 그 값 이하인지 수치 비교 | advisory |
+| R5 | total_comp_decomposed — base 외 구성요소로 분해됐는가 | 구성 카테고리 ≥2 distinct | 키워드 집합 {base/기본급, bonus/성과급, equity/스톡/주식, sign-on/사이닝, relocation/이주} 중 distinct 카테고리 수 ≥2 | critical |
+| R6 | batna_present_and_branched — BATNA가 명시되고 강도 분기가 있는가 | BATNA 문장 ≥1 그리고 강/약 분기 표현 ≥1 | 패턴 {BATNA, 대안, 다른 오퍼, 워크어웨이, walk away, 현직 유지, 차선책} ≥1 **그리고** {강한 BATNA, 약한 BATNA, 검증 가능, 서면 오퍼, 언급 금지} ≥1 | critical |
+| R7 | no_personal_justification — 개인 사정 단어가 등장하지 않는가 | 개인사정 패턴 0건 | 패턴 {대출, 전세, 월세, 생활비, 집세, 빚, 부양, mortgage, rent, bills} 등장 횟수 == 0 (의미 판정 없이 단순 부재 확인) | critical |
+| R8 | no_unverifiable_competing_offer — 검증 불가 경쟁 오퍼 블러핑이 없는가 | 거짓/모호 오퍼 안티패턴 0건, 또는 "서면/검증 가능" 한정어 동반 | "다른 데서 ... 받았" 류 패턴이 등장하면 같은 문장 30토큰 내 {서면, 검증 가능, 오퍼레터} 동반 여부 확인 → 미동반 0건이면 통과 | critical |
+| R9 | first_number_strategy — 정보 수준에 따른 앵커/디플렉션 전략이 있는가 | 역질문 또는 선제 앵커 조건 문장 ≥1 | 패턴 {레인지 공유, 책정 레인지, 먼저 여쭤, salary range, 공개 레인지, 정보가 충분하면 먼저 앵커} ≥1 | advisory |
+| R10 | review_time_requested — 검토 시간 요청이 있는가 | 검토 시간 표현 ≥1 | 패턴 {24시간, 48시간, 이틀, 며칠, 검토 시간, 다음 주, get back to you, time to review} 매칭 ≥1 | advisory |
+| R11 | written_confirmation — 서면 확인 안내가 있는가 | 서면화 언급 ≥1 | 패턴 {서면, 오퍼레터, 이메일로 확인, in writing, written} 존재 | advisory |
+| R12 | kr_context_depth — 한국 맥락의 실질 함정을 다루는가(한국 시장 시) | 한국 특수 항목 ≥2 distinct | 패턴 집합 {포괄임금, 고정OT, 연봉계약서, 원천징수, 스톡옵션 과세, 사이닝, 직책수당, 연봉등급} distinct ≥2 | advisory |
+| R13 | offer_risk_calibrated — 오퍼 철회/협상 강도 캘리브레이션이 있는가 | 리스크·강도 매핑 문장 ≥1 | 패턴 {오퍼 철회, 철회 리스크, 협상 강도, 캘리브레이션, 밴드 상한, 너무 세게} ≥1 | advisory |
+
+**종합 판정 규칙:** critical(R1·R3·R5·R6·R7·R8) 6개 전부 통과해야 "승인". 하나라도 실패면 "반려". advisory는 통과 개수를 점수로 환산(7개 중 N개 → N/7)해 품질 등급(상/중/하)을 매긴다.
+
+**주요 실패 모드:**
+- **출처 게이밍:** 출처 "이름"만 박고 통화·지역·레벨·시점이 안 맞음 → R1(카운트 비교)+R2(공존+연도)+R4(상단 초과)로 다층 방어.
+- **범위 오탐:** total comp 시나리오(A/B/C)를 하향 범위로 오인 → R3에서 분해 마커(`+`/`(A)`)로 명시 제외, 좌<우 조건만 카운트.
+- **체크리스트 채우기:** 키워드만 박아 통과 → critical에 부재 확인(R7·R8)과 강도 분기(R6) 같은 게임하기 어려운 안티패턴 가드 배치.
+- **약 BATNA에서 블러핑:** 없는 경쟁 오퍼 암시 → R6(강/약 분기)+R8(서면 한정어 동반)으로 차단.
+- **무리한 앵커:** p90 초과로 오퍼 철회 자초 → R4(상단 이하)+R13(강도 캘리브레이션)로 경고.
+
+## 4. 출처 (Provenance)
+
+- **Roger Fisher & William Ury, 『Getting to Yes』 / Harvard Program on Negotiation (PON)** — BATNA 정의, 워크어웨이 기준, 협상력의 원천 · https://www.pon.harvard.edu/daily/batna/
+- **Galinsky & Mussweiler, "First Offers as Anchors", JPSP (2001)** — 정보가 충분할 때 선제 앵커가 유리하다는 협상학 실증(플레이북의 "먼저 말하면 진다" 단정 교정 근거) · https://psycnet.apa.org/record/2001-05428-005
+- **Levels.fyi Ultimate Negotiation Guide** — 데이터 앵커링, total comp 구성요소별 협상, 경쟁 오퍼·exploding offer, 현재 연봉 노출 회피, equity 디스카운트(1순위 시장 데이터) · https://www.levels.fyi/blog/ultimate-negotiation-guide.html
+- **The Salary Negotiator — What is Total Compensation** — total comp 구성요소(base/bonus/equity/sign-on) 정의 및 equity 베스팅·refresh 평가 · https://www.thesalarynegotiator.com/resource-center/totalcompensation
+- **NYC Local Law 32 / EU Pay Transparency Directive 2023/970(2026 시행)** — 공개 레인지를 디폴트로 다루는 근거(임금 투명성 환경) · https://eur-lex.europa.eu/eli/dir/2023/970
+- **UH Bauer Rockwell Career Center — Salary Negotiation** — 타깃 위 앵커링, 90일 가치창출 브리프, 협상 강도 캘리브레이션 · https://careercenter.bauer.uh.edu/salary-negotiation/
+- **UMD & University of Washington Career Centers** — 오퍼 수신 시 감사+열의, 24~48시간 검토 요청, 오퍼 평가 절차 · https://careers.umd.edu/find-jobs-internships/offers-salary-negotiation
+- **BLS OEWS May 2025 (보조·하한 참고로 강등)** — 정부 임금 통계. 테크 직무는 광역 분류·집계 지연으로 과소평가되므로 1차 앵커로 부적합 · https://www.bls.gov/oes/
+- **한국 맥락 — 벤처기업법 스톡옵션 과세특례·근로기준법 포괄임금 판례·사람인/잡코리아/원티드 직무 통계** — 포괄임금·스톡옵션 과세·연봉계약서·사이닝 등 한국 실무 함정의 근거
+
+## 5. Phase B 힌트 (아키텍처로 연결)
+
+- **MCP 도구 아이디어:**
+  - `get_salary_negotiation_playbook(stage?, market?, batna_strength?)` — 단계(prep/first_number/counter/closing)·시장(global|kr)·BATNA 강도(strong|weak|none)에 맞는 원칙·스크립트·루브릭 서브셋을 반환하는 read-only 지식 도구. `batna_strength`로 경쟁 오퍼 전술 노출 여부를 분기.
+  - `save_compensation_benchmark(role, location, level, source, currency, p25, p50, p75, captured_at)` — 사용자가 수집한 시장 데이터를 저장. **captured_at·currency·region 필수**.
+  - `save_offer_breakdown(job_id, currency, base, annual_bonus, equity_annualized, sign_on, relocation, total_comp, batna_note)` — 오퍼를 구성요소별로 구조화 저장.
+  - `evaluate_offer(job_id)` — 저장된 오퍼 vs 벤치마크 vs BATNA를 표로 반환. **신선도 검사**: `captured_at`이 N개월(예: 6) 초과면 "stale" 플래그, 오퍼 통화·지역과 벤치마크가 불일치하면 "mismatch" 플래그를 함께 반환(LLM 없이 규칙으로).
+- **데이터 형태 힌트:**
+  - `playbook: { principles:[{rule,rationale,source,weight:'critical'|'advisory'}], doList:[str], dontList:[str], scripts:[{situation, batna_strength, line}], rubricChecks:[{id,check,passBar,howToMeasure,weight}] }`
+  - `benchmark: { role, location, level, source, currency, p25, p50, p75, captured_at }` — 신선도/통화/지역 검증 가능하게 평탄화.
+  - `offerBreakdown: { job_id, currency, base, annual_bonus, equity_annualized, sign_on, relocation, total_comp, batna_note, batna_strength }`
+  - 루브릭은 LLM 없이 셀 수 있게 카운트/존재/패턴 필드로 평탄화: `cited_sources_count`, `amount_tokens_count`, `is_downward_range:boolean`, `anchor_within_p75:boolean`, `comp_components:[enum]`, `batna_strength:enum`, `kr_context_components:[enum]`, `check_weight:'critical'|'advisory'`.

package/dist/career-os/knowledge/verifiers/ats-compat.md

@@ -0,0 +1,64 @@
+# ATS 호환성 (ATS-compatibility) — 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 **Applicant Tracking System(ATS)에 의해 정확히 파싱되고, 채용공고(JD)의 핵심 키워드를 충분히 담고 있는지**를 보장한다. 산업 조사에 따르면 채용 담당자의 대다수(Jobscan 조사 기준 ~99.7%)가 ATS로 지원서를 1차 필터링한다. ATS는 대부분 텍스트 레이어를 **선형(좌→우, 위→아래)**으로 읽기 때문에, 표·다단·헤더/푸터·이미지·아이콘처럼 읽기 순서를 깨는 요소가 있으면 사람이 보기엔 멀쩡한 문서도 "단어 샐러드(word salad)"가 되어 검색에서 누락된다.
+
+따라서 이 루브릭은 두 축을 본다.
+1. **파싱 안전성(parse-safety)** — ATS가 텍스트를 깨뜨리지 않고 구조를 인식할 수 있는가(표준 헤더·단일 컬럼·연락처 위치·날짜 형식·폰트/아이콘·파일형식).
+2. **JD 키워드 커버리지(keyword coverage)** — JD에서 반복·강조된 하드스킬/직무명/필수요건 용어가 산출물 본문에 실제로 존재하는가, 과도한 키워드 스터핑 없이.
+
+핵심 설계 원칙: 모든 항목은 **LLM 없이도 셀 수 있는 형태(개수·존재여부·비율·정규식 패턴)**로 환원해 두어, 연결된 AI가 기계적으로 카운트해 합격/불합격을 판정하고 루프를 돌 수 있게 한다. 이력서·LinkedIn·자소서(텍스트 본문 기준)에 공통 적용한다.
+
+## 2. 검사 항목
+
+| ID | 검사 | 합격 기준 | 측정 방법(셀 수 있게) |
+|----|------|-----------|------------------------|
+| C1 | 표준 섹션 헤더 존재 | 핵심 섹션이 표준 라벨로 존재 (이력서: Experience/Work Experience/Professional Experience, Education, Skills 중 최소 2개 일치; LinkedIn: About/Experience/Skills) | 산출물에서 헤더 라인을 추출해 표준 라벨 화이트리스트와 정확/근접 일치(대소문자 무시)한 **개수 ≥ 2**. "My Journey"·"내 이야기"·"The Toolkit" 같은 창의적 헤더는 0으로 카운트 |
+| C2 | 비표준/창의적 헤더 부재 | 표준 화이트리스트에 없는 섹션 헤더 = 0개 | 헤더 라인 중 화이트리스트 밖 라벨 개수. **0이면 합격** |
+| C3 | 단일 컬럼(다단 금지) | 다단 레이아웃 신호 없음 | 한 줄에 큰 공백(탭/2칸 이상 스페이스 ≥3개) 또는 좌우 분리 패턴이 있는 라인 비율 **< 10%**. 마크다운/플레인텍스트 추출본에서 같은 줄에 두 개의 독립 항목이 나란히 오는 라인 = 0 목표 |
+| C4 | 표·텍스트박스 부재 | 표 구조 0개 | 마크다운 표 구분자(`\|---\|`)·HTML `<table>`·텍스트박스 마커 출현 횟수 **= 0** |
+| C5 | 이미지·아이콘·스킬바 부재 | 그래픽 요소 0개 | 이미지 마크업(`![]`, `<img`)·이모지/심볼로 표기된 연락처 아이콘·"skill bar" 채움문자(예: ●●●○○, █) 출현 횟수 **= 0** |
+| C6 | 연락처가 본문 상단에 위치 | 이메일·전화가 헤더/푸터가 아닌 본문 첫 영역에 존재 | 본문 텍스트 첫 15% 구간(또는 첫 5줄) 안에서 이메일 정규식(`[\w.+-]+@[\w-]+\.[\w.]+`) 매치 **≥ 1** 그리고 전화 패턴 매치 **≥ 1** |
+| C7 | 일관된 날짜 형식 | 경력/학력 기간이 ATS가 인식하는 형식으로 통일 | 날짜 토큰을 추출해 허용 패턴(`MMM YYYY`, `Month YYYY`, `MM/YYYY`, `YYYY.MM`, `YYYY-MM`) 중 **단일 패턴 비율 ≥ 90%**. 혼용·"현재/Present" 외 자유서술 날짜 비율 < 10% |
+| C8 | JD 하드스킬 키워드 커버리지 | JD 상위 키워드의 충분 비율을 본문이 포함 | JD에서 추출한 상위 하드스킬/도구/자격 키워드 집합 N개 대비, 산출물 본문에 (어형 정규화 후) 존재하는 개수 M → **M/N ≥ 0.75** (Jobscan 권장 75%+, 스위트스폿 80%). JD 미제공 시 본 항목은 N/A 처리하고 사유 기록 |
+| C9 | 직무명(target job title) 일치 | JD의 핵심 직무명이 본문에 등장 | JD 헤드라인 직무명을 본문(이력서 요약/타이틀, LinkedIn 헤드라인)에서 정확/근접 일치로 탐색 → 매치 **≥ 1** |
+| C10 | 키워드 스터핑 방지(과최적화) | 특정 키워드 반복이 과하지 않음 | C8 키워드 각각의 본문 등장 횟수 중 **어떤 단일 키워드도 6회 초과 금지**, 그리고 키워드 토큰이 전체 토큰에서 차지하는 비율 **< 6%**. 위반 키워드 개수 = 0 목표 |
+| C11 | 약어·풀네임 병기 | 핵심 약어가 풀네임과 함께 1회 이상 병기 | JD/본문 공통 약어(예: ATS, SQL, PM) 중 본문에 약어만 단독 등장하고 풀네임 동반이 0인 항목 개수 → **0 목표**(파서/사람 양쪽 매칭 보장) |
+| C12 | 파일 형식 안전 | 제출 형식이 `.docx` 또는 텍스트 레이어 있는 `.pdf` | 산출물 export 시 형식이 `.docx`/`.pdf`(텍스트 레이어 존재) 중 하나. 스캔 이미지 PDF·`.hwp`만 단독 제출 = 불합격 신호 |
+
+> 측정 주체 안내: 위 패턴/카운트는 연결된 AI가 본문 텍스트(이미 추출된 플레인/마크다운)에 대해 직접 세면 된다. CareerMate는 원문 추출(`read_document`)과 본 루브릭만 제공한다.
+
+## 3. 불합격 시 처리(루프 연결)
+
+불합격 항목이 하나라도 있으면, 연결된 AI는 **저장(`save_*`)·내보내기(`export_cover_letter`) 전에** 아래 순서로 수정하고 재검증(C1–C12 재실행)한다. 통과까지 반복하되, 사실·수치·고유명사는 절대 변경하지 않는다.
+
+- **C1/C2 (헤더):** 창의적 헤더를 표준 라벨로 치환한다(예: "내 이야기" → "Experience", "보유 역량" → "Skills"). 누락된 표준 섹션은 기존 내용을 재배치해 신설.
+- **C3/C4/C5 (레이아웃·표·그래픽):** 다단/표/텍스트박스/이미지/스킬바를 제거하고 **단일 컬럼 + 불릿 텍스트**로 평탄화한다. 아이콘은 텍스트 라벨("Email:", "Phone:")로 대체.
+- **C6 (연락처):** 헤더/푸터에 있던 연락처를 본문 최상단으로 이동.
+- **C7 (날짜):** 가장 많이 쓰인 단일 날짜 형식으로 전부 통일하고, 자유서술 기간을 표준 패턴으로 재작성.
+- **C8/C9 (키워드/직무명):** JD에서 누락된 상위 키워드와 직무명을, **실제 경험이 있는 항목에 한해** 자연스럽게 본문에 통합한다. 경험이 없는 키워드는 넣지 않고 갭으로 보고만 한다(허위 금지).
+- **C10 (스터핑):** 6회 초과·비율 초과 키워드의 등장 횟수를 줄이고 동의어/맥락 문장으로 분산.
+- **C11 (약어):** 첫 등장 시 풀네임 병기(예: "ATS(Applicant Tracking System)") 추가.
+- **C12 (형식):** `export_cover_letter` 등으로 `.docx`/텍스트 PDF로 내보내도록 안내. 스캔 PDF는 텍스트 레이어 버전으로 재생성.
+
+재검증 후에도 C8이 JD 미제공으로 N/A면, 사용자에게 대상 공고를 `save_job_posting`으로 저장하도록 안내하고 커버리지 측정을 보류한다. 모든 항목 통과 시에만 "ATS 호환 확인됨"으로 표시하고 대시보드 링크(`http://127.0.0.1:4319`)를 안내한다.
+
+## 4. 출처 (Provenance)
+
+- **Jobscan — ATS Formatting Mistakes / Match Rate Guidance** — 표·다단·헤더/푸터·아이콘 금지, 연락처 본문 배치, 표준 헤더, 매치율 권장 75%+(스위트스폿 80%), 채용담당자 ~99.7% ATS 사용 통계 근거 · https://www.jobscan.co/blog/ats-formatting-mistakes/ , https://support.jobscan.co/hc/en-us/articles/41334833854099-What-match-rate-should-I-aim-for
+- **Jobscan — Tables & Columns Break Parsing** — 선형 파싱·다단/표가 텍스트 순서를 깨 "word salad"가 되는 메커니즘 근거 · https://www.jobscan.co/blog/resume-tables-columns-ats/
+- **Indeed Career Advice — How To Write an ATS Resume** — 표준 섹션 헤더(Work Experience/Education/Skills), 역연대기 형식, JD 키워드 자연 통합, 표준 폰트 권장 근거 · https://www.indeed.com/career-advice/resumes-cover-letters/ats-resume-template
+- **Ohio Northern University Career Center — ATS Resume Guide (PDF)** — 대학 커리어센터 1차 자료: 표준 헤더·다단/헤더푸터/텍스트박스 회피·연락처 본문 배치 근거 · https://my.onu.edu/sites/default/files/applicant_tracking_system_resume_guide.pdf
+- **프레임워크 근거:** 위 항목들의 공통 합의(single-column, standard headings, body-placed contact, JD keyword coverage)를 셀 수 있는 카운트/비율 체크로 환원함. 날짜 형식·약어 병기·스터핑 임계치는 Jobscan/Indeed 권고를 정규식·카운트 규칙으로 운영화한 것.
+
+## 5. Phase B 힌트
+
+- **MCP 도구 아이디어:** `get_verifier({ id: "ats-compat" })` — 본 루브릭(JSON 형태의 C1–C12 + 패턴/임계치)을 연결된 AI에게 그대로 serve. 보조로 `get_jd_keywords({ job_id })`가 저장된 공고에서 상위 하드스킬/직무명 키워드 집합(N)을 추출해 C8/C9/C10 카운트의 입력으로 제공.
+- **데이터 형태 힌트:**
+  - 루브릭 항목: `{ id, check, pass_rule, measure: { type: "count"|"ratio"|"presence"|"regex", target, threshold, pattern } }` 배열.
+  - JD 키워드 페이로드: `{ job_id, hard_skills: string[], job_titles: string[], abbreviations: [{ short, long }] }` — C8(분모 N), C9, C11 입력.
+  - 검증 결과 로그: `{ artifact_id, results: [{ id, passed, observed, threshold }], overall_pass, revised: boolean }` — 루프 재검증 추적용. `save_fit_analysis`/버전 메타에 첨부 가능.
+  - 표준 헤더 화이트리스트와 허용 날짜 패턴은 도구가 상수로 보유해 클라이언트별 일관성 확보.

package/dist/career-os/knowledge/verifiers/consistency.md

@@ -0,0 +1,61 @@
+# 교차 산출물 일관성 (Cross-artifact consistency) — 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
+
+지원자의 여러 산출물(resume ↔ cover letter ↔ 면접 스토리 ↔ LinkedIn)이 **하나의 일관된 사실 서사**를 말하도록 보장한다. 채용 담당자는 "triangulation(삼각 대조)" — 즉 이력서를 LinkedIn·자소서·공개 데이터와 교차 대조해 진위를 확인한다. 따라서 **날짜·직함·회사명·학력·수치·핵심 서사**가 산출물 간에 모순되면 즉시 의심·탈락·평판 손상으로 이어진다.
+
+이 검증기가 보장하는 것:
+
+- **단일 진실 원천(single source of truth):** 이력서를 기준으로 다른 산출물이 이력서와 **모순되지 않음**(확장·강조는 허용, 변조·충돌은 불가).
+- **사실 앵커의 동일성:** 같은 사실(입·퇴사 월/년, 직함, 회사명, 학위·졸업년도, 정량 수치)이 모든 산출물에서 **같은 값**으로 나타남.
+- **서사의 무모순:** 면접 스토리·자소서가 이력서의 타임라인·역할과 충돌하지 않음(예: 이력서엔 없는 "팀 리드" 주장 등).
+
+이 검증기는 *문장이 좋은가*(품질)가 아니라 *서로 어긋나지 않는가*(정합성)만 본다. LLM 없이도 값 비교·존재 여부·개수로 다수 항목을 셀 수 있게 설계했다.
+
+## 2. 검사 항목
+
+> 측정 단위: "사실 앵커(fact anchor)" = (회사명, 직함, 시작 월/년, 종료 월/년, 정량 수치, 학위명, 졸업년도) 같은 **비교 가능한 토큰**. 검사는 산출물별로 앵커를 추출해 **쌍대 비교(pairwise)** 한 뒤 불일치 개수를 센다.
+
+| ID | 검사 | 합격 기준 | 측정 방법(셀 수 있게) |
+|----|------|-----------|------------------------|
+| C1 | 회사명 일치 | 모든 산출물에서 동일 회사를 **같은 표기**(정규화 후)로 지칭. 불일치 0건 | 각 산출물의 회사명 토큰을 추출→소문자·법인접미사(Inc/Ltd/㈜) 정규화 후 집합 비교. 다른 표기로 같은 시기를 지칭하는 쌍 개수 = 0 |
+| C2 | 직함 일치 | 같은 재직 기간의 직함이 산출물 간 동일하거나 명시적 승진 progression. 모순 0건 | (회사, 기간)별 직함 문자열 비교. 동일 (회사,기간)에 서로 다른 직함이 매핑된 쌍 개수 = 0 |
+| C3 | 입·퇴사 날짜 일치 | **월/년 단위**까지 동일. 허용 오차 0개월(채용 배경조사 기준 권장) | 각 경력의 (start MM/YYYY, end MM/YYYY)를 산출물 간 비교. 월 단위 차이가 있는 쌍 개수 = 0. (연도만 적힌 산출물이 있으면 "월 누락" 경고 1건 카운트) |
+| C4 | 타임라인 무모순(중복/공백) | 경력 구간이 산출물 간 동일한 정렬·중복 여부. 한 산출물에만 존재하는 미설명 공백/중복 0건 | 경력 구간을 시간순 정렬 후 산출물 간 구간 집합 차이(set difference) 개수 = 0. 6개월 이상 미설명 공백은 별도 플래그(개수) |
+| C5 | 학력 일치 | 학위명·전공·학교·졸업년도가 모든 산출물에서 동일. 불일치 0건 | (학교, 학위, 졸업년도) 튜플을 산출물 간 비교. 불일치 튜플 쌍 개수 = 0 |
+| C6 | 정량 수치 일치 | 같은 성과의 수치(%, 금액, 인원, 기간)가 산출물 간 동일. 충돌 0건 | 각 산출물에서 숫자+단위 패턴(`\d+%`, 금액, `\d+명` 등) 추출→같은 성과에 매핑된 수치쌍 비교. 값이 다른 쌍 개수 = 0 |
+| C7 | 면접 스토리 앵커 정합 | 면접 STAR 스토리의 회사·역할·시기·수치가 이력서 앵커에 **존재**. 이력서에 없는 신규 사실 0건 | 면접 답변에서 추출한 (회사/역할/수치) 앵커 중 이력서 앵커 집합에 없는 항목 개수 = 0 |
+| C8 | 핵심 스킬/키워드 정합 | 자소서·면접에서 강조한 핵심 역량 상위 N개가 이력서 스킬 섹션에 존재. 누락 ≤ 1 | 자소서/면접 빈출 역량 토큰 상위 N(기본 5)을 이력서 스킬 토큰 집합과 대조→미존재 개수 ≤ 1 |
+| C9 | 연락처/식별자 일치 | 이름·이메일·전화·LinkedIn URL 등 식별 정보가 산출물 간 동일. 불일치 0건 | 정규식으로 식별자 추출 후 정확 일치 비교. 불일치 필드 개수 = 0 |
+| C10 | 산출물 커버리지 | 비교 가능한 산출물이 **2종 이상** 존재해야 교차검증이 의미. 1종이면 "교차검증 불가" 경고 | 입력으로 제공된 산출물 종류 개수 ≥ 2 (미달 시 검사 skip + 경고 1건) |
+
+## 3. 불합격 시 처리(루프 연결)
+
+검사 결과는 **불일치 앵커 목록**으로 반환한다. 각 항목은 `{check_id, artifact_a, artifact_b, value_a, value_b, severity}` 형태.
+
+- **C1·C2·C3·C5·C9 불일치(critical):** 즉시 **이력서를 진실 원천으로 고정**하고, 충돌하는 다른 산출물을 이력서 값에 맞춰 수정 지시. 단, 이력서 자체가 사실과 다르다는 사용자 확인이 있으면 이력서를 먼저 정정한 뒤 전 산출물 동기화. 수정 후 **C1~C9 재검증**(불일치 0 될 때까지 루프).
+- **C4 공백/중복(warning):** 6개월+ 미설명 공백은 사용자에게 설명(연수·육아·창업 등) 요청 → 모든 산출물에 동일 문구로 반영. 재검증.
+- **C6 수치 충돌(critical):** 어느 수치가 사실인지 사용자에게 확인 → 단일 값으로 통일(과장 금지). 사실·고유명사·수치는 보존이 원칙이므로 임의 평균·추정 금지. 재검증.
+- **C7 신규 사실(critical):** 면접 스토리에만 등장하는 사실은 (a) 이력서에 추가하거나 (b) 스토리에서 제거. 두 산출물이 같은 앵커를 공유할 때까지 루프.
+- **C8 키워드 누락(warning):** 핵심 역량을 이력서 스킬 섹션에 추가하거나, 자소서/면접에서 과대 강조를 완화. 재검증.
+- **C10 커버리지 부족:** 검사를 막지 말고 "교차검증 불가, 산출물 1종만 존재"를 사용자에게 안내. 다른 산출물 추가 시 재실행.
+- **종료 조건:** critical 불일치 0건 + warning은 사용자 확인 완료. 통과 시 `save_fit_analysis`/`save_cover_letter_version` 등 다음 단계로 진행, 대시보드 링크 안내.
+
+## 4. 출처 (Provenance)
+
+- **Triangulation / 단일 진실 원천 원칙** — 채용 담당자가 이력서를 LinkedIn·자소서·공개 데이터와 교차 대조해 진위 확인. Washington State University, Carson College of Business 커리어 가이드 · https://business.wsu.edu/resumes-references-and-cover-letters/
+- **Resume·Cover Letter·LinkedIn 동기화(직함/날짜/회사명/수치 일치)** — The Interview Guys, "Resume, Cover Letter, and LinkedIn Profile Synchronization" · https://blog.theinterviewguys.com/resume-cover-letter-and-linkedin-profile-synchronization/
+- **월/년 단위 날짜 일치, 수치 충돌(40% vs 75%) 신뢰 훼손** — Resume Worded, "Should Your LinkedIn Match Your Resume?" · https://resumeworded.com/should-linkedin-match-resume-key-advice
+- **Employment verification(직함·재직기간·역할 확인)** — LinkedIn Business, HR Glossary: Employment Verification · https://business.linkedin.com/in/en/hire/resources/hr-glossary/employment-verification
+- **STAR 프레임워크(Situation·Task·Action·Result)와 정량 결과** — MIT Career Advising & Professional Development(CAPD), "The STAR Method for Behavioral Interviews" · https://capd.mit.edu/resources/the-star-method-for-behavioral-interviews/
+- **이력서/자소서 STAR bullet과 면접 스토리 정합(같은 정량 성과 재사용)** — San Francisco State University, Career & Leadership Development: Resume/Cover Letter/LinkedIn · https://career.sfsu.edu/resume-cv-cover-letter-linkedin
+
+## 5. Phase B 힌트
+
+- **MCP 도구 아이디어:** `get_verifier({ id: "consistency" })` — 이 루브릭(JSON 직렬화) 반환. `run_consistency_check({ artifacts })` — 연결된 AI가 추출한 앵커 배열을 받아 C1~C10 쌍대 비교를 코드로 수행(LLM 불필요)하고 불일치 목록 반환.
+- **데이터 형태 힌트:**
+  - 입력: `{ artifacts: [{ type: "resume"|"cover_letter"|"interview"|"linkedin", anchors: { companies, titles, dates, education, metrics, identifiers, skills } }] }`. 앵커 추출(자연어→구조화)은 연결된 AI 담당, 비교 로직은 결정적 코드.
+  - 출력: `{ pass: bool, criticals: [...], warnings: [...], mismatches: [{check_id, artifact_a, artifact_b, value_a, value_b}] }`.
+  - 저장: `get_application_context`가 이미 프로필·대표 이력서·기존 자소서를 반환하므로, 그 앵커를 캐시해 두면 신규 산출물만 추가 비교 가능. 결과는 `save_fit_analysis`의 일부 메타로 보관 가능.

package/dist/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/dist/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/dist/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.