careermate 0.0.8 → 0.0.9

package/docs/FAQ.md

@@ -108,12 +108,22 @@ AI에게 "이 공고 저장하고 분석해줘"라고 하면서 URL이나 본문
 
 ### 내 데이터는 어디에 저장되나요?
 사용자 컴퓨터의 `~/.careermate`(Windows: `%USERPROFILE%\.careermate`)에만 저장됩니다.
-대시보드 **설정 > 데이터 저장 위치**에서 정확한 경로를 볼 수 있습니다. 외부로 전송되지
-않습니다.
+대시보드 **설정 > 데이터 저장 위치**에서 정확한 경로를 볼 수 있습니다. CareerMate가
+외부 서버로 개인 데이터를 보내는 일은 없습니다(외부 호출은 선택적 버전 확인과 공고
+검색 시 검색 키워드뿐).
+
+### AI와 대화하면 내 데이터는 어디로 가나요?
+CareerMate 도구의 응답(프로필·이력서·자소서 등)은 **당신이 연결한 AI 클라이언트**
+(Claude·Codex 등)에 전달되어 그 AI가 분석·작성에 사용합니다 — 그 데이터의 처리에는
+**해당 AI 서비스의 개인정보 정책**이 적용됩니다. CareerMate 자체는 그 어떤 서버로도
+데이터를 보내지 않지만, "AI에게 보여준 내용"은 그 AI 서비스로 간다는 점은 알아두세요.
+민감한 항목은 저장하지 않거나, AI 서비스의 학습 제외(opt-out) 설정을 확인하면 됩니다.
 
 ### 백업하거나 전부 삭제하려면?
 대시보드 **설정 > 백업 / 내보내기**에서 백업 생성·전체 JSON 내보내기를, **위험 구역**에서
-전체 초기화를 할 수 있습니다(초기화 직전 자동 백업).
+전체 초기화를 할 수 있습니다(초기화 직전 자동 백업). **주의:** 초기화해도 자동 백업 파일은
+데이터 폴더의 `backups/`에 남습니다 — PC 양도 등으로 흔적 없이 지우려면 초기화 후
+`~/.careermate` 폴더 자체(또는 그 안의 `backups/`)를 직접 삭제하세요.
 
 ---
 

package/docs/MCP_TOOLS.md

@@ -16,7 +16,7 @@ CareerMate는 **MCP-우선** 로컬 커리어 관리 도구입니다. 사용자
 
 | 읽기전용(✅) 도구 | 쓰기/부수효과(✏️) 도구 |
 | --- | --- |
-| `read_document`, `read_inbox`, `get_onboarding_status`, `get_profile`, `get_resumes`, `get_experiences`, `get_projects`, `get_skills`, `get_cover_letters`, `get_job_posting`, `list_jobs`, `prescreen_job`, `search_jobs`, `get_application_context`, `list_recent_activity`, `get_followups`, `get_pipeline_stats`, `get_workflow_guide`, `get_playbook`, `get_verifier`, `validate_cover_letter`, `get_writing_style_guide`, `check_for_update` | `open_inbox`, `save_profile`, `add_resume`, `delete_resume`, `add_experience`, `delete_experience`, `add_project`, `delete_project`, `add_skill`, `delete_skill`, `save_cover_letter_version`, `delete_cover_letter`, `set_verify_mode`, `save_job_posting`, `delete_job_posting`, `save_fit_analysis`, `update_application_status`, `save_interview_prep`, `export_cover_letter`, `export_resume`, `export_profile`, `open_dashboard`, `open_application`, `update_careermate` |
+| `read_document`, `read_inbox`, `get_onboarding_status`, `get_profile`, `get_resumes`, `get_experiences`, `get_projects`, `get_skills`, `get_cover_letters`, `get_job_posting`, `list_jobs`, `prescreen_job`, `search_jobs`, `compare_offers`, `get_offer`, `get_application_context`, `list_recent_activity`, `get_followups`, `get_pipeline_stats`, `get_workflow_guide`, `get_playbook`, `get_verifier`, `validate_cover_letter`, `get_writing_style_guide`, `check_for_update` | `open_inbox`, `save_profile`, `add_resume`, `delete_resume`, `add_experience`, `delete_experience`, `add_project`, `delete_project`, `add_skill`, `delete_skill`, `save_cover_letter_version`, `delete_cover_letter`, `set_verify_mode`, `save_job_posting`, `delete_job_posting`, `save_fit_analysis`, `update_application_status`, `save_interview_prep`, `save_offer`, `export_cover_letter`, `export_resume`, `export_profile`, `open_dashboard`, `open_application`, `update_careermate` |
 
 ---
 
@@ -142,10 +142,10 @@ AI 클라이언트가 연결되면 이 도구를 가장 먼저 호출해 상태
 | 도구 | 목적 | 주요 입력 | 반환 | 언제 호출 | 읽기전용 |
 | --- | --- | --- | --- | --- | --- |
 | `search_jobs` | 키워드로 무인증 공개 잡보드(원티드·점핏)에서 공고를 *가져옴*(저장은 안 함) | `keyword`(필수), `sources?`, `limit?`(기본 10) | `{ query, results[](회사·직무·url·지역·경력·기술·마감), providers[] }` | 사용자가 "○○ 공고 찾아줘"라고 할 때. 결과를 보여주고 **고른 것만** save_job_posting | ✅ |
-| `save_job_posting` | 채용공고 저장(있으면 갱신). 저장 시 지원(application) 항목 자동 생성 | `company`, `position`(필수), `url?`, `location?`, `employment_type?`, `description?`, `requirements?`, `keywords?`, `deadline?`, `source?` | 저장된 `JobRecord`(`job_id` 포함) | 공고를 DB에 등록/갱신할 때 | ✏️ |
+| `save_job_posting` | 채용공고 저장(있으면 갱신). 저장 시 지원(application) 항목 자동 생성 | `company`, `position`(필수), `url?`, `location?`, `employment_type?`, `description?`, `requirements?`, `keywords?`, `deadline?`, `source?`, `questions?`(회사 지정 자소서 문항·글자수: `question`·`min_chars`·`max_chars`·`count_mode`), `schedule?`(전형 일정: `label`·`date`(YYYY-MM-DD) 필수·`time`(HH:MM)·`note`) | 저장된 `JobRecord`(`job_id` 포함) | 공고를 DB에 등록/갱신할 때 | ✏️ |
 | `get_job_posting` | 공고 1건 상세 조회 | `job_id` | `{ job, fit, application, cover_letters, interview }` | 한 공고의 분석·상태·자소서·면접 자료를 한 번에 볼 때 | ✅ |
 | `list_jobs` | 저장된 모든 공고를 지원 상태·적합도 점수와 함께 목록화 | 없음 | 공고 메타 포함 배열 | 전체 공고를 훑어볼 때 | ✅ |
-| `prescreen_job` | 공고 키워드 ↔ 사용자 보유 기술 겹침을 결정론으로 계산(값싼 사전 필터, LLM 없음) | `job_id` | `{ job_keywords, matched[], missing[], coverage, user_skill_count }` | 본격 적합도 분석 전 "깊게 볼 가치 있나" 빠르게 가늠할 때(여러 공고 우선순위) | ✅ |
+| `prescreen_job` | 공고 키워드 ↔ 보유 기술 목록 **+ 대표 이력서 본문** 겹침을 결정론으로 계산(값싼 사전 필터, LLM 없음) | `job_id` | `{ job_keywords, matched[], missing[], coverage, user_skill_count, resume_matched[], combined_matched[], combined_coverage, resume_checked }` | 본격 적합도 분석 전 "깊게 볼 가치 있나" 빠르게 가늠할 때(여러 공고 우선순위). combined_coverage가 낮은데 보유 역량이면 이력서 보강 신호 | ✅ |
 | `delete_job_posting` | 채용공고 삭제 | `job_id`, `confirm:"DELETE"` | 삭제 결과 | 사용자가 목록에서 삭제 대상을 확인한 뒤 | ✏️ |
 
 - `url`이 같으면 중복 생성 없이 갱신됩니다.
@@ -155,6 +155,19 @@ AI 클라이언트가 연결되면 이 도구를 가장 먼저 호출해 상태
 
 ---
 
+## 5-1. 오퍼 (Offers)
+
+받은 채용 제안(오퍼)을 공고에 연결해 저장·비교합니다(공고당 1건). 점수·최종평은 **연결된 AI가 저장 시 작성**하고(CareerMate엔 LLM 없음), 대시보드는 그걸 렌더링합니다. 정밀 비교는 `compare_offers` 데이터를 받아 AI가 `offer-evaluation`·`salary-negotiation` 관점으로 수행합니다.
+
+| 도구 | 목적 | 주요 입력 | 반환 | 언제 호출 | 읽기전용 |
+| --- | --- | --- | --- | --- | --- |
+| `save_offer` | 오퍼 저장(공고당 1건, 갱신). 현금성은 만원 단위 숫자, AI가 `ai_score`·`verdict`(최종평) 함께 작성. `offer_status`로 진행 상태(open/accepted/declined)를 기록 — 거절해도 삭제하지 않고 조건 기록으로 보존 | `job_id`(필수), `offer_status?`(open/accepted/declined), `base_salary?`·`bonus_amount?`·`welfare_amount?`·`signing_amount?`(만원), `equity_note?`, `comp_note?`, `work_arrangement?`, `contract_type?`, `accept_deadline?`, `ai_score?`, `verdict?`, `notes?` | 저장된 오퍼(+`total_comp_annual_est` 결정론 합산). accepted 저장 시 지원 상태(최종 합격) 갱신 제안 동봉 | 사용자가 오퍼를 받아 저장·평가할 때, 또는 "그 오퍼 거절했어/수락했어"라고 할 때 | ✏️ |
+| `compare_offers` | 저장된 모든 오퍼를 점수순으로 회사·직무·현금성 총액추정·최종평·`offer_status`와 함께 반환 — 비교는 진행 중(open) 위주, 지난 오퍼는 과거 조건 기준점으로만 | 없음 | `OfferWithJob[]`(점수 desc) | "오퍼 비교해줘" 또는 여러 오퍼를 함께 판단할 때 | ✅ |
+| `get_offer` | 특정 공고의 오퍼 1건 조회 | `job_id` | 오퍼 또는 `null` | 한 공고의 오퍼를 확인할 때 | ✅ |
+
+- `total_comp_annual_est`(연 현금성 추정) = 기본급 + 성과급 + 복지(일시금 제외), CareerMate가 결정론으로 합산. 없으면 `null`.
+- 회사 평판은 `save_job_posting`의 `reputation`에 저장해두면 오퍼 판단·면접에 함께 활용됩니다.
+
 ## 6. 적합도 (Fit Analysis)
 
 | 도구 | 목적 | 주요 입력 | 반환 | 언제 호출 | 읽기전용 |
@@ -171,7 +184,7 @@ AI 클라이언트가 연결되면 이 도구를 가장 먼저 호출해 상태
 
 | 도구 | 목적 | 주요 입력 | 반환 | 언제 호출 | 읽기전용 |
 | --- | --- | --- | --- | --- | --- |
-| `update_application_status` | 지원 상태 변경. `document_passed` 이상이면 면접 준비를 제안하는 힌트 동봉 | `job_id`, `status`, `note?` | 변경 결과(`hint` 포함 가능) | 지원 진행 단계가 바뀔 때 | ✏️ |
+| `update_application_status` | 지원 상태 변경. `document_passed` 이상이면 면접 준비를 제안하는 힌트 동봉. `rejected`로 바꿀 때는 탈락 회고로 `rejected_stage`(서류/인적성/면접/최종/기타)를 함께 기록 — 없으면 기록을 유도하는 `suggested_next_action` 동봉 | `job_id`, `status`, `note?`, `rejected_stage?` | 변경 결과(`hint`·회고 유도 포함 가능) | 지원 진행 단계가 바뀔 때 | ✏️ |
 
 지원 상태 8단계(`APPLICATION_STATUSES`):
 
@@ -238,8 +251,8 @@ AI 클라이언트가 연결되면 이 도구를 가장 먼저 호출해 상태
 | 도구 | 목적 | 주요 입력 | 반환 | 언제 호출 | 읽기전용 |
 | --- | --- | --- | --- | --- | --- |
 | `list_recent_activity` | 최근 활동 내역(공고 저장, 적합도 분석, 자소서 버전, 상태 변경, 면접 준비 등) 조회 | `limit?`(기본 20) | `ActivityRecord[]` | "최근에 뭐 했지?" 또는 이어서 작업할 맥락이 필요할 때 | ✅ |
-| `get_followups` | 지금 챙길 항목 한 번에 — 무응답 지원(지원 후 무응답·서류합격 후 일정대기·면접 후 결과대기)·임박/지난 마감(지원 전 단계)·면접 준비 누락 공고 | 없음 | `{ today, followups[], deadlines[], interview_todo[] }` | "내 지원 현황 어때?/뭐 챙겨야 해?" 또는 세션 이어가며 놓친 것 점검할 때 | ✅ |
-| `get_pipeline_stats` | 지원 파이프라인 분석 — 현재 상태 분포·단계별 도달 깔때기(지원→서류→면접→최종, 상태 변경 이력 복원)·통과율·결과 요약 | 없음 | `{ total, by_status[], funnel, rates, outcomes, note }` | "내 합격률/지원 통계 어때?", "어느 단계에서 떨어져?"라고 물을 때(비율은 설명용, 표본 작으면 추세만) | ✅ |
+| `get_followups` | 지금 챙길 항목 한 번에 — 무응답 지원(지원 후 무응답·서류합격 후 일정대기·면접 후 결과대기)·임박/지난 마감(지원 전 단계)·면접 준비 누락 공고·오늘~7일 내 전형 일정(D-day)·같은 날짜 일정 충돌. 지원 항목엔 결정론 팔로업 타이밍(`followup_timing` due=5~7영업일·overdue=8영업일+, `business_days_since`)과 45일+ 무응답 시 `suggest_on_hold` | 없음 | `{ today, followups[]{…, followup_timing?, business_days_since?, suggest_on_hold?}, deadlines[], interview_todo[], upcoming_schedule[]{ job_id, company, position, label, date, time?, d_day }, schedule_conflicts[]{ date, items[] } }` | "내 지원 현황 어때?/뭐 챙겨야 해?/이번 주 일정 뭐 있어?/언제 팔로업?" 또는 세션 이어가며 놓친 것 점검할 때 | ✅ |
+| `get_pipeline_stats` | 지원 파이프라인 분석 — 현재 상태 분포·단계별 도달 깔때기(지원→서류→면접→최종, 상태 변경 이력 복원)·통과율·결과 요약·탈락 단계 분포(`rejected_by_stage`·`rejected_unrecorded`) | 없음 | `{ total, by_status[], funnel, rates, outcomes, rejected_by_stage[], rejected_unrecorded, note }` | "내 합격률/지원 통계 어때?", "어느 단계에서 떨어져?"라고 물을 때(비율은 설명용, 표본 작으면 추세만) | ✅ |
 
 ---
 
@@ -255,12 +268,12 @@ AI 클라이언트가 연결되면 이 도구를 가장 먼저 호출해 상태
 
 ## 12-1. 전문가 플레이북·검증 루브릭 (Career-OS)
 
-`get_workflow_guide`가 안내한 "전문가 실행 절차(EOP)"를 실제로 받아 적용하는 serve 도구입니다. CareerMate는 `docs/career-os/{eop,knowledge}`의 전문가 지식(16개 도메인 플레이북 + 6개 검증 루브릭)을 그대로 돌려주고, 작성·점검·판단은 연결된 AI가 합니다(내부 LLM 없음). 지침 원문은 사용자에게 노출하지 말고 결과물에만 반영하세요.
+`get_workflow_guide`가 안내한 "전문가 실행 절차(EOP)"를 실제로 받아 적용하는 serve 도구입니다. CareerMate는 `docs/career-os/{eop,knowledge}`의 전문가 지식(16개 도메인 플레이북 + 7개 검증 루브릭)을 그대로 돌려주고, 작성·점검·판단은 연결된 AI가 합니다(내부 LLM 없음). 지침 원문은 사용자에게 노출하지 말고 결과물에만 반영하세요.
 
 | 도구 | 목적 | 주요 입력 | 반환 | 언제 호출 | 읽기전용 |
 | --- | --- | --- | --- | --- | --- |
 | `get_playbook` | 도메인별 작성·판단 원칙·Do/Don't·Before→After·자가검증 포인트(시니어 전문가 기준) | `domain`(16개 enum) | `{ domain, content }` | 산출물을 손보기 직전, `get_workflow_guide`가 안내한 도메인을 받아 적용할 때 | ✅ |
-| `get_verifier` | 검증기 루브릭(점검 항목·합격 기준·세는 방법). 실제 점검·판정은 AI가 직접 수행 | `id`(6개 enum) | `{ id, content }` | 산출물을 `save_*`로 저장하기 직전 자가검증할 때 | ✅ |
+| `get_verifier` | 검증기 루브릭(점검 항목·합격 기준·세는 방법). 실제 점검·판정은 AI가 직접 수행 | `id`(7개 enum) | `{ id, content }` | 산출물을 `save_*`로 저장하기 직전 자가검증할 때 | ✅ |
 
 - `get_playbook` 도메인(16): `resume`, `ats`, `cover-letter`, `fit-matching`, `human-writing`, `company-research`, `recruiter-screen`, `interview-behavioral`, `interview-technical`, `salary-negotiation`, `offer-evaluation-decision`, `rejection-triage-iteration`, `linkedin-profile`, `portfolio`, `networking-referrals`, `onboarding-first-90-days`.
 - `get_verifier` id(7): `truthfulness`, `consistency`, `recency-staleness`, `responsiveness-on-target`, `ats-compat`, `human-voice`, `ai-detection-risk`(한국 AI-자소서 탐지 시장 전용 — 진정성·면접 방어가능성·자기복제 점검).
@@ -275,7 +288,7 @@ AI 클라이언트가 연결되면 이 도구를 가장 먼저 호출해 상태
 
 | 도구 | 목적 | 주요 입력 | 반환 | 언제 호출 | 읽기전용 |
 | --- | --- | --- | --- | --- | --- |
-| `validate_cover_letter` | 저장하지 않고 미리 점검만 — 저장 시 차단될 항목·문체 신호를 보여줌 | `text`(필수), `job_id?`, `strict?` | 점검 리포트(`blocking[]`·신호·수치 출처 분석) | `save_cover_letter_version`으로 저장하기 직전 미리 확인할 때 | ✅ |
+| `validate_cover_letter` | 저장하지 않고 미리 점검만 — 저장 시 차단될 항목·문체 신호를 보여줌. 글자수도 3기준으로 세고 한도 충족 여부 반환 | `text`(필수), `job_id?`, `strict?`, `min_chars?`, `max_chars?`, `count_mode?` | 점검 리포트(`blocking[]`·신호·수치 출처 분석·`charLimit`) | `save_cover_letter_version`으로 저장하기 직전 미리 확인할 때. 공고 `questions`에 문항별 한도가 있으면 그 값을 넘겨 문항마다 점검 | ✅ |
 | `set_verify_mode` | 저장 전 자동 점검의 엄격도 변경(기본/엄격). 엄격 모드는 이력서 본문에 근거 없는 수치까지 차단 | `strict`(true=엄격, false=끄기) | `{ strict }` | 사용자가 "엄격하게 봐줘"에 동의해 모드를 바꿀 때(이번 한 건만이면 모드 대신 `strict:true`를 인자로) | ✏️ |
 
 - `validate_cover_letter`의 `blocking`이 비어 있지 않으면, 같은 본문을 `save_cover_letter_version`으로 저장할 때도 막힙니다(의도한 값이면 `force:true`로 저장).

package/docs/career-os/eop/cover-letter.md

@@ -19,18 +19,22 @@
 
 ## 2. 분석·작성 절차
 1. **회사 리서치**(company-research): 미션·사업·제품·최근 활동·인재상 → 본인과 연결할 고유 포인트 확보.
-2. **문항 의도 해석:** 지원동기=여기 오게 한 *구체 경험*(표면 관심 X); 성장과정=동기의 *근원+서사 연결*(인생 연대기 X); 직무역량=역할의 *핵심 역량 1~2개 정확 식별+증명*; 입사후포부=*회사 사업방향에 묶인* 단기·중기·장기(전문가 포지셔닝) 로드맵(과대 금지). **연차 수치(1~3년 등)는 일반 로드맵 골격일 때만 — 본인 기여·성과에 '입사 후 1~2년은'처럼 저장·공고에 없는 기간을 단정하지 마라(출처 밖 기간 단정=C4).** <!-- applied: r7-cover-letter / R7 cross-vendor PASS cl-s1=94 PERFECT (opus생성·codex채점) / 2026-06-20 -->
+2. **문항 의도 해석:** 지원동기=여기 오게 한 *구체 경험*(표면 관심 X) — **'왜 이 회사·이 직무인가'가 도입 1~2문장 안에 서야 한다: 성과 일화로 열더라도 첫 문단이 끝나기 전에 회사로 연결한다(회사 연결이 마지막 문단으로 밀리면 문항 응답성 감점)**; 성장과정=동기의 *근원+서사 연결*(인생 연대기 X); 직무역량=역할의 *핵심 역량 1~2개 정확 식별+증명*; 입사후포부=*회사 사업방향에 묶인* 단기·중기·장기(전문가 포지셔닝) 로드맵(과대 금지). **포부는 재탕이 아니다 — 앞 문항에서 이미 쓴 과거 일화의 재인용으로 채우지 마라. 회사·직무에서 *새로 하려는 것*(공고의 업무·기술 키워드 기반) 최소 1개를 구체적으로 적는다**(예: 공고가 '결제 도메인'이면 그 도메인에서 앞으로 만들고 싶은 것). **연차 수치(1~3년 등)는 일반 로드맵 골격일 때만 — 본인 기여·성과에 '입사 후 1~2년은'처럼 저장·공고에 없는 기간을 단정하지 마라(출처 밖 기간 단정=C4).** <!-- applied: aspiration-not-rehash / 블라인드 벤치마크 감점 반영 --> <!-- applied: r7-cover-letter / R7 cross-vendor PASS cl-s1=94 PERFECT (opus생성·codex채점) / 2026-06-20 -->
 3. **본인 증거 매핑:** 저장 경력/프로젝트에서 문항·역량을 증명할 경험 **1~2개를 깊게** 선택(얕게 5~6개 나열 금지).
+   - **문항 간 성과 배분(복수 문항 자소서 — 성과 폭을 넓게):** 대표 성과 1개는 **1개 문항에만** 배정한다. 문항마다 다른 경험·성과 축을 써서 지원자의 폭이 넓어 보이게 하라(같은 프로젝트·수치를 여러 문항에 재활용하면 밑천이 얕아 보인다). 저장된 성과가 1개뿐이라 겹칠 수밖에 없으면 **문항별 각도를 완전히 분리**한다 — 한 문항은 기술·실행 과정으로, 다른 문항은 동기·의미·배움으로 다루고 **같은 수치를 재인용하지 않는다**. <!-- applied: cross-question-allocation / 블라인드 벤치마크(채용담당자 페르소나 3:0) 감점 반영 -->
    - **기존 자소서 차별화(있을 때 — 자기복제 방지):** 기존 자소서는 *참고*지 *템플릿*이 아니다. **(1) 사실은 일관되게** — 경험·수치·고유명사·사용자 보이스는 공고가 달라도 같아야 하며, 자기복제를 피하려고 억지로 비틀지 마라(사실 왜곡 = C4). **(2) 프레이밍·산문은 새로** — 직무 적합 앵글·why-this-company·도입 훅·문장 표현은 이 공고에 맞춰 새로 짠다. 같은 대표 경험을 또 쓸 거면 *이 공고의 요구역량·인재상에 맞는 다른 각*으로 재프레이밍하고, 가능하면 *다른 경험*으로 다양화한다. **직전 자소서를 회사명·일부 토큰만 바꿔 따라 쓰지 마라(가장 흔한 실패).**
+   - **디깅 인터뷰(선택한 경험 → 초안 전 필수):** 고른 경험마다 사용자에게 3~5개를 묻는다 — (1) 가장 막혔던 순간 (2) 실패한 첫 시도와 그 이유 (3) 왜 그 방법을 골랐나(버린 대안) (4) 그때 실제로 들은·한 말 (5) 수치의 앞뒤 맥락. **사용자 답변의 표현을 그대로 수집**하고, 본문에 사용자 원문 표현을 **3개 이상**(다듬되 어휘·결 보존) 살린다 — 이 원자료가 '겪은 사람만 아는 디테일'의 유일한 출처다(디깅 없이 성과·수치 나열만으로 채우지 마라 = AI 티의 근본 원인). 수집한 답변은 `add_experience`로 해당 경험의 description/achievements에 갱신 저장해 다음 문서에서 재사용한다(디깅은 1회 자산). 컨텍스트에 이미 충분한 디깅 원자료가 있으면 재질문하지 말고 그대로 쓴다. <!-- applied: experience-digging / 블라인드 벤치마크 잔여 AI 의심도(고유 디테일 밀도 부족) 대응 -->
 4. **앵글 설정(차별화 게이트 — 초안 전 확정):** 바로 쓰지 말고, 이 공고에 맞춘 **2~3개 후보 앵글**을 먼저 세운다. 네 축으로 잡는다 — **why**(왜 이 회사·직무인가: 표면 관심이 아닌 구체적 이유) · **problems**(이 회사/팀의 어떤 문제를 풀고 싶은가 — 회사 리서치·공고 기반) · **approach**(저장 경험이 증명하는 *나만의* 접근/방법) · **tone**(원하는 문체 — `profile.preferred_tone` 우선, 없으면 담백/따뜻/격식 중 확인). **기존 자소서·다른 공고와 다른 각을 강제**해 자기복제를 끊는다(§2-3과 직결). 앵글이 컨텍스트로 자명하면 묻지 말고 1개로 진행하되 무엇을 골랐는지 검토 메모(§4②)에 적고, 모호하면 후보 앵글을 사용자에게 한 번 제시해 고르게 한 뒤 그 앵글로만 초안을 전개한다(과한 질문 금지 — 자명하면 그냥 진행). <!-- career-ops 차용: why/problems/approach/tone 앵글 프롬프트 -->
 5. **초안 작성:** 항목별 **소제목** + **두괄식**(핵심 결론 먼저) → **STAR-lite**(S/T 짧게, A에 무게, R=전후 델타 정량) → **직무/인재상 명시 연결**. 회사 고유 근거 1~3문장("회사명 placeholder로 바꾸면 어색"이어야 함). 글자수 **상한의 ~70%+를 채우되**, 입사후포부는 앞 문단과 **다른 새 기여**로(같은 성과·표현 반복 금지).
    - **STAR 앵커 우선(사실 변경 금지·표현 강화 허용):** Action/Result는 저장된 '한 일'(도입·적용·운영·분석한 것)과 저장된 결과에 앵커한다. 저장된 행위·맥락은 풍부하게 서술해도 좋다(평가자가 중시하는 경험 서술형 환영). **금지는 발명뿐** — 저장 근거가 없는 진단 결과·방법/도구·원인 규명·실패율·문서화·후속 성과를 새로 지어내지 마라. 저장에 없는 과정을 꼭 암시해야 하면 "기록/근거로 범위를 좁혔다" 수준의 중립 한 구절까지만. <!-- applied: P4-star-anchor / closed 2026-06-20 — codex 규칙-텍스트 전용 표결 agree(4/4) + claude 3모델 만장일치 + R7 산출물 PASS 간접지지(cl-s1=94 opus생성·codex채점 / cl-s2 codex생성 90 PASS) -->
    - **프레이밍 경계(작성·평가 공통):** 일반 도메인 원리는 *후보 귀속 없이* 맥락으로 OK. 비즈니스 임팩트·문제 프레이밍은 *저장된 성과/지표가 암시하는 범위 안*에서만. **(아래 예시는 IT 직군 하나의 예일 뿐 — 원리는 전 직군 동일: 영업=매출/전환 기록, 운영·생산=처리량/불량률 기록, 마케팅=유입/전환 기록 등.)** 예: p99 개선 기록 → "느린 구간을 좁혀" OK / 기록 없는 "결제 경험을 해치던" 단정 금지. 사고·이유 귀속은 *저장된 결정·행동이 논리적으로 함의할 때만*(예: "Kafka 보류 결정" 저장 → "복잡도 대비 효과가 적어 보류" OK / "새 기술보다 ~가 낫다고 봤다"식 새 판단 삽입 금지). **금지:** 후보가 측정·관찰·확인했다는 행위, 출처에 없는 중간 지표(A/B를 "클릭"으로 특정), 출처에 없는 파생 정확수치(%·배수) 단정(저장 전후값은 그대로 쓰거나 "절반 이하로" 같은 정성 표현만 허용), 진단 결과·원인·감정·의도를 후보의 사실로 단정. **수치·고유명사는 저장 데이터의 범위·채널·주체 그대로 쓴다('캠페인 누적'을 '인스타그램 누적'으로 좁히듯 채널/주체 재귀속 금지). 학습·기초만 저장된 것을 수행으로 승격하지 마라('SQL 기초 학습'+'주간 리포트 작성'→"SQL로 데이터를 추출해 리포트 작성"식 연결 단정 금지).** <!-- applied: fact-anchor-boundary / closed 2026-06-20 — codex 규칙-텍스트 전용 표결 agree(4/4) + claude 3모델 만장일치 + R7 경계강화 cross-vendor PASS 간접지지 -->
-6. **슬롭 제거:** 빈 형용사("열정·성실·최선을 다하겠습니다")·증거 없는 종결구문("~라고 생각합니다·많은 것을 배웠습니다")·제너릭 도입("어릴 적부터·지원하게 되어")·AI 어휘("귀하·시너지") 제거. human-writing 가이드(`get_writing_style_guide`) 적용.
+   - **기술 경험은 한 단계 더 날것으로(과도한 매끈함이 curated/AI 의심을 부른다):** 기술 문항·기술 경험 서술은 추상 요약("이벤트를 먼저 저장하는 방식")에 멈추지 말고 최소 1곳은 **패턴 명명·구체 구현 수준**으로 내려간다(예: "Outbox 패턴 — 수신 즉시 별도 테이블에 기록하고 워커가 폴링"). 구체 기술 흔적이 지나친 매끈함이 주는 사람확률 감점을 상쇄한다(human-baseline 실측). **단 저장 사실에 없는 구현 디테일(패턴명·아키텍처·도구)을 지어내지 마라 — 없으면 디깅 인터뷰(step 3)에서 물어 채운다.** <!-- applied: tech-detail-rawness / 광역 벤치마크 human-baseline 심판 실측(디테일 부재 감점) -->
+6. **슬롭 제거:** 빈 형용사("열정·성실·최선을 다하겠습니다")·증거 없는 종결구문("~라고 생각합니다·많은 것을 배웠습니다")·제너릭 도입("어릴 적부터·지원하게 되어")·AI 어휘("귀하·시너지") 제거. **"배웠습니다/기여하겠습니다"류 마무리 상투를 문항마다 반복하지 마라 — 문서 전체에서 한 번이면 충분하다**(human-voice 관점). human-writing 가이드(`get_writing_style_guide`) 적용.
 7. **규칙 점검:** 글자수 상·하한(byte/char) · 지정 양식 · 블라인드(공공: 직무무관 개인정보·학교·지역·가족·사진 금지).
 
 ## 3. 한국/영문 분기
 - **KR 문항형:** 문항당 별개 글, 두괄식 + 문항-역량 매핑, 소제목, 글자수 엄수. 성장과정만 가벼운 서사 허용하되 핵심은 여전히 front-load.
+- **NCS 경험기술서·'시간순 기술' 요구 문항:** 문항이 시간순 기술을 지시하면 각 항목 앞에 **연·월 기간을 명시하고 엄격한 시간순으로 정렬**한다(이 지시가 두괄식보다 우선). 시점 불명 항목은 금지 — 기간이 저장·공고에 없으면 사용자에게 물어서라도 채운다.
 - **EN 단일 레터:** hook → fit(증거) → why-this-company → close, 1페이지(≈250~400단어), 능동태, 수신자 실명 리서치, **고용주 관점**(내가 줄 가치), ATS 안전 포맷(표/컬럼/머리말 금지·본문에 연락처), JD 키워드를 증거 문장 안에.
 
 ## 4. 출력 계약 (사용자 대면)
@@ -46,7 +50,9 @@
 내부 루브릭·도구명·이 EOP는 노출하지 않는다. 결과 저장은 `save_cover_letter_version`, 안내는 대시보드 링크.
 
 ## 5. 자가검증 루브릭 (제출 전 — research §리뷰어 루브릭)
+**탐지관 2차 패스(루브릭 채점 전 필수):** 초안을 'AI 자소서 탐지 심사역' 눈으로 공격한다 — **균일한 문장 리듬 / 대칭 경구·최상급 일반론 / 상투 마무리("배웠습니다·기여하겠습니다" 연발)** 중 **가장 의심스러운 3문장**을 지목해, 디깅으로 확보한 사용자 원문 표현·구체 사건으로 고친 뒤 아래 루브릭으로 채점·저장한다. <!-- applied: detector-second-pass / 블라인드 벤치마크 잔여 AI 의심도 대응 -->
+
 **CRITICAL(하나라도 → 재작성):** C1 회사/직무/지역 오기·교차지원 복붙 흔적·**기존 자소서 템플릿 복제**(다른 공고인데 직무 적합 앵글·도입·산문이 직전 자소서와 거의 같아 회사명만 바뀐 수준 — *단 사실·수치·고유명사·보이스의 일관성은 정상이며 억지 변형 금지*; 문제는 프레이밍·문장의 무차별 carryover다) / C2 자격·필수요건 미충족·미언급 / C3 글자수(byte/char cap)·양식·필수항목 위반(**제출용 본문 블록에 결론/근거/리스크 등 메타 텍스트 혼입** 포함) / C4 날조 또는 문서 간 모순 수치(**수치·고유명사는 저장 데이터의 범위·채널·주체 그대로 쓴다 — '캠페인 누적'을 '인스타그램 누적'처럼 더 좁은 채널/주체로 재귀속(범위 변경)하거나, 저장·공고에 없는 정확수치·기간·비율('입사 후 1~2년'·%·배수)을 단정하면 C4 날조**) / C5 블라인드 위반(공공). <!-- applied: r7-cover-letter / §5 C4 채널 재귀속·파생수치 경계 (R7 cross-vendor PASS) / 2026-06-20 -->
-**MAJOR:** M1 제너릭·비고유 지원동기(why-this-company 증명 없음) / M2 핵심 성과에 정량 결과 없음(노력어 의존) / M3 경험을 요구 역량/직무에 미연결(문항 의도 놓침) / M4 두괄식·소제목 약함 / M5 빈 형용사 슬롭·AI 균일 / M6 입사후포부 과대·사업방향 무관.
-**MINOR:** 오탈자·맞춤법 / 상한 대비 과소·과패딩 / 수동·약한 동사·"나" 관점(영문) / 항목 중복·불균등 가중 / (영문) 수신자 결함.
+**MAJOR:** M1 제너릭·비고유 지원동기(why-this-company 증명 없음; **지원동기 문항인데 회사가 첫 문단에 등장하지 않음 — 성과 서사가 회사 연결을 마지막 문단으로 밀어냄**) / M2 핵심 성과에 정량 결과 없음(노력어 의존) / M3 경험을 요구 역량/직무에 미연결(문항 의도 놓침) / M4 두괄식·소제목 약함 / M5 빈 형용사 슬롭·AI 균일 / M6 입사후포부 과대·사업방향 무관 / M7 문항에 '겪은 사람만 아는 디테일'(실패한 첫 시도·트레이드오프·구체 사건) 부재(성과·수치 나열만) / M8 디깅으로 확보한 사용자 원문 표현이 3개 미만.
+**MINOR:** 오탈자·맞춤법 / 상한 대비 과소·과패딩 / 수동·약한 동사·"나" 관점(영문) / 항목 중복·불균등 가중 / **같은 대표 성과·수치가 두 문항에 등장(성과 폭이 좁아 보임 — §2-3 문항 간 성과 배분)** / (영문) 수신자 결함.
 **통과 = CRITICAL 0 + MAJOR 0 + 슬롭/제너릭 없음 + 모든 수치가 저장 데이터에 앵커.**

package/docs/career-os/eop/interview-prep.md

@@ -15,6 +15,7 @@
 - **(슬롯) 모르는/미앵커 디테일은 본문에 명시 슬롯으로 남긴다**(유창한 산문으로 지어내지 마라):
   - `[확인 필요: …]` — 저장 데이터에 있을 법하나 지금 맥락엔 없는 값(예: `[확인 필요: 그 프로젝트의 실제 응답시간 개선 수치]`).
   - `[저장 데이터에 없음 — 면접 전 본인 경험으로 채우기: …]` — 후보 본인만 아는 사실(예: 구체 실패 일화·당시 팀 규모·반대 의견).
+  - **(폴백 문장 기본 동봉) 각 슬롯에는 폴백 문장을 함께 단다** — 사용자가 못 채운 채 면접에 가도 사실 범위 안에서 정직하게 버틸 대체 답을 슬롯 바로 뒤에 붙인다(예: "정확한 수치는 확답 못 드리지만, 설계 경계는 이랬습니다"). 슬롯만 덩그러니 남기면 실전에서 침묵으로 무너진다(측정된 최대 리스크) — 폴백을 일관 동봉하면 못 채운 칸도 버틴다. 폴백도 §0.1 앵커 규칙에 종속(저장 사실·도메인 원칙 범위 안, 새 사실 발명 금지).
 - **(도메인 원칙은 꼬리, 척추 아님) '왜/어떻게/순서'(의사결정 근거)가 저장 데이터에 없으면** 후보의 실제 판단으로 단정하지 말고 둘 중 하나로 제시: (a) **'면접 전 확인' 질문**으로 분리, (b) **도메인 원칙**으로('일반적으로는 ~ 원칙으로 판단합니다'). 단 도메인 원칙은 *미앵커 칸을 정직하게 받는 fallback*이지 답의 본체가 아니다 — **답의 척추는 항상 ① 후보의 저장 사실 + ② 못 채우는 칸의 명시 슬롯이고, 원칙은 그 뒤 짧은 꼬리 한 문장**이다. 일반 원칙이 문단 절반을 넘거나 사실·슬롯보다 먼저 나오거나 "DB 먼저 캐시 나중"류 교과서 문장으로 답을 대체하면(발명이 아니어도) R1 미달. 원칙엔 "일반적으로는 ~" 표지를 달고, 가능하면 후보의 저장 사실(p99·일 1,000만 건 등)을 원칙의 *적용 대상*으로 끌어와 비제너릭하게 만든다. <!-- applied: R1 principle-is-tail-not-spine / 2026-06-20 -->
 - **(질문 텍스트도 발명 금지) 발명 금지는 '답변'만이 아니라 네가 직접 *작성하는 질문 텍스트'(꼬리·역·예상질문)에도 똑같이 적용된다(측정된 C4 직격).** 측정에서 모델은 답을 슬롯으로 잘 비워 놓고도 *질문 문장 자체*에 저장에 없는 고유명사·기술명·수치를 끌어와 발명으로 채점됐다(예: "**읽기 복제본(Read Replica)**으로는?", "더 가벼운 큐(**SQS** 등)는?", "트래픽이 **10배**면?", "입사 후 **첫 3~6개월** 성공 기준은?"). **규칙:** 네가 쓰는 질문 문구는 (a) 저장 데이터의 고유명사·기술명·수치, (b) 대상 공고/JD 명시 항목, (c) 후보의 기술 스택 범위(예: 저장이 Java·Spring·MySQL·AWS면 그 안)만 쓴다. 특정 제품명(SQS·Read Replica·Redis)·임의 배수(10배)·임의 기간(3~6개월)을 *예시로라도* 박지 말고 **일반 범주어**로: "다른 읽기 부하 분산 방식이나 더 가벼운 비동기 처리 수단은?", "트래픽이 크게 늘면(배수는 면접관이 제시)", "입사 초기 기대되는 성공 기준은?". <!-- applied: R3 question-text-no-invention / 2026-06-20 -->
 - **(자가검증 거짓 도장 금지) 본문에 미앵커 디테일을 채워 놓고 끝에 '100% 저장 데이터 앵커' 같은 자체 검증 도장을 찍는 것은 가장 나쁜 결합 실패다** — 검증 문구가 본문과 반대면 그 자체로 FAIL(§5 R10). 괄호 면피 주석으로 가짜 본문을 정당화하지 마라. 자체 검증은 본문을 줄이는 근거이지 정당화 알리바이가 아니다.

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

@@ -26,12 +26,14 @@
 
 - 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.
+- 복수 문항 자소서면 **대표 성과 1개를 1개 문항에만** 배정해 문항마다 다른 경험·성과 축으로 폭을 넓혀라(밑천이 얕아 보이지 않게).
 - '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 `validate_cover_letter`(현재 구현: 수치 출처·문체 신호 자동 검사 + **글자수 공백포함/제외/byte 카운트 및 min_chars·max_chars·count_mode 상·하한 충족 여부**(advisory, 차단 아님) / 키워드 커버리지는 미구현 — 연결 AI 수동)를 적용한 뒤 save_cover_letter_version으로 보관하라. 한국 문항형은 문항별 한도로 각 문항을 따로 점검하라.
+- **초안 전에 선택한 경험을 디깅하라** — 사용자에게 가장 막힌 순간·실패한 첫 시도·버린 대안·그때 실제로 나눈 말·수치의 앞뒤 맥락을 묻고, 답변의 **원문 표현을 3개 이상 본문에 살려라**(다듬되 어휘·결 보존). 디깅 원자료는 add_experience로 저장해 재사용한다.
 - 초안은 get_writing_style_guide의 문체를 적용해 사람이 쓴 듯 자연스럽게 다듬어라.
 
 ### Don't
@@ -43,11 +45,13 @@
 - **다른 공고에 낸 자소서를 회사명·일부 토큰만 바꿔 재사용하지 마라(자기복제).** 사실·수치·보이스는 공고 간 일관되게 두되(억지 변형 금지), 직무 적합 앵글·도입·산문은 공고마다 새로 짠다. 자기복제는 C1 위반이고, 한국은 표절검사(무하유·Copy Killer)·AI 탐지에서 자기표절로 걸린다.
 - 회사명을 바꿔도 말이 되는 제너릭 지원동기를 쓰지 마라.
 - 한 통/한 문항에 5~6개 경험을 얕게 나열하지 마라(1~2개 깊게).
+- **복수 문항에 같은 대표 성과·수치를 재활용하지 마라** — 문항마다 다른 경험·성과 축을 쓴다. 저장된 성과가 하나뿐이라 겹칠 수밖에 없으면 문항별 각도를 완전히 분리(한쪽=기술·실행 과정, 다른쪽=동기·의미·배움)하고 같은 수치를 재인용하지 마라.
 - '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.
+- **디깅 없이, 겪은 사람만 아는 디테일(실패한 첫 시도·트레이드오프·구체 사건) 없이 성과·수치 나열만으로 문항을 채우지 마라** — 이것이 AI 티가 나는 근본 원인이다.
 - MCP·job_id 같은 기술 용어를 편지 본문/사용자 설명에 노출하지 마라.
 
 ### 워크드 예시 (Before → After)

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

@@ -35,6 +35,9 @@
 | 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 |
 | C12 | 번역투 문법 밀도 *(advisory)* | 아래 §번역투 패턴이 **100단어당 3개 이하** (권고 신호, 하드 실패 없음) | §번역투 패턴 목록과 부분 매칭 → 밀도 계산. **맥락 확인 필수**: 정상 용법에서도 등장하는 표현이 많으므로 밀도가 높더라도 연결 AI가 문맥을 보고 최종 판단. 단독으로 불합격 처리하지 않는다 |
+| C13 | 캐치프레이즈·모티프 반복 | 같은 캐치프레이즈·모티프(반복되는 고유 표현·슬로건, 예: "1원도 틀리지 않는")가 **문서 전체에서 2회 이하** | 반복 등장하는 짧은 고유 구절을 식별해 등장 횟수를 센다. **3회 이상이면 인위적 장치**로 읽혀 사람 목소리를 깎는다(문항형 자소서는 문항 전체를 한 문서로 합쳐서 센다). C1의 '슬롭 사전 단어 반복'과 달리 사전에 없는 **글 고유의 반복 구절**을 잡는다 |
+| C14 | 문장 리듬 변주 *(advisory)* | 비슷한 길이(±3단어 이내) 문장이 **4개 이상 연속되지 않고**, 각 단락에 짧은 문장(≤8단어) **1개 이상** | 인접 문장의 단어 수 배열에서 유사 길이 연속 구간의 최대 길이를 재고, 단락별 최단 문장 길이를 확인한다. C3(전체 표준편차·burstiness)와 달리 **국소적 연속 단조**를 잡는다. **권고 신호(게이트 아님)** — 짧은 문항·bullet 구간 false-positive 방지 |
+| C15 | 기술 디테일 구체성 *(advisory)* | 기술 경험·기술 문항 서술에 추상 요약을 넘어선 **패턴 명명·구체 구현 수준 디테일이 최소 1개**(예: "Outbox 패턴", "인덱스 재설계로 풀스캔 제거") | 추상 동사구("~하는 방식"·"처리했다"·"관리했다")만으로 기술을 서술한 구간을 표시한다. 지나치게 매끈한 curated 요약은 사람확률을 깎는 AI 의심 신호(human-baseline 실측). **단 저장에 없는 구현 디테일을 지어내면 C8·C9 위반이므로, 없을 때는 발명이 아니라 사용자에게 물어 채우도록 권고**한다. **권고 신호(게이트 아님)** — 비기술 직군·짧은 문항 false-positive 방지 |
 
 ### 슬롭 사전 (C1 — 부분 일치로 카운트)
 
@@ -76,12 +79,14 @@
 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)**: **셋 다 권고 신호**이므로 위반이 있어도 재작성을 강제하지 않는다. 다음 조건 중 하나 이상이면(연속 3문장 이상 동일 시작어 / 단락 내 3단 병렬 2회 초과) 구체적 수정 제안을 함께 낸다(여전히 권고): 긴 문장 1~2개를 쪼개 **짧은 강조 문장(≤8단어)** 삽입, 연속 동일 시작어 문장의 도입부 변경, 3단 병렬을 1개로 축소·문장 형태 비대칭화. 표준편차·시작어 분포를 재측정한다.
+- **C13 위반(모티프 반복)**: 3회 이상 등장한 캐치프레이즈·모티프를 표시하고, **첫 1~2회만 남기고 나머지는 매번 다른 말로 바꿔** 표현한다(같은 슬로건을 문항마다 되풀이하지 않는다). 권고 신호이므로 재작성을 강제하지는 않되, 반복 횟수를 다시 센다.
+- **C3·C4·C5·C14 위반(단조로움·리듬)**: **모두 권고 신호**이므로 위반이 있어도 재작성을 강제하지 않는다. 다음 조건 중 하나 이상이면(연속 3문장 이상 동일 시작어 / 단락 내 3단 병렬 2회 초과 / **비슷한 길이 문장 4개 이상 연속[C14]**) 구체적 수정 제안을 함께 낸다(여전히 권고): 긴 문장 1~2개를 쪼개 **짧은 강조 문장(≤8단어)** 삽입, 연속 동일 시작어 문장의 도입부 변경, 3단 병렬을 1개로 축소·문장 형태 비대칭화. 표준편차·시작어 분포·연속 길이를 재측정한다.
 - **C7 위반(목소리 불일치)**: 다수 종결어미·인칭으로 **전체를 통일**한다. 격식이 튀는 구간을 주변 톤에 맞춰 다시 쓴다.
+- **C15 위반(기술 디테일 추상)**: 추상 요약만 있는 기술 서술 구간을 표시하고, 패턴명·구체 구현으로 한 단계 내리도록 권고한다 — 단 저장에 없으면 지어내지 말고 사용자에게 묻는다(권고 신호, 게이트 아님).
 - **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·C2·C6·C7·C10·C11 전부 합격 + C8·C9 위반 0건**. **C3·C4·C5(문장 길이·시작어·3단 병렬 단조성 신호)는 게이트가 아니라 권고 신호**다 — 단독으로 종료를 막지 않고 개선 권고만 한다(짧은 문항·이력서 bullet 등 통계 무의미 구간 false-positive 방지; §2 advisory note·`human-writing.md` R12/line86과 동일선). 단 뚜렷한 위반(연속 3문장 이상 동일 시작어[C4] / 단락 내 3단 병렬 2회 초과[C5] — §2 표의 단락당 1회 기준을 크게 넘는 밀집)엔 구체 수정 제안을 함께 낸다(재작성 강제는 아님). 그 외 한 항목이라도 불합격이면 루프를 멈추지 않는다. (C3·C4·C5 게이트 정렬 완료 2026-06-20: 셋 다 권고 신호로 통일, human-writing.md 게이트 집합 R5/R6/R9/R11과 정합. cross-verifier 근거 구분은 §4 보존 — C5=Wikipedia rule-of-three, C3·C4=burstiness.)
+재검증 종료 조건: **C1·C2·C6·C7·C10·C11 전부 합격 + C8·C9 위반 0건**(C13 모티프 반복은 권고 신호로, 3회 이상이면 수정 권고하되 게이트는 아니다). **C3·C4·C5·C14·C15(문장 길이·시작어·3단 병렬·리듬 변주 단조성 신호 + 기술 디테일 구체성)는 게이트가 아니라 권고 신호**다 — 단독으로 종료를 막지 않고 개선 권고만 한다(짧은 문항·이력서 bullet 등 통계 무의미 구간 false-positive 방지; §2 advisory note·`human-writing.md` R12/line86과 동일선). 단 뚜렷한 위반(연속 3문장 이상 동일 시작어[C4] / 단락 내 3단 병렬 2회 초과[C5] — §2 표의 단락당 1회 기준을 크게 넘는 밀집)엔 구체 수정 제안을 함께 낸다(재작성 강제는 아님). 그 외 한 항목이라도 불합격이면 루프를 멈추지 않는다. (C3·C4·C5 게이트 정렬 완료 2026-06-20: 셋 다 권고 신호로 통일, human-writing.md 게이트 집합 R5/R6/R9/R11과 정합. cross-verifier 근거 구분은 §4 보존 — C5=Wikipedia rule-of-three, C3·C4=burstiness.)
 
 ## 4. 출처 (Provenance)
 

package/package.json

@@ -1,6 +1,6 @@
 {
   "name": "careermate",
-  "version": "0.0.8",
+  "version": "0.0.9",
   "type": "module",
   "description": "CareerMate — an MCP-first, local-first career workspace. Connect it to a local AI agent (Claude Desktop, Claude Code, Codex); CareerMate stores your career data locally on your machine and exposes it over MCP.",
   "license": "MIT",
@@ -68,6 +68,8 @@
     "doctor": "node --no-warnings --experimental-sqlite --import tsx scripts/doctor.ts",
     "test": "node --no-warnings scripts/test-all.mjs",
     "test:ui": "node --no-warnings scripts/run.mjs scripts/ui-smoke.ts \"UI_VERDICT PASS\"",
+    "test:dist": "node --no-warnings scripts/test-dist.mjs",
+    "prepublishOnly": "node --no-warnings scripts/test-all.mjs && node --no-warnings scripts/test-dist.mjs",
     "typecheck": "tsc --noEmit"
   },
   "dependencies": {

package/packages/core/src/index.ts

@@ -7,4 +7,5 @@ export * from './context.ts';
 export * from './services.ts';
 export * from './summary.ts';
 export * from './jobsearch.ts';
+export * from './offers.ts';
 export * from './verify/index.ts';

package/packages/core/src/jobsearch.ts

@@ -11,6 +11,9 @@
  *    scraper/anti-bot evasion (that's the legally dangerous part — see
  *    .claude/work/research/research_0004). Sites requiring keys (Saramin oapi,
  *    고용24) or that forbid it in robots.txt (JobKorea search) are excluded here.
+ *  - Honest User-Agent. We identify ourselves as careermate (verified live:
+ *    both providers answer 200 to it), never as a spoofed browser — "no bot
+ *    evasion" must include not lying about who is asking.
  *  - Read-only w.r.t. the DB. This returns candidates; the AI shows them and the
  *    user picks which to save via save_job_posting (no auto-dumping into the DB).
  *
@@ -18,6 +21,8 @@
  * the affected provider's parser needs updating (others keep working).
  */
 
+import { APP_VERSION } from '@careermate/shared';
+
 export interface JobSearchResult {
   /** Provider id, e.g. 'wanted' | 'jumpit'. */
   source: string;
@@ -58,8 +63,7 @@ export interface JobSearchOptions {
   timeoutMs?: number;
 }
 
-const UA =
-  'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/124.0 Safari/537.36';
+const UA = `careermate/${APP_VERSION} (+https://careermate.life)`;
 
 /** Slice an ISO timestamp / date string to YYYY-MM-DD; undefined if not a date. */
 function toYmd(v: unknown): string | undefined {

package/packages/core/src/offers.ts

@@ -0,0 +1,41 @@
+/**
+ * Offer comparison use-cases. CareerMate stores offers and a deterministic annual
+ * cash estimate (base+bonus+welfare); the connected AI writes the score/verdict at
+ * save time (no LLM here). compareOffers returns all offers joined with their job,
+ * pre-sorted by the AI's score — the dashboard renders that, and the head-to-head
+ * "which is better" reasoning happens in the AI chat via this same data.
+ */
+import { offerRepo, jobRepo } from '@careermate/db';
+import type { OfferInput, OfferRecord, JobRecord } from '@careermate/shared';
+
+export interface OfferWithJob extends OfferRecord {
+  company: string;
+  position: string;
+}
+
+function withJob(offer: OfferRecord, job: JobRecord | null): OfferWithJob {
+  return { ...offer, company: job?.company ?? '—', position: job?.position ?? '—' };
+}
+
+/** Save/update the offer for a job (one per job). The job must exist first. */
+export function saveOffer(input: OfferInput): OfferWithJob {
+  const job = jobRepo.get(input.job_id);
+  if (!job) throw new Error('공고를 찾을 수 없습니다. 먼저 save_job_posting으로 공고를 저장하세요.');
+  return withJob(offerRepo.save(input), job);
+}
+
+/** The offer for one job (or null). */
+export function getOffer(jobId: string): OfferWithJob | null {
+  const offer = offerRepo.getByJob(jobId);
+  if (!offer) return null;
+  return withJob(offer, jobRepo.get(jobId));
+}
+
+/**
+ * All offers, joined with their job, sorted by the AI's score (desc, null last).
+ * `total_comp_annual_est` on each is the server's deterministic sum — the AI does
+ * the qualitative comparison from this structured data.
+ */
+export function compareOffers(): OfferWithJob[] {
+  return offerRepo.list().map((o) => withJob(o, jobRepo.get(o.job_id)));
+}

package/packages/core/src/services.ts

@@ -14,6 +14,7 @@ import {
   type CoverLetterVersionInput,
   type ApplicationStatus,
   type ApplicationSubmission,
+  type RejectedStage,
   type ApplicationRecord,
   type InterviewPrepInput,
   type InterviewPrepRecord,
@@ -350,6 +351,7 @@ export function updateApplicationStatus(
   status: ApplicationStatus,
   note?: string,
   submission?: ApplicationSubmission,
+  rejectedStage?: RejectedStage,
 ): StatusChangeResult {
   const job = jobRepo.get(jobId);
   if (!job) throw notFound('공고를 찾을 수 없습니다.');
@@ -358,7 +360,7 @@ export function updateApplicationStatus(
   // together: if any write throws (e.g. a bad bind), roll back so we never leave
   // the status changed but the submission/timeline missing.
   const application = tx(() => {
-    let application = applicationRepo.setStatus(jobId, status, note);
+    let application = applicationRepo.setStatus(jobId, status, note, rejectedStage);
     const submittedDocs = (submission?.document_ids ?? [])
       .map((docId) => documentRepo.get(docId))
       .filter((doc): doc is DocumentRecord => !!doc);
@@ -407,6 +409,8 @@ export function updateApplicationStatus(
         status_label: APPLICATION_STATUS_LABELS[status],
         note: note ?? null,
         submission: submissionPayload,
+        // 탈락 회고: rejected로 넘어갈 때 실제 저장된 단계(setStatus가 정합성 처리한 값)를 타임라인에도 남긴다.
+        rejected_stage: application.rejected_stage,
       },
       occurred_at: submittedAtToOccurrence(submittedAt),
     });