claude-code-arcane 1.3.0 → 2.0.0

package/skills/cv-ats-export/scripts/verify_pdf.py

@@ -0,0 +1,90 @@
+"""
+verify_pdf.py — Verify that an exported PDF is ATS-compliant.
+
+Checks that the PDF has an extractable text layer (not an image), the
+expected page count, and that given strings (name, email) survived the
+export. Adapted from tools/verify_pdf.py of MadsLorentzen/ai-job-search,
+replacing poppler (pdftotext/pdfinfo) with pypdf so it runs on Windows
+without external binaries.
+
+Usage:
+    python verify_pdf.py <pdf> [--pages N] [--max-pages N] [--min-chars N]
+                               [--contains TEXT ...]
+
+Example:
+    python verify_pdf.py "career-workspace/02-CVs/exports/Backend.pdf" \
+        --min-chars 200 --contains "Jane Doe"
+
+Exit code 0 if all checks pass, 1 if any check fails, 2 if pypdf is missing.
+"""
+
+import argparse
+import sys
+from pathlib import Path
+
+
+def extract_text(pdf_path):
+    """Return (page_count, normalized_text) of the PDF."""
+    from pypdf import PdfReader
+
+    reader = PdfReader(str(pdf_path))
+    text = "\n".join(page.extract_text() or "" for page in reader.pages)
+    return len(reader.pages), " ".join(text.split())
+
+
+def verify(pdf_path, pages=None, min_chars=1, contains=(), max_pages=None):
+    """Return a list of problems (empty = PDF OK). Raises ImportError without pypdf."""
+    pdf_path = Path(pdf_path)
+    if not pdf_path.exists():
+        return [f"does not exist: {pdf_path}"]
+
+    n_pages, text = extract_text(pdf_path)
+    problems = []
+
+    if pages is not None and n_pages != pages:
+        problems.append(f"has {n_pages} pages (expected {pages})")
+    if max_pages is not None and n_pages > max_pages:
+        problems.append(f"has {n_pages} pages (ideally 1-{max_pages} for a CV)")
+    if len(text) < min_chars:
+        problems.append(
+            f"text layer has {len(text)} extractable chars (minimum {min_chars}); "
+            "likely an image-only PDF that an ATS cannot read"
+        )
+    for needle in contains:
+        if " ".join(needle.split()).lower() not in text.lower():
+            problems.append(f'missing required text: "{needle}"')
+
+    return problems
+
+
+def main():
+    ap = argparse.ArgumentParser(description="Verify the ATS text layer of a PDF.")
+    ap.add_argument("pdf", help="path to the PDF")
+    ap.add_argument("--pages", type=int, default=None, help="expected page count")
+    ap.add_argument("--min-chars", type=int, default=1, help="minimum extractable chars")
+    ap.add_argument("--max-pages", type=int, default=None, help="warn above N pages")
+    ap.add_argument(
+        "--contains", action="append", default=[], metavar="TEXT",
+        help="string that must appear in the text (repeatable)",
+    )
+    args = ap.parse_args()
+
+    try:
+        problems = verify(
+            args.pdf, args.pages, args.min_chars, args.contains, args.max_pages
+        )
+    except ImportError:
+        print("[ERROR] pypdf is missing. Install with: pip install pypdf")
+        sys.exit(2)
+
+    name = Path(args.pdf).name
+    if problems:
+        for p in problems:
+            print(f"[FAIL] {name}: {p}")
+        sys.exit(1)
+    print(f"[OK] {name}: ATS text layer verified")
+    sys.exit(0)
+
+
+if __name__ == "__main__":
+    main()

package/skills/cv-tailor/SKILL.md

@@ -7,9 +7,9 @@ user-invocable: true
 allowed-tools: Read, Glob, Grep, Write, Edit, WebFetch
 ---
 
-# CV Tailor — Adaptar el CV a la oferta
+# CV Tailor - Adaptar el CV a la oferta
 
-Tomás un job description y el perfil base del usuario, y producís un **CV custom** que matchea con los filtros automáticos (ATS) y con la lectura humana del hiring manager. No reescribís la verdad — la reorganizás y la traducís al vocabulario de la oferta.
+Tomás un job description y el perfil base del usuario, y producís un **CV custom** que matchea con los filtros automáticos (ATS) y con la lectura humana del hiring manager. No reescribís la verdad - la reorganizás y la traducís al vocabulario de la oferta.
 
 ## Inputs
 
@@ -20,7 +20,7 @@ Tomás un job description y el perfil base del usuario, y producís un **CV cust
 ## Proceso
 
 ### 1. Analizar la oferta
-- Extraer **keywords literales** del JD: tecnologías, metodologías, responsabilidades, soft skills, seniority. Literal importa — el ATS hace matching de strings (ej: si piden "React.js" no asumas que "React" matchea igual).
+- Extraer **keywords literales** del JD: tecnologías, metodologías, responsabilidades, soft skills, seniority. Literal importa - el ATS hace matching de strings (ej: si piden "React.js" no asumas que "React" matchea igual).
 - Detectar **must-have vs nice-to-have**.
 - Detectar **señales de cultura / ángulo** (startup vs enterprise, code-forward, ownership, etc.).
 - Ver `references/ats-keywords.md` para cómo extraer y mapear keywords.
@@ -38,17 +38,17 @@ Tomás un job description y el perfil base del usuario, y producís un **CV cust
 ### 4. Score before/after
 - Calcular un **match rate** aproximado: % de keywords/requisitos del JD presentes en el CV, **antes** vs **después** del tailoring.
 - Reportar el delta ("match 48% → 81%") y qué keywords se cubrieron.
-- **Flag de keyword stuffing:** marcar cualquier inserción que a un revisor humano le suene forzada o poco natural — el objetivo es pasar el ATS *y* leer bien para una persona.
+- **Flag de keyword stuffing:** marcar cualquier inserción que a un revisor humano le suene forzada o poco natural - el objetivo es pasar el ATS *y* leer bien para una persona.
 
 ### 5. Producir el CV custom
 - Crear/actualizar la nota en `02-CVs/CV - <Empresa> - <Rol>.md` usando el template `CV Custom` (`Templates/CV Custom.md`).
 - Completar frontmatter (`perfil_base`, `aplicacion`, `empresa`, `archivo_pdf`).
-- Documentar las decisiones (keywords, qué se resaltó/bajó) en las secciones del template — sirve para la entrevista y para iterar.
+- Documentar las decisiones (keywords, qué se resaltó/bajó) en las secciones del template - sirve para la entrevista y para iterar.
 - El cuerpo del CV en sí debe quedar listo para `/cv-ats-export` (markdown limpio: `# nombre`, `## secciones`, bullets, `---`).
 
 ## Formato del CV (ATS-friendly)
 
-- **Una columna.** Sin tablas, sin cajas de texto, sin columnas — los ATS las leen mal.
+- **Una columna.** Sin tablas, sin cajas de texto, sin columnas - los ATS las leen mal.
 - Secciones estándar con headers claros: Summary, Experience, Skills, Projects, Education.
 - Fechas consistentes (MM/YYYY).
 - Sin gráficos ni imágenes para el contenido crítico.
@@ -62,7 +62,7 @@ CV en **inglés** para roles internacionales/remotos globales; **español** si l
 
 - Nunca inventar experiencia, fechas o métricas. Tailoring = reorganizar y traducir, no mentir.
 - No keyword-stuffing: cada keyword debe vivir en un bullet verdadero.
-- Un CV custom por postulación — no pisar el perfil base ni el maestro.
+- Un CV custom por postulación - no pisar el perfil base ni el maestro.
 - Después de generar el `.md`, recordar al usuario correr `/cv-ats-export` para el PDF.
 
 ## Handoff

package/skills/cv-tailor/references/ats-keywords.md

@@ -1,4 +1,4 @@
-# ATS Keywords — Cómo extraer y mapear
+# ATS Keywords - Cómo extraer y mapear
 
 Los Applicant Tracking Systems (Greenhouse, Lever, Workday, Workable, etc.) hacen un primer filtro automático antes de que un humano vea el CV. Entender cómo "leen" cambia el resultado.
 
@@ -11,12 +11,12 @@ Los Applicant Tracking Systems (Greenhouse, Lever, Workday, Workable, etc.) hace
 
 ## Extracción de keywords del JD
 
-1. **Hard skills / tecnologías** — lenguajes, frameworks, DBs, cloud, herramientas. Copiá la forma **literal** (React.js ≠ React ≠ ReactJS para un match exacto; cuando puedas, incluí la variante que usa la oferta).
-2. **Responsabilidades / verbos** — "design REST APIs", "lead a team", "CI/CD pipelines".
-3. **Metodologías** — Agile, Scrum, TDD, clean architecture.
-4. **Seniority y años** — "5+ years", "senior", "lead".
-5. **Soft skills explícitos** — communication, ownership, cross-functional.
-6. **Señales de cultura / frases gatillo** — ej. "code-forward", "startup mentality", "high autonomy". Suelen indicar qué valoran y dan ángulo para el summary y la cover letter.
+1. **Hard skills / tecnologías** - lenguajes, frameworks, DBs, cloud, herramientas. Copiá la forma **literal** (React.js ≠ React ≠ ReactJS para un match exacto; cuando puedas, incluí la variante que usa la oferta).
+2. **Responsabilidades / verbos** - "design REST APIs", "lead a team", "CI/CD pipelines".
+3. **Metodologías** - Agile, Scrum, TDD, clean architecture.
+4. **Seniority y años** - "5+ years", "senior", "lead".
+5. **Soft skills explícitos** - communication, ownership, cross-functional.
+6. **Señales de cultura / frases gatillo** - ej. "code-forward", "startup mentality", "high autonomy". Suelen indicar qué valoran y dan ángulo para el summary y la cover letter.
 
 ## Mapeo contra el perfil
 
@@ -24,7 +24,7 @@ Los Applicant Tracking Systems (Greenhouse, Lever, Workday, Workable, etc.) hace
 |---|---|---|---|
 | React.js | Sí | "Built React + TS frontends @ X" | resaltar arriba |
 | Kubernetes | Parcial | exposición en CI/CD | mencionar honesto |
-| Go | No | — | gap; no inventar |
+| Go | No | - | gap; no inventar |
 
 - **Must-have que tenés** → arriba, con espacio, con la palabra exacta.
 - **Must-have parcial** → mencionar con honestidad ("exposure to…").
@@ -41,6 +41,6 @@ Los Applicant Tracking Systems (Greenhouse, Lever, Workday, Workable, etc.) hace
 - [ ] Una sola columna, sin tablas/text boxes.
 - [ ] Headers de sección estándar (Experience, Skills, Education…).
 - [ ] Fechas consistentes MM/YYYY.
-- [ ] Texto seleccionable (no imagen) — el export de `/cv-ats-export` ya lo garantiza.
+- [ ] Texto seleccionable (no imagen) - el export de `/cv-ats-export` ya lo garantiza.
 - [ ] Nombre del archivo profesional (`Nombre_Apellido_Empresa.pdf`).
 - [ ] Contacto en el cuerpo, no en el header/footer del documento.

package/skills/interview-prep/SKILL.md

@@ -7,14 +7,14 @@ user-invocable: true
 allowed-tools: Read, Glob, Grep, Write, Edit, WebFetch
 ---
 
-# Interview Prep — Preparación de entrevista
+# Interview Prep - Preparación de entrevista
 
 Preparás al usuario para una entrevista concreta: research de la empresa, banco de preguntas probable según rol y ronda, respuestas **STAR** construidas desde su experiencia real, preguntas inteligentes para hacer, y red flags a detectar. El output queda en una nota de `06-Entrevistas/`.
 
 ## Inputs
 
 - **Aplicación / empresa / rol** (`03-Aplicaciones/`, `04-Empresas/`) y la **ronda** (recruiter screen, técnica, system design, hiring manager, cultural, final).
-- **Perfil maestro** (`01-Perfiles/`) — de ahí salen las historias para las respuestas STAR.
+- **Perfil maestro** (`01-Perfiles/`) - de ahí salen las historias para las respuestas STAR.
 - **Entrevistadores** si se conocen (research de background ayuda).
 
 ## Qué producís
@@ -28,19 +28,19 @@ Preparás al usuario para una entrevista concreta: research de la empresa, banco
 
 ### 2. Banco de preguntas por ronda
 - **Recruiter screen:** motivación, expectativas salariales, disponibilidad, "contame de vos".
-- **Técnica:** según stack del JD — fundamentos, problemas, debugging, code review.
+- **Técnica:** según stack del JD - fundamentos, problemas, debugging, code review.
 - **System design** (si aplica): patrones, trade-offs, escala.
 - **Hiring manager / comportamiento:** liderazgo, conflicto, fracaso, impacto.
 - **Cultural:** valores, formas de trabajo, por qué esta empresa.
-- Marcar las **3–5 más probables** para este rol específico.
+- Marcar las **3-5 más probables** para este rol específico.
 
 ### 3. Respuestas STAR
 - Construir respuestas con el método **STAR** (Situación, Tarea, Acción, Resultado) usando logros reales del perfil maestro.
-- Cada respuesta: concreta, con métrica, 60–90 segundos hablada.
+- Cada respuesta: concreta, con métrica, 60-90 segundos hablada.
 - Ver `references/star-framework.md`.
 
 ### 4. Preguntas para hacer
-- 5–7 preguntas inteligentes que demuestran research y filtran si la empresa te conviene (equipo, expectativas de los primeros 90 días, cómo miden éxito, deuda técnica, proceso).
+- 5-7 preguntas inteligentes que demuestran research y filtran si la empresa te conviene (equipo, expectativas de los primeros 90 días, cómo miden éxito, deuda técnica, proceso).
 
 ### 5. Red flags a detectar
 - Señales de mala empresa/equipo durante la entrevista (proceso caótico, evasión sobre cultura/turnover, expectativas irreales, falta de claridad de rol, hostilidad).
@@ -56,7 +56,7 @@ Preparás al usuario para una entrevista concreta: research de la empresa, banco
 
 1. Leer aplicación + empresa + perfil. WebFetch del sitio/notas de la empresa.
 2. Crear nota en `06-Entrevistas/` con el template `Entrevista`.
-3. Llenar research, banco de preguntas (marcando las top), STAR de las 3–5 historias clave, preguntas a hacer, red flags.
+3. Llenar research, banco de preguntas (marcando las top), STAR de las 3-5 historias clave, preguntas a hacer, red flags.
 4. Ofrecer un **mock**: vos hacés de entrevistador y das feedback sobre las respuestas.
 5. Post-entrevista: ayudar a registrar feedback y definir próximo paso / follow-up (con `/cold-outreach`).
 

package/skills/interview-prep/references/star-framework.md

@@ -1,15 +1,15 @@
-# STAR Framework — Respuestas de comportamiento
+# STAR Framework - Respuestas de comportamiento
 
 STAR estructura respuestas a preguntas de comportamiento ("contame de una vez que…") para que sean concretas, completas y memorables. La mayoría de los candidatos divaga; STAR te da una historia con resultado.
 
 ## Las 4 partes
 
-- **S — Situación:** el contexto, breve. Dónde, cuándo, qué estaba pasando. (1–2 oraciones)
-- **T — Tarea:** tu responsabilidad / el problema a resolver. (1 oración)
-- **A — Acción:** qué hiciste *vos* (no "el equipo"). El grueso de la respuesta. Decisiones concretas. (2–4 oraciones)
-- **R — Resultado:** el impacto, **con número** siempre que se pueda. Qué aprendiste. (1–2 oraciones)
+- **S - Situación:** el contexto, breve. Dónde, cuándo, qué estaba pasando. (1-2 oraciones)
+- **T - Tarea:** tu responsabilidad / el problema a resolver. (1 oración)
+- **A - Acción:** qué hiciste *vos* (no "el equipo"). El grueso de la respuesta. Decisiones concretas. (2-4 oraciones)
+- **R - Resultado:** el impacto, **con número** siempre que se pueda. Qué aprendiste. (1-2 oraciones)
 
-Objetivo: 60–90 segundos hablado. Ni telegrama, ni monólogo de 5 minutos.
+Objetivo: 60-90 segundos hablado. Ni telegrama, ni monólogo de 5 minutos.
 
 ## Ejemplo
 
@@ -20,9 +20,9 @@ Objetivo: 60–90 segundos hablado. Ni telegrama, ni monólogo de 5 minutos.
 > **A:** Perfilé el hot path, encontré queries N+1 y serialización redundante; introduje caching por sesión y batch de writes, y agregué métricas para validar.
 > **R:** Latencia -25% y estabilidad del server +40%; duplicamos jugadores concurrentes sin sumar costos. Aprendí a medir antes de optimizar.
 
-## Banco de historias (preparar 5–6)
+## Banco de historias (preparar 5-6)
 
-Construí 5–6 historias STAR reutilizables desde el perfil maestro, cubriendo:
+Construí 5-6 historias STAR reutilizables desde el perfil maestro, cubriendo:
 
 1. **Logro/impacto** del que estés orgulloso (con métrica).
 2. **Problema técnico difícil** que resolviste.
@@ -31,11 +31,11 @@ Construí 5–6 historias STAR reutilizables desde el perfil maestro, cubriendo:
 5. **Liderazgo / iniciativa** (lideraste algo, mentoreaste, empujaste un cambio).
 6. **Ambigüedad / cambio de prioridades** que manejaste.
 
-La misma historia puede servir para varias preguntas — lo que cambia es qué parte enfatizás.
+La misma historia puede servir para varias preguntas - lo que cambia es qué parte enfatizás.
 
 ## Errores comunes
 
-- Quedarse en "nosotros" — la entrevista evalúa *tu* aporte. Decí "yo".
+- Quedarse en "nosotros" - la entrevista evalúa *tu* aporte. Decí "yo".
 - Saltearse el Resultado, o un resultado sin número.
 - Demasiada Situación, poca Acción.
 - Historias vagas/inventadas que no aguantan repreguntas.

package/skills/inventory-stock/SKILL.md

@@ -0,0 +1,86 @@
+---
+name: inventory-stock
+description: "Design inventory and stock control — availability tracking, optimistic locking to prevent overselling, reservations, multi-location, backorders, and restock forecasting. Includes a safety-stock/reorder-point calculator. Triggers: designing inventory, fixing overselling, forecasting restock."
+argument-hint: "[design | forecast | audit]"
+category: "ecommerce"
+user-invocable: true
+allowed-tools: Read, Glob, Grep, Bash
+---
+
+# Inventory & Stock
+
+Stock is where data integrity meets revenue: oversell and you lose trust, over-reserve and you lose sales. Design availability that is correct under concurrency and forecast restocks from real demand — platform-agnostic.
+
+## Before Starting
+
+Gather: inventory model (single vs multi-location), sales velocity and lead times, fulfillment style (own stock, dropship, backorder), and goal (design the model, forecast restock, or audit for oversell risk).
+
+## How This Skill Works
+
+| Mode | Trigger | Output |
+|------|---------|--------|
+| **Design** | `design` | Availability model + concurrency strategy |
+| **Forecast** | `forecast` | Safety stock + reorder points (via script) |
+| **Audit** | `audit` | Oversell-risk and accuracy review |
+
+---
+
+## Phase 1 — Availability Model
+
+Track three numbers per SKU per location, never one:
+
+| Quantity | Meaning |
+|----------|---------|
+| **on_hand** | Physically present |
+| **reserved** | Allocated to unfulfilled orders/checkouts |
+| **available** | `on_hand − reserved` — the only number a shopper sees |
+
+**Rule:** Reserve at checkout start with a TTL; release on timeout/abandonment. Decrement `on_hand` at fulfillment, not at order placement.
+
+---
+
+## Phase 2 — Preventing Overselling
+
+The classic race: two shoppers buy the last unit. Defenses, in order of preference:
+
+1. **Optimistic locking** — version/row check on decrement; retry on conflict. Default choice.
+2. **Atomic conditional update** — `UPDATE ... WHERE available >= qty` and check rows-affected.
+3. **Pessimistic lock** — only for high-contention single rows; costs throughput.
+
+Always treat "reserve stock" as a transaction that can FAIL and surface that to checkout cleanly. Multi-location adds an allocation step (which location fulfills) before the decrement.
+
+For backorder rules, multi-location allocation strategies, and reservation TTL tuning, see the patterns above and hand off to `order-lifecycle` for fulfillment state.
+
+---
+
+## Phase 3 — Restock Forecasting
+
+Use the script to turn a sales CSV into reorder points:
+
+```bash
+python skills/inventory-stock/scripts/restock_forecast.py            # demo data
+python skills/inventory-stock/scripts/restock_forecast.py sales.csv --lead-time 14 --service-level 0.95
+```
+
+It computes average daily demand, demand variability, **safety stock** (`z × σ_demand × √lead_time`), and **reorder point** (`demand × lead_time + safety_stock`). CSV columns: `sku,date,units_sold`.
+
+---
+
+## Output Artifacts
+
+| Request | Output |
+|---------|--------|
+| Design | Availability model + chosen concurrency strategy |
+| Forecast | Per-SKU reorder point + safety stock table |
+| Audit | Oversell-risk findings: PASS / FAIL per check |
+
+An inventory design **PASSES** when shoppers only see `available`, reservations expire, decrements are atomic/versioned, and forecasts drive reorder points instead of guesswork.
+
+---
+
+## Related Skills
+
+- **commerce-data-model**: defines the SKU/variant that stock hangs off.
+- **order-lifecycle**: consumes reservations and triggers decrements at fulfillment.
+- **cart-checkout**: starts the reservation when checkout begins.
+- **commerce-analytics**: sell-through and turnover metrics that feed forecasts.

package/skills/inventory-stock/scripts/restock_forecast.py

@@ -0,0 +1,173 @@
+"""
+restock_forecast.py — Safety stock & reorder points from a sales history CSV.
+
+Turns daily sales into per-SKU reorder signals using the classic
+reorder-point model. No external dependencies (stdlib only), cross-platform.
+
+Usage:
+    python restock_forecast.py                                  # built-in demo data
+    python restock_forecast.py sales.csv                        # your data, defaults
+    python restock_forecast.py sales.csv --lead-time 14 --service-level 0.95
+    python restock_forecast.py sales.csv --on-hand on_hand.csv  # flag what to reorder
+
+CSV format (header required):
+    sku,date,units_sold
+    ACME-TEE-RED-M,2026-05-01,4
+    ACME-TEE-RED-M,2026-05-02,2
+    ...
+
+Optional on-hand CSV (header required):  sku,on_hand
+
+Model:
+    avg_daily_demand   = mean(units_sold per day)
+    sigma_demand       = stdev(units_sold per day)
+    safety_stock       = z(service_level) * sigma_demand * sqrt(lead_time)
+    reorder_point      = avg_daily_demand * lead_time + safety_stock
+
+When on-hand is provided, a SKU is flagged REORDER when on_hand <= reorder_point.
+"""
+
+import argparse
+import csv
+import math
+import sys
+from collections import defaultdict
+
+
+# Embedded demo data: two SKUs, ~3 weeks of daily sales.
+DEMO_ROWS = [
+    ("ACME-TEE-RED-M", d, u)
+    for d, u in zip(
+        [f"2026-05-{n:02d}" for n in range(1, 22)],
+        [4, 2, 5, 3, 6, 8, 7, 3, 4, 5, 2, 6, 9, 7, 4, 3, 5, 6, 8, 4, 5],
+    )
+] + [
+    ("ACME-MUG-BLUE", d, u)
+    for d, u in zip(
+        [f"2026-05-{n:02d}" for n in range(1, 22)],
+        [1, 0, 2, 1, 1, 3, 2, 0, 1, 1, 0, 2, 1, 2, 1, 0, 1, 2, 3, 1, 1],
+    )
+]
+DEMO_ON_HAND = {"ACME-TEE-RED-M": 40, "ACME-MUG-BLUE": 60}
+
+
+def z_for_service_level(p):
+    """Inverse standard-normal CDF (Acklam's rational approximation)."""
+    if not 0.0 < p < 1.0:
+        raise ValueError("service-level must be between 0 and 1 (exclusive)")
+    a = [-3.969683028665376e+01, 2.209460984245205e+02, -2.759285104469687e+02,
+         1.383577518672690e+02, -3.066479806614716e+01, 2.506628277459239e+00]
+    b = [-5.447609879822406e+01, 1.615858368580409e+02, -1.556989798598866e+02,
+         6.680131188771972e+01, -1.328068155288572e+01]
+    c = [-7.784894002430293e-03, -3.223964580411365e-01, -2.400758277161838e+00,
+         -2.549732539343734e+00, 4.374664141464968e+00, 2.938163982698783e+00]
+    d = [7.784695709041462e-03, 3.224671290700398e-01, 2.445134137142996e+00,
+         3.754408661907416e+00]
+    plow, phigh = 0.02425, 1 - 0.02425
+    if p < plow:
+        q = math.sqrt(-2 * math.log(p))
+        return (((((c[0]*q+c[1])*q+c[2])*q+c[3])*q+c[4])*q+c[5]) / \
+               ((((d[0]*q+d[1])*q+d[2])*q+d[3])*q+1)
+    if p > phigh:
+        q = math.sqrt(-2 * math.log(1 - p))
+        return -(((((c[0]*q+c[1])*q+c[2])*q+c[3])*q+c[4])*q+c[5]) / \
+                ((((d[0]*q+d[1])*q+d[2])*q+d[3])*q+1)
+    q = p - 0.5
+    r = q * q
+    return (((((a[0]*r+a[1])*r+a[2])*r+a[3])*r+a[4])*r+a[5])*q / \
+           (((((b[0]*r+b[1])*r+b[2])*r+b[3])*r+b[4])*r+1)
+
+
+def load_sales(path):
+    rows = []
+    with open(path, newline="", encoding="utf-8") as f:
+        reader = csv.DictReader(f)
+        required = {"sku", "date", "units_sold"}
+        if not required.issubset({c.strip() for c in (reader.fieldnames or [])}):
+            print(f"[ERROR] {path}: header must include sku,date,units_sold")
+            sys.exit(1)
+        for r in reader:
+            try:
+                rows.append((r["sku"].strip(), r["date"].strip(), float(r["units_sold"])))
+            except (KeyError, ValueError):
+                print(f"[WARN] skipping malformed row: {r}")
+    return rows
+
+
+def load_on_hand(path):
+    out = {}
+    with open(path, newline="", encoding="utf-8") as f:
+        for r in csv.DictReader(f):
+            try:
+                out[r["sku"].strip()] = float(r["on_hand"])
+            except (KeyError, ValueError):
+                pass
+    return out
+
+
+def stdev(xs):
+    if len(xs) < 2:
+        return 0.0
+    mean = sum(xs) / len(xs)
+    return math.sqrt(sum((x - mean) ** 2 for x in xs) / (len(xs) - 1))
+
+
+def forecast(rows, lead_time, service_level, on_hand):
+    z = z_for_service_level(service_level)
+    by_sku = defaultdict(list)
+    for sku, _date, units in rows:
+        by_sku[sku].append(units)
+
+    results = []
+    for sku in sorted(by_sku):
+        daily = by_sku[sku]
+        avg = sum(daily) / len(daily)
+        sigma = stdev(daily)
+        safety = z * sigma * math.sqrt(lead_time)
+        rop = avg * lead_time + safety
+        oh = on_hand.get(sku)
+        flag = ""
+        if oh is not None:
+            flag = "REORDER" if oh <= rop else "OK"
+        results.append((sku, avg, sigma, safety, rop, oh, flag))
+    return results
+
+
+def main():
+    ap = argparse.ArgumentParser(description="Safety stock & reorder points from sales CSV.")
+    ap.add_argument("csv", nargs="?", help="sales CSV (sku,date,units_sold). Omit for demo.")
+    ap.add_argument("--lead-time", type=float, default=14, help="supplier lead time in days (default 14)")
+    ap.add_argument("--service-level", type=float, default=0.95, help="0-1 target fill rate (default 0.95)")
+    ap.add_argument("--on-hand", help="optional CSV (sku,on_hand) to flag what to reorder")
+    args = ap.parse_args()
+
+    if args.csv:
+        rows = load_sales(args.csv)
+        on_hand = load_on_hand(args.on_hand) if args.on_hand else {}
+    else:
+        print("[INFO] No CSV given - using built-in demo data.\n")
+        rows = DEMO_ROWS
+        on_hand = DEMO_ON_HAND
+
+    if not rows:
+        print("[ERROR] No sales rows to analyze.")
+        sys.exit(1)
+
+    results = forecast(rows, args.lead_time, args.service_level, on_hand)
+
+    z = z_for_service_level(args.service_level)
+    print(f"Lead time: {args.lead_time:g}d | Service level: {args.service_level:g} (z={z:.2f})\n")
+    header = f"{'SKU':<20} {'avg/day':>8} {'sigma':>7} {'safety':>8} {'reorder_pt':>11} {'on_hand':>8} {'flag':>8}"
+    print(header)
+    print("-" * len(header))
+    for sku, avg, sigma, safety, rop, oh, flag in results:
+        oh_s = f"{oh:g}" if oh is not None else "-"
+        print(f"{sku:<20} {avg:>8.2f} {sigma:>7.2f} {safety:>8.1f} {rop:>11.1f} {oh_s:>8} {flag:>8}")
+
+    reorder = [r for r in results if r[6] == "REORDER"]
+    if on_hand:
+        print(f"\n{'PASS' if not reorder else 'ACTION'}: {len(reorder)} SKU(s) at/below reorder point.")
+
+
+if __name__ == "__main__":
+    main()

package/skills/job-aplicar/SKILL.md

@@ -0,0 +1,88 @@
+---
+name: job-aplicar
+description: "Orchestrate a full job application from a URL or note: fit score, application note, tailored CV, cover letter, fresh-context review and ATS-verified PDF. Sending is always manual. Triggers: aplicar a esta oferta, postularme a, armar la postulacion, pipeline de aplicacion, preparar CV y cover para una oferta, aplicar a este trabajo."
+argument-hint: "<url | nota de aplicación>"
+category: "career"
+user-invocable: true
+allowed-tools: Read, Glob, Grep, Bash, Write, Edit, WebFetch, WebSearch, Task
+---
+
+# /job-aplicar - Pipeline completo de una postulación
+
+Orquesta de punta a punta: evaluar fit → nota de aplicación → CV custom → cover → reviewer → PDF ATS → dashboard. Adaptado del `/apply` de MadsLorentzen/ai-job-search a los skills y reglas de este skillset. **El envío final es siempre manual del usuario; este skill nunca marca `estado: aplicado`** (eso lo registra `/job-outcome` después de enviar).
+
+Argumento: `$ARGUMENTS` (URL de la oferta, o nombre/wikilink de una nota de `03-Aplicaciones/`).
+
+Rutas relativas al career workspace (`--workspace`, env `CAREER_WORKSPACE`, o `./career-workspace/`). Usa los skills `cv-tailor`, `cover-letter` y `cv-ats-export`, la regla `drafter-reviewer` y, si está instalado, los CLIs y el estado de dedup de `job-scrape`.
+
+## Paso 0 - Resolver argumento y detectar re-entrada
+
+- Si es nombre/wikilink: cargar la nota de `03-Aplicaciones/`.
+- Si es URL: canonicalizarla (reglas en `.claude/skills/job-scrape/references/dedup-playbook.md`) y buscar nota existente por `link_oferta` (Grep). Si existe, modo re-entrada.
+- **Detectar desde los artefactos qué pasos ya están hechos** (no hay archivo de estado; los artefactos SON el estado):
+  1. ¿Existe la nota? 2. ¿Tiene `match_score`? 3. ¿`cv_usado` apunta a un CV .md existente en `02-CVs/`? 4. ¿La nota tiene sección "Cover letter" con contenido? 5. ¿Hay resumen de decisiones de review en `## Notas`? 6. ¿Existe el PDF en `02-CVs/exports/` (o `archivo_pdf`)? 7. ¿Hay fila en el dashboard?
+- Informar "retomo desde el paso X" y saltar lo ya hecho.
+
+## Paso 1 - Obtener el JD
+
+- URL de GetOnBoard → `python .claude/skills/job-scrape/scripts/getonbrd_search.py detail "<url>" --format plain` (si reporta CERRADA, avisar y preguntar si igual seguir).
+- URL de LinkedIn → `python .claude/skills/job-scrape/scripts/linkedin_search.py detail "<url>" --format plain`.
+- Otra fuente, o si `job-scrape` no está instalado → WebFetch.
+- Registrar `fuente` (getonbrd / linkedin / otro).
+
+## Paso 2 - Score
+
+Aplicar la rúbrica de `.claude/skills/job-search/references/scoring-rubric.md` (si el skill job-search no está instalado, pedir instalarlo o scorear a criterio declarando la limitación) contra el perfil correspondiente de `01-Perfiles/` (elegir por stack del JD; preguntar si es ambiguo). Presentar: score 0-100, breakdown por dimensión, gaps reales, red flags.
+
+## Paso 3 - CONFIRMACIÓN 1: ¿proceder?
+
+Pedir approval explícito antes de crear cualquier archivo:
+- **Proceder** → paso 4.
+- **Descartar** → si existe `<workspace>/tools/job_scraper/seen_jobs.json`, registrar `status: descartado` + motivo; terminar. No crear nada.
+
+## Paso 4 - Nota de aplicación
+
+Crear (o completar) la nota desde el template `Templates/Aplicacion.md` del workspace: frontmatter completo (`estado: interesado`, `match_score`, `link_oferta` canónica, `perfil`, `fuente`, `salario_rango`, `modalidad`, `ubicacion`, `prioridad`, `contacto_principal` si se conoce), secciones "Por qué me interesa" y "Match con mi perfil" (alineaciones + gaps reales), línea en Timeline. En el idioma de las notas del workspace, sin guiones largos.
+
+## Paso 5 - CV custom
+
+Usar el skill **cv-tailor** con el JD y el perfil base: genera `02-CVs/CV - <Empresa> - <Rol>.md`, con keywords ATS de la oferta y delta de match reportado. Setear `cv_usado` en la nota de aplicación.
+
+## Paso 6 - Cover letter
+
+Usar el skill **cover-letter** según el canal de aplicación (formulario ATS → carta 250-350 palabras; LinkedIn/email → mensaje 150-250). Guardar en la sección "Cover letter (v1)" de la nota.
+
+## Paso 7 - Reviewer (regla drafter-reviewer, obligatorio)
+
+Seguir `.claude/rules/drafter-reviewer.md`: lanzar UN agente general-purpose de contexto fresco con el JD + borradores inline; lectura acotada al perfil; research web breve de la empresa. Aplicar la Parte A (reemplazos exactos) e incorporar lo relevante de la Parte B. Una sola ronda. Never stuff keywords: los gaps se reconocen en el cover, no se rellenan en el CV. Normalizar guiones largos del texto sugerido.
+
+## Paso 8 - CONFIRMACIÓN 2: aprobar CV final
+
+Mostrar el CV final (y cover) con las decisiones del review aplicadas. Solo con approval explícito, exportar:
+
+```
+python .claude/skills/cv-ats-export/scripts/cv_export.py "CV - <Empresa> - <Rol>"
+```
+
+(o la copia instalada en `<workspace>/tools/`). La verificación ATS corre automática ([ATS OK] esperado; si [ATS WARN], corregir y re-exportar). Registrar la ruta del PDF en la nota (sección "Archivo final exportado" del CV custom).
+
+## Paso 9 - Dashboard
+
+Agregar/actualizar la fila de la oferta en la sección de aplicaciones activas de `00-Dashboard.md`, respetando las columnas exactas del header, escapando `\|` en wikilinks con alias. Estado ⬜ (interesado).
+
+## Paso 10 - Cierre
+
+- Resumen de 3-5 decisiones de tailoring en `## Notas` de la nota (qué se enfatizó, ángulo de empresa, gaps reconocidos).
+- Si existe seen_jobs: entrada → `nota_creada` (crearla si no existía).
+- Recordatorio al usuario: **enviar es manual**; el PDF y el cover están listos, el link de aplicación está en la nota y el dashboard. Al enviar, correr `/job-outcome <empresa>` para marcar `aplicado`.
+
+## Qué NO hace
+
+- No envía la postulación ni marca `aplicado` (ToS de los portales + control de calidad humano).
+- No exporta PDF sin la confirmación 2.
+- No toca otras notas ni otras filas del dashboard.
+- No inventa experiencia: los gaps se reconocen, no se rellenan.
+
+## Handoff
+
+Con el PDF verificado y el cover aprobados, el paquete queda READY para enviar a mano. Después de enviar: `/job-outcome <empresa>`. Si hay un contacto directo en la empresa, `/cold-outreach` para el mensaje al recruiter/hiring manager.