careermate 0.1.3 → 0.1.4

package/docs/career-os/eop/profile-extraction.md

@@ -0,0 +1,37 @@
+# EOP — 기본정보/경력 추출 (Profile Extraction)
+
+> 외부 LLM 실행 지침. 이 절차를 따르면 환각 없이 **이력 구조화 전문가**처럼 사용자 문서에서 사실만 정확히 뽑는다.
+> **지식 출처(deep reference, 먼저 읽어라):** [`../knowledge/resume.md`](../knowledge/resume.md) · 검증기 [`../knowledge/verifiers/truthfulness.md`](../knowledge/verifiers/truthfulness.md)·[`consistency.md`](../knowledge/verifiers/consistency.md). 이 EOP는 그 플레이북을 *실행 절차*로 압축한 얇은 층이다 — 추출 시 함께 적용한다.
+> 근거(보강 리서치): [`../validation/research/job-analysis-and-profile.md`](../validation/research/job-analysis-and-profile.md) (B). 검증 대상(L2). 먼저 [README](../README.md) §0·§3 적용.
+
+## 0. 전문가 프레임
+- **추출은 span 식별이지 생성이 아니다.** 핵심 필드를 원문에서 못 찾는 항목은 **환각으로 폐기**. 성과·날짜·고용주·숫자·스킬을 **절대 발명하지 않는다**.
+- **책임 vs 성과 구분:** "~을 담당했습니다"=책임(duty); "X→Y 정량 변화"=성과(achievement). **지표를 발명해 duty를 성과로 격상 금지.**
+- 정량 임팩트는 **명시될 때만** (metric, value, delta)로 구조화; 없으면 비우거나 역량 키워드(추론 금지).
+- **모호하면 추측하지 말고 사용자에게 질문**(옵션 제시).
+
+## 1. 입력 수집
+사용자 문서(이력서/경력기술서) → `read_document`. 스캔 PDF·이미지로 텍스트 레이어가 없으면 본문을 텍스트로 붙여넣어 달라고 안내. 기존 `get_profile`로 중복 확인.
+
+## 2. 추출 절차
+1. **원문 인덱싱**(verbatim span 근거 유지).
+2. **스키마 추출**(JSON Resume: basics/work/education/skills/projects), 각 필드 = 원문 span.
+3. **volatile 필드만 정규화:** 날짜 → ISO 8601(현재 역할 endDate null), 조직명 접미("(주)"/"Inc.") 노이즈 제거; 직함은 통제 매핑 요청 없으면 원형 유지.
+4. **근무항목별 각 불릿을 responsibility | achievement 2분류로 태깅.** achievement는 원문에 **명시적 outcome**(완료된 결과·지표·전후 변화·수상/선정/달성)이 있을 때만(예: "처리 시간 2시간→20분 단축", "신규 거래처 전환 완료", "전사 평가 1위 선정"); 수치·결과 없이 수행/담당/참여/진행/개선만 서술된 불릿(예: "고객 응대 프로세스 개선 작업 진행")은 **responsibility**. 정량 임팩트는 명시될 때만 (metric, value, delta). <!-- applied: profile-duty / 2026-06-18 / reconfirm 4/4 (codex·opus·sonnet·haiku) -->
+5. **모호성 → 질문**(날짜 충돌/중복·직함 과장·공백기·숫자 단위·기준 미상·FT vs 프리랜스·숙련도 미제공): 옵션 제시, 사실로 자동 해소 금지.
+6. **스킬 택소노미:** dedupe + 그룹(level은 명시될 때만); NCS/플랫폼 통제 어휘에 매핑하되 **원 토큰 유지**.
+7. **충실도 노트:** 폐기/불확실 항목을 명시 나열.
+
+## 3. 한국 특수
+경력기술서(실행·성과)와 자소서(동기·배움)를 **분리** 추출. 정량 불가 역할은 *날조 대신* 역량 키워드. "면접에서 설명 가능한 수치만". 날짜/직함 변이(재직중·음/양력 혼재)는 ISO 정규화하되 원형 보존.
+
+## 4. 출력 계약 (사용자 대면)
+- **구조화 결과**(스키마 형태, 사람이 읽기 쉬운 요약 동반)
+- **책임 vs 성과 태깅** · **모호성 질문 목록**(확인 필요)
+- **충실도 노트**(무엇을 폐기/확인했는지) · **신뢰도**
+- **발명 0 보장** 명시 — 사용자 확인 후 저장(`add_resume`/프로필 갱신).
+숨길 것: 내부 도구명·EOP.
+
+## 5. 자가검증 루브릭 (research §B 루브릭)
+**PASS:** 추출된 모든 사실(고용주·직함·날짜·지표·스킬)이 verbatim span에 추적 가능 · **발명 0** / 책임 vs 성과 정확 태깅 / 날짜 ISO 정규화 + 현재 역할 처리 / 모호성을 사실 해소 대신 질문으로 / 스키마 준수 / 정량 임팩트는 명시될 때만.
+**FAIL:** 고용주·날짜·숫자·스킬 환각 / duty를 가짜 성과로 격상 / 날짜 오정규화·발명 / 모호성을 미검증 사실로 붕괴 / 원문 항목 누락·왜곡 / 구조·스키마 오류.

package/docs/career-os/knowledge/ats.md

@@ -0,0 +1,131 @@
+# ATS — 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
+
+이 플레이북은 연결된 AI가 후보자의 이력서를 **기계가 안정적으로 읽고 검색해 낼 수 있게(parseable & findable)** 만들도록 돕는다. 두 가지 진실이 모든 것을 떠받친다. (1) **파싱은 실재하고 결과를 좌우한다** — 다수 ATS 파서는 텍스트를 선형(좌→우, 위→아래)으로 읽으며 표·다단·텍스트박스·헤더/푸터·그래픽을 "word salad"로 뭉개, 연락처·스킬·날짜가 검색 인덱스와 자동완성에서 조용히 사라진다. (2) **"ATS가 점수로 자동 탈락시킨다"는 서사는 상당 부분 신화**지만 **완전한 신화는 아니다** — 사람이 거르는 단계가 핵심이되, 지원서 양식의 **knockout/사전 스크리닝 문항**(취업 자격·학위·근무지·연봉 하한)은 진짜 자동 탈락 스위치이며, 대량 채용에서는 AI 어시스트 랭킹/자동 숏리스트가 사실상의 자동 필터로 작동하기도 한다. CareerMate에는 LLM이 없으므로, 아래 루브릭은 연결된 AI가 `save_fit_analysis`·`save_cover_letter_version` 저장 전에 자가검증할 수 있는 **셀 수 있는/체크 가능한 신호**로 설계했다. 단, "무엇이 JD 핵심 용어인가"·"이 약어가 모호한가"·"이 직함이 진실한가" 같은 **판단은 외부 AI의 몫**이고, CareerMate는 결정론적 **측정**만 한다.
+
+**적용 범위(중요):** 이 플레이북은 **영어권 ATS**(Workday/Greenhouse/Lever/Taleo/iCIMS/Workable 등 자유양식 이력서 파싱) 기준이다. 한국 주력 플랫폼(사람인·잡코리아·원티드·그리팅·각사 자체 채용시스템)의 **문항 기반 지원서**는 자유양식 이력서 ATS와 완전히 다른 게임이며(§2 한국 트랙), 일부 루브릭(날짜 형식·표준 헤더·약어)은 로케일 분기 또는 면제가 필요하다.
+
+## 2. 플레이북
+
+### 원칙
+
+- **단일 컬럼(single-column)만 출력하라.** 이력서 본문을 표·다단 그리드·텍스트박스·좌우 병렬 블록에 넣지 말고, 스킬 묶음은 쉼표·세로바(|)·불릿(•)으로 한 줄에 표현하라. — 주류 파서는 선형으로 읽으며 표/다단을 "페이지 전체를 가로로 슬라이스"해 텍스트 레이어를 뒤섞어 스킬·연락처·섹션을 통째로 누락시킨다. 디자인 중심 이력서가 work-experience 블록만 파싱된 사례가 보고됐다. _(출처: Jobscan — Tables and Columns Break Resume Parsing)_
+- **연락처(이름·전화·이메일·지역)와 핵심 키워드는 본문(BODY)에 둬라. 페이지 헤더/푸터나 이미지에 넣지 마라.** — **일부(주로 구형) 파서**는 헤더/푸터/텍스트박스 텍스트를 건너뛴다. 2026년 현재 다수 최신 엔진(Sovren/Textkernel/HireAbility/Affinda 계열)은 헤더/푸터를 읽지만, 실패가 여전히 존재하므로 본문에 두는 것이 무비용 안전책이다. _(출처: Jobscan — 5 ATS Formatting Mistakes; UMN Duluth Career Center)_
+- **표준·직역 섹션 헤더를 그대로 써라**: 'Work Experience'(또는 'Experience'), 'Education', 'Skills', 'Certifications', 'Summary'. 'What I've Done', 'My Journey' 같은 창의적 라벨을 피하라. — 파서는 표준 헤딩 문자열을 인식해 내용을 분류한다. 비표준 헤딩은 엉뚱한 필드로 분류되거나 누락돼 구조화 검색에 안 잡힌다. _(출처: Indeed — How To Write an ATS Resume; 다수 대학 커리어센터)_
+- **JD의 정확한 용어를 미러링하되, 시맨틱 등가물도 커버하라.** boolean exact-match가 여전히 흔하므로 JD 표현을 그대로 쓰되, Workday·Eightfold·HiredScore 계열은 **stemming·동의어·임베딩 시맨틱 매칭**을 돌리므로 의미적 등가물('Node.js'↔'NodeJS', 'CI/CD'↔'CICD', 'manage'↔'managed')도 함께 다뤄라. — 후보자가 가졌지만 JD와 다르게 표현한 스킬은 exact 검색에서 누락될 수 있으나, 시맨틱 레이어에서는 등가물이 잡히기도 한다. 두 모델을 모두 가정하라. _(출처: Teal — Resume Keywords; Scale.jobs — Match Keywords; Eightfold/HiredScore 시맨틱 매칭 동향)_
+- **약어 확장(expansion)은 좁게 적용하라.** JD가 두 형태를 모두 쓰거나 **진짜로 모호한 약어**에만 'long form (ACRONYM)'을 한 번씩 넣는다. AWS/SQL/API/REST/SaaS/GCP/CPA 같은 **업계 표준·널리 알려진 약어는 면제** — 'Amazon Web Services (AWS)'나 'Certified Public Accountant (CPA)'를 매번 풀어쓰면 오히려 junior하게 읽히고 리크루터는 'AWS'·'CPA'로 검색한다. _(출처: Teal — Resume Keywords; 시니어 리크루터 리뷰)_
+- **지원서 양식 knockout/사전 스크리닝 문항을 키워드보다 상위·우선 게이트로 다뤄라.** 취업 자격/비자 스폰서십, 필수 학위/자격증, 근무지/이주, 연봉 하한, 최소 경력연수 — 지원 전에 후보 프로필의 사실과 대조해 mismatch를 사용자에게 알려라. — Workday/Greenhouse/Taleo/iCIMS에서 필수 knockout 문항에 부적격 답을 하면 사람 검토 전에 자동 탈락한다. "어떤 키워드 최적화도 자동 부적격을 이기지 못한다." _(출처: The Interview Guys — ATS Resume Hack; Huntr — How ATS Work 2026)_
+- **키워드 스터핑·숨김 텍스트 금지. 사실·수치·고유명사·날짜는 원문 그대로 보존하라.** — 파싱된 이력서는 결국 사람이 스캔한다(실제로 거르는 단계). 스터핑·허위 키워드는 스팸으로 읽혀 그 단계에서 탈락한다. _(출처: The Tech Resume — ATS Myths Busted; Teal)_
+- **헤드라인/타깃 직함과 최근 직함을 JD 직함과 정렬하되, 진실한 범위에서만.** (예: PM 업무를 'Program Lead'로 했다면 'Product Manager'를 진실하게 추가) — 직함은 1차 boolean 필터이자 사람의 첫인상 신호다. 단 '진실성'은 본질적으로 AI/사람 판단이라 결정론 루브릭으로 강제 불가하며, 한국식 직급(사원/대리/과장/팀장)과 영문(Manager/Lead) 충돌도 사람 판단이 필요하다. _(출처: Jobscan — Top Resume Keywords; The Interview Guys)_
+- **지원 URL로 ATS 플랫폼을 식별해 파일형식·전략을 조정하라.** apply URL이 `greenhouse.io`·`lever.co`·`*.myworkdayjobs.com`·`icims.com`을 포함하면 무료·결정론적 신호다. Greenhouse/Lever는 PDF 텍스트 레이어를 잘 파싱하고, 일부 구형 Taleo/iCIMS는 어려워한다. Workday는 후보가 대부분 필드를 **재입력(re-key)** 하므로 파싱 품질보다 **knockout 문항·프로필 필드**가 더 중요하다 — 우선순위는 **플랫폼 조건부**다. _(출처: Huntr — How ATS Work 2026; 시니어 리크루터 리뷰)_
+
+### 한국 트랙 (영어권 ATS와 다른 게임)
+
+- 사람인/잡코리아/원티드/그리팅 등은 **문항 기반 자기소개서 지원서**가 핵심이다. 자유양식 이력서 파싱 루브릭(단일 컬럼·표준 헤더·MMM YYYY 날짜)은 부분적으로만 적용되며, 날짜('2023.01 ~ 현재', '재직중')·직급 체계는 로케일 분기가 필요하다.
+- 한국 지원서에서는 **각 문항에 대한 답변 품질**과 **자격 요건 충족**이 ATS 포맷보다 우선한다. 이 경우 §3 루브릭 중 R1/R2/R7(포맷·헤더·텍스트레이어)만 적용하고 R6(날짜)·R5(약어)는 면제하라.
+
+### Do
+
+- 이력서를 한 컬럼·위→아래·역연대순(최근 우선)으로 배치한다.
+- 직역 표준 헤더를 쓴다: Summary, Skills, Work Experience, Education, Certifications.
+- 이름·전화·이메일·도시/지역을 맨 위 본문에 **plain text 줄**로 넣는다.
+- `get_application_context`로 JD의 필수·반복 용어를 먼저 추출하되, **무엇이 must-have/nice-to-have인지의 선정은 외부 AI가** 하고(이 판단은 CareerMate가 못 한다), 증거가 있는 곳에만 정확한 문자열을 녹인다.
+- 시맨틱 등가물도 함께 커버한다(예: 'Node.js' 본문에 두면 'NodeJS' 검색도 의식).
+- 지원 URL로 ATS를 식별해 파일형식·우선순위를 조정한다(§원칙 마지막).
+- 날짜를 'MMM YYYY – MMM YYYY'(예: 'Jan 2023 – Present')로 직함과 같은 줄에 일관 표기한다. **한국어 이력서는 '2023.01 ~ 현재' 로케일 형식을 허용한다.**
+- **테뉴어 타임라인 무결성**을 확인한다: 날짜 존재뿐 아니라 순서 일관성, 파서가 재직기간을 계산 가능한지, 겹침/공백이 사람 스크리닝을 유발하지 않는지.
+- 약어는 **모호한 경우에만** 확장형을 한 번 쓴다(업계 표준 약어는 그대로).
+- plain 불릿(• 또는 -)과 표준 폰트(Arial, Calibri, Times New Roman, 10–12pt)를 쓴다.
+- .docx 또는 진짜 텍스트레이어 PDF로 저장·전달하고, 텍스트가 선택/복사되는지 확인한다.
+- knockout 문항(비자/스폰서십·학위/자격·근무지·연봉·경력연수)을 **후보 프로필의 사실과 대조한 3-state(매치/미스매치/불명) 프리플라이트**로 사용자에게 제시한다.
+- **LinkedIn/프로필 패리티**를 맞춘다: 직함 정렬·키워드 미러링을 LinkedIn 헤드라인·스킬에도 적용한다(소싱 상당수가 ATS가 아니라 LinkedIn 검색에서 일어난다).
+- 한 회사 다중 역할은 회사를 한 번 적고 역할을 들여쓰기로 묶는다(umbrella method).
+
+### Don't
+
+- 이력서 본문에 표·다단/좌우 병렬·텍스트박스를 쓰지 마라.
+- 연락처·스킬·키워드를 헤더/푸터나 이미지/그래픽 안에 넣지 마라.
+- 표준 헤더 대신 창의적 섹션명('What I've Done', 'My Story')을 쓰지 마라.
+- 선택 가능한 텍스트 레이어가 없는 스캔/이미지 PDF를 제출하지 마라.
+- 키워드 스터핑·부자연스러운 반복·흰색/투명/1pt 숨김 텍스트로 점수를 조작하지 마라.
+- 후보가 뒷받침 못 하는 스킬/키워드를 발명·과장하지 마라(사람이 파싱 텍스트를 읽고 거른다).
+- 그래픽·아이콘·평점 바·스킬 퍼센트 차트로 정보를 전달하지 마라.
+- 높은 'match score'가 면접을 보장한다고, 또는 ATS가 점수로 자동 탈락시킨다고 가정하지 마라 — 진짜 게이트는 knockout 문항·사람 검토·(대량채용의) AI 랭킹이다.
+- 고정된 'PDF=자동거부' 신화를 믿지 마라 — 플랫폼 조건부다.
+- 모든 약어를 기계적으로 풀어쓰지 마라(AWS/SQL/CPA 등 표준 약어는 그대로).
+- 날짜를 문단 안에 묻거나 생략하지 마라 — 파서가 타임라인을 만들 수 없다.
+
+### 워크드 예시 (Before → After)
+
+1. **Before:** SKILLS 섹션을 3열 표로 작성
+   `| Languages | Frameworks | Tools |` / `| Python | Django | Docker |` / `| Go | React | AWS |`
+   **After:**
+   `Skills`
+   `Languages: Python, Go`
+   `Frameworks: Django, React`
+   `Tools: Docker, AWS`
+   **왜 더 나은가:** 파서가 표를 가로로 읽어 'Languages Frameworks Tools Python Django Docker...'처럼 뒤섞으면 그룹핑이 깨진다. 단일 컬럼 쉼표 목록은 각 용어를 깨끗한 줄에 둬 'Python'·'React'·'AWS'가 각각 인덱싱되고 검색에 노출된다.
+
+2. **Before:** 페이지 헤더 영역(.docx page-header)에 'Jane Park — jane@email.com — 010-1234-5678', 본문은 'PROFILE'로 시작.
+   **After:** 본문 1행 'Jane Park', 2행 'Seoul, South Korea | jane@email.com | 010-1234-5678', 3행 헤딩 'Summary'.
+   **왜 더 나은가:** 헤더 영역 연락처는 **일부 파서**가 건너뛰어 리크루터가 연락 수단 없는 이력서를 받고 자동완성이 비는 실패가 실재한다. 본문 plain text로 옮기면 어느 파서에서도 추출이 보장된다. 'PROFILE'도 표준 'Summary'로 정규화했다.
+
+3. **Before:** Experience 불릿 'Led cross-functional initiatives to improve discoverability of our content.' (JD는 'SEO'·'Google Analytics' 요구)
+   **After:** 'Led Search Engine Optimization (SEO) initiatives using Google Analytics, lifting organic traffic 38% in 6 months.'
+   **왜 더 나은가:** 원문엔 JD 정확 문자열 'SEO'·'Google Analytics'가 없어 boolean 검색에서 자격 있는 후보가 누락된다. 재작성은 정확 용어(모호한 SEO는 확장형 동반)와 구체 수치를 동시에 넣어 파서/검색과 사람 독자를 모두 만족시키되, 실제 한 일이라 날조가 아니다. **이 불릿이 최근 역할에 있을수록 가중치가 높다**(§R4 recency 신호 참조).
+
+## 3. 검증 루브릭 (연결된 AI가 산출물을 이 기준으로 자가검증)
+
+> **책임 경계:** CareerMate는 **결정론적 측정**(개수·존재여부·패턴·비율)만 한다. **무엇이 JD 핵심 용어인가, 약어가 모호한가, 직함이 진실한가, JD가 어떤 hard requirement를 명시하는가**의 **판단은 외부 AI**가 jd_terms·knockouts 등으로 미리 제공해야 한다. 아래 임계값(0.70, ≤4회 등)은 **발명된 magic number가 아니라 권장 출발점**이며, AI가 JD/문서 길이/역할 수에 맞게 조정한다. 일부 체크는 **자문(advisory)** 이지 하드 게이트가 아니다.
+
+| ID | 검사 항목 | 합격 기준 | 측정 방법(LLM 없이 셀 수 있게) |
+|----|-----------|-----------|--------------------------------|
+| R1 | 단일 컬럼 | 표/텍스트박스 구조 0개 | **.docx 원본에서만 신뢰**: `w:tbl`·`w:txbxContent` XML 요소 카운트 == 0. **PDF는 컬럼 검출 불가** — x-좌표 위치 정보 없이는 신뢰 불가하므로 '검출 불가, 사용자 경고'로 정직히 강등. 텍스트 공백-갭 휴리스틱은 약한 보조 신호로만(거짓양성: 우측 정렬 날짜줄). |
+| R2 | 표준 헤더 | {Summary/Profile, Skills, Experience, Education, Certifications} 중 ≥3 존재, 그 자리에 비표준 헤딩 0 | 추출 텍스트를 표준 헤딩 화이트리스트와 대소문자 무시 substring 매칭, 카운트(≥3)하고 화이트리스트 밖 헤딩 줄 플래그. 순수 문자열 매칭. |
+| R3 | 본문 연락처 | 이메일·전화 정규식이 본문에서 각각 ≥1 | 본문 추출 텍스트에 이메일 `[\w.+-]+@[\w-]+\.[\w.-]+` ≥1, 전화 숫자 패턴 ≥1. **.docx는 헤더/푸터 XML에 *only* 존재하는 경우(중복 아님)를 직접 겨냥해 플래그**; PDF는 헤더/본문 구분 불가라 본문 매치만 확인. |
+| R4 | JD 키워드 커버리지 + recency | must-have 용어 커버리지 비율 ≥ 0.70(권장 출발점, AI 조정). **+ 최근 역할 배치 가중** | jd_terms[]는 **외부 AI가 추출·정규화**(lowercase, 구두점 제거, '.js'/'js' fold, 단·복수 dedupe, 동의어 묶음)해 제공. CareerMate는 정규화된 용어를 substring이 아니라 **토큰 경계 매칭**으로 카운트(raw substring은 'Java'⊂'JavaScript', 'lead'⊂'leadership' 거짓양성 유발 → 금지). 추가로 **각 용어가 최근(상단) 역할에 있는지** 위치 플래그를 반환해 AI가 recency 가중. |
+| R5 | 약어 확장 (**advisory**) | 모호한 약어만: 확장형 동반 권장. 업계 표준 약어 화이트리스트(AWS/SQL/API/REST/SaaS/GCP/CPA/PhD/CEO/USA 등) **면제**. 월 약어·고유명사 면제 | 대문자 토큰 정규식 추출 후 **표준 약어 화이트리스트·월 약어를 먼저 제외**, 남은 모호 후보만 'long form (ABC)' 페어링 존재 확인. **하드 게이트 아님 — 자문**. (AI가 모호성 판단) |
+| R6 | 날짜·테뉴어 무결성 | 모든 역할 항목에 파싱 가능한 날짜 범위 + 순서 일관 + 겹침/공백 없음 | 영문 `(Jan|...|\d{4})\s*[–-]\s*(Present|\d{4})` **또는 한국어 `\d{4}\.\d{2}\s*[~–-]\s*(현재|재직중|\d{4})`** 로 로케일 분기. 역할 헤딩 수 대비 비율 1.0. 추가로 날짜를 정렬해 **겹침/공백 구간을 카운트**(>0이면 사람 스크리닝 유발 가능 플래그). |
+| R7 | 파일 텍스트 레이어 | 추출 텍스트 길이 > 300자, 형식 .docx 또는 text-PDF(이미지-PDF 아님) | `read_document`로 추출 후 글자수 측정. PDF인데 near-zero면 이미지-only → fail. 카운트 체크. |
+| R8 | 스터핑·숨김 텍스트 | 핵심 용어 반복이 **문서 길이/역할 수 정규화** 상한 이내, 숨김 텍스트 런 0 | 용어별 occurrence 카운트를 **역할 수·페이지 수로 정규화**(2페이지 시니어 이력서는 핵심 언어 6–8회가 정상 → 고정 4회 상한 금지). 숨김 검출은 `w:color val='FFFFFF'`뿐 아니라 **폰트색==배경색·≤1pt 폰트·텍스트=배경이미지** 케이스까지 스캔(FFFFFF만 보면 회피 쉬움). 커버리지 한계는 정직히 고지. |
+| R9 | knockout 프리플라이트 (3-state) | JD 명시 hard requirement **각각 × 후보 프로필 사실 = 매치/미스매치/불명** 매트릭스 존재. 빈 헤더만으로는 불합격 | JD hard requirement 추출(visa/degree/location/years/salary)은 **외부 AI 판단**(자기기만 방지: 존재≠정확). knockout 답은 **CareerMate 프로필 데이터**의 사실(시민권/비자/학위)에서 와야 함. CareerMate는 각 항목이 (a) JD에 명시됐고 (b) 프로필 사실과 대조됐고 (c) 3-state 중 하나로 라벨됐는지 **구조 존재**를 카운트. **LLM 의존 단계임을 명시**. |
+| R10 | 직함 정렬 (**advisory**) | JD 핵심 직함 구(또는 진실한 동의어)가 헤드라인/최근 역할줄에 등장 | JD 직함 토큰을 상단 헤드라인/첫 역할줄에 substring 매칭. **단 '진실성'은 검증 불가 — AI/사람 판단**. 한국식 직급↔영문 충돌도 AI 판단. 하드 게이트 아님. |
+
+**주요 실패 모드:**
+- **substring 거짓양성/거짓음성:** raw substring 매칭은 'Java'⊂'JavaScript', 'lead'⊂'leadership'를 오매칭한다. 토큰 경계 + 외부 AI 정규화·동의어 묶음으로만 막을 수 있다(R4).
+- **PDF 컬럼 검출 환상:** 텍스트 추출이 컬럼을 단일 스트림으로 reflow하면 진짜 문제가 숨는다. PDF는 '검출 불가, 경고'로 정직히 강등한다(R1).
+- **약어 오탐 폭탄:** 모든 대문자 토큰에 확장형을 요구하면 AWS/SQL/CEO/월약어가 전부 fail한다 → 화이트리스트 면제 + advisory(R5).
+- **knockout 자기기만:** 빈 헤더만 써넣어도 '존재'로 통과 + JD 텍스트만으로는 mismatch 판정 불가 → 프로필 사실 대조 3-state 강제(R9).
+- **로케일 미대응:** 영문 'MMM YYYY'·'Present'·'FFFFFF 흰배경' 가정은 한국어 이력서·색배경 디자인을 100% 오판한다 → 로케일 분기(R6)·다중 숨김 케이스(R8).
+- **magic number 과신:** 0.70·≤4회는 출발점이지 법칙이 아니다. AI가 JD/문서 길이로 조정한다.
+- **루브릭 자체의 정밀도 미검증:** 이 결정론 루브릭이 깨끗한 이력서를 오탈락시키지 않는지 보장하려면 **소규모 라벨드 픽스처 세트**(예: 손으로 채점한 known-good 이력서 10건)로 회귀 검증이 필요하다 — Phase B 과제로 명시.
+- **결과 오인:** 루브릭 만점은 **파싱가능성·검색노출의 필요조건 점검**일 뿐 합격/면접 예측이 아니다. 추천·다이렉트소싱·소규모 기업은 ATS와 무관하게 진행되며, 만점이어도 knockout·사람·AI 랭킹에서 떨어질 수 있다.
+
+## 4. 출처 (Provenance)
+
+> **증거 한계 고지:** 핵심 파싱 주장은 Jobscan(ATS 최적화 도구를 파는 벤더 — 파싱 취약성 과장 인센티브)과 대학 커리어센터(상호 인용·수년 지연)에 기댄다. 일화 1건('디자인 이력서가 work-experience만 파싱')과 가이드 다수가 근거이며, '헤더/푸터를 실제로 무시하는 ATS 비율'·'단일 vs 멀티컬럼 파싱 실패율' 같은 **정량 효과(effect size)는 미검증**이다. 1차 파서 벤더(Sovren/Textkernel/HireAbility/Affinda) 또는 각 ATS 자체 help docs가 파싱 동작의 권위 있는 출처이나 본 플레이북에는 미반영 — **규칙 영향도는 ATS 벤더·버전별로 다르며 정량 효과는 미검증**임을 전제로 적용하라.
+
+- **Jobscan — Why ATS Tables and Columns Break Your Resume Parsing (2026)** — 선형 파싱, 표/다단 word-salad 실패, 세로바/쉼표/불릿 대안, umbrella method · https://www.jobscan.co/blog/resume-tables-columns-ats/ _(벤더, 상업적 편향 가능)_
+- **Jobscan — 5 Critical ATS Resume Formatting Mistakes (2026)** — 헤더/푸터·텍스트박스 누락(일부·구형 한정으로 해석), 본문 연락처, 단일컬럼/폰트/마진 기본값 · https://www.jobscan.co/blog/ats-formatting-mistakes/ _(벤더)_
+- **UVA / Santa Clara / U. Maryland / U. Utah / UMN Duluth Career Center ATS guides** — 표준 헤딩, 역연대순, .docx/PDF 수용, plain 불릿, 10–12pt 폰트(다수 대학 교차 확인) · https://www.scu.edu/careercenter/toolkit/job-scan-common-ats-resume-formatting-mistakes/ _(상호 인용 가능, 지연 가능)_
+- **Indeed Career Advice — How To Write an ATS Resume** — 보편 표준 섹션(Work Experience/Education/Skills/Certifications)과 템플릿 구조 · https://www.indeed.com/career-advice/resumes-cover-letters/ats-resume-template
+- **Teal — Resume Keywords / Scale.jobs — Match Keywords** — exact-match 우선, JD 미러링, 약어+확장(좁게), 자연스러운 배치, 스터핑 회피 · https://www.tealhq.com/post/keywords-for-resume
+- **The Interview Guys — ATS Resume Hack & What ATS Looks For** — knockout/사전 스크리닝이 진짜 자동 부적격기, 직함 정렬 · https://blog.theinterviewguys.com/ats-resume-hack/
+- **Huntr — How Applicant Tracking Systems Actually Work (2026)** — 플랫폼별 knockout 동작(Workday/Greenhouse/Taleo/iCIMS/Workable), URL로 ATS 식별, Workday 재입력 현실 · https://huntr.co/blog/how-applicant-tracking-systems-work
+- **The Tech Resume — ATS Myths Busted** — 'PDF 거부'·'점수 자동탈락' 신화 반박(단, 대량채용 AI 랭킹은 별개), 파싱→boolean/자동완성·사람이 거름(Amazon/Google/Microsoft 리크루터 인용) · https://thetechresume.com/samples/ats-myths-busted.html _(단일 강주장 출처 — 과의존 주의)_
+- **시맨틱/임베딩 매칭 동향 (Eightfold / HiredScore / Workday Skills Cloud, 2026)** — 일부 최신 ATS가 stemming·동의어·임베딩 시맨틱 매칭·AI 랭킹/숏리스트를 실제 운용 → exact-match 단독 가정 보정 _(2차 동향, 정량 미검증)_
+- **Wikipedia — Applicant Tracking System** — ATS의 일반 정의·생태계 프레이밍(운영 디테일은 근거하지 않음) · https://en.wikipedia.org/wiki/Applicant_tracking_system
+
+## 5. Phase B 힌트 (아키텍처로 연결)
+
+- **MCP 도구 아이디어:**
+  - `get_ats_checklist` — principles·do/don't·countable rubricChecks를 구조화 JSON으로 반환(AI가 작성 중 적용).
+  - `analyze_ats_fit({ resume_id, job_id })` — **LLM 없이 계산 가능한 raw 결정론 신호**만 반환: 추출 텍스트, 탐지 헤더, .docx의 `w:tbl`/`w:txbxContent` 카운트, 텍스트레이어 길이, 본문 연락처 매치, 로케일 분기 날짜·겹침/공백, jd_terms 커버리지 맵, 숨김 텍스트 후보. **jd_terms 추출·정규화·동의어 묶음과 knockout hard-requirement 추출은 호출하는 AI가 입력으로 제공**(CareerMate는 카운팅만). 결과를 `save_fit_analysis`에 연결.
+  - (Phase B 과제) **fixture 회귀 세트** — known-good 이력서 ~10건을 손 채점해 루브릭이 깨끗한 이력서를 오탈락시키지 않는지 정밀도/재현율 측정.
+- **데이터 형태 힌트:**
+  - `ats_checklist: { principles:[{rule,rationale,source}], rubricChecks:[{id,check,passBar,measure,advisory:bool,llm_dependent:bool}] }`
+  - `ats_signals: { file_type:'docx'|'pdf_text'|'pdf_image', locale:'en'|'ko', text_len:int, table_count:int, textbox_count:int, columns_detectable:bool, headers_found:string[], contact:{email:bool,phone:bool,in_body:bool,header_only:bool}, dates_ok_ratio:float, tenure_overlaps:int, tenure_gaps:int, jd_terms:[{term,normalized,required:bool,found:bool,in_recent_role:bool}], coverage_ratio:float, acronyms:[{token,expansion_found:bool,whitelisted:bool}], hidden_text_runs:int, knockouts:[{type:'visa'|'degree'|'location'|'salary'|'years', jd_value:string|null, profile_value:string|null, state:'match'|'mismatch'|'unknown'}], ats_platform:'greenhouse'|'workday'|'lever'|'taleo'|'icims'|'unknown' }`
+  - 각 rubric 체크가 ats_signals 필드와 1:1 매핑돼 AI가 결정론 pass/fail 표를 렌더(R5/R10은 advisory, R9는 llm_dependent 라벨). CareerMate=측정, AI=판단의 책임 분리를 구조로 강제.

package/docs/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/docs/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.