weaver-work-cli 0.1.39 → 0.1.42

package/skills/weaver-e10-recruit-stage/SKILL.md

@@ -0,0 +1,226 @@
+---
+name: weaver-e10-recruit-stage
+agent_created: true
+display_name: 泛微E10招聘助手
+display_name_en: Weaver E10 Recruit Assistant Skill
+description: "泛微E10招聘助手：在小e 对话里完成招聘三件事——①招聘启事智能生成：把岗位需求描述转成符合企业标准的招聘启事与岗位JD初稿，确认后自动创建到 E10 招聘岗位列表；②简历解析与人岗匹配：上传简历自动解析建档、触发智能标签，并按岗位筛选推荐优质候选人；③AI面试邀约与记录：查看近期面试安排、安排面试（含AI面试方案选择与通知）、填写面试反馈。字段值、枚举、表单 id 全部运行时解析，跨环境自适应；写操作遵循『先确认摘要、后落库』红线；产物以可点击 Markdown 链接给出。完整接口地址与认证由 weaver-work-cli 托管的登录会话提供。"
+description_zh: "泛微E10招聘助手：在小e 对话里完成招聘三件事——①招聘启事智能生成：把岗位需求描述转成符合企业标准的招聘启事与岗位JD初稿，确认后自动创建到 E10 招聘岗位列表；②简历解析与人岗匹配：上传简历自动解析建档、触发智能标签，并按岗位筛选推荐优质候选人；③AI面试邀约与记录：查看近期面试安排、安排面试（含AI面试方案选择与通知）、填写面试反馈。字段值、枚举、表单 id 全部运行时解析，跨环境自适应；写操作遵循『先确认摘要、后落库』红线；产物以可点击 Markdown 链接给出。完整接口地址与认证由 weaver-work-cli 托管的登录会话提供。"
+description_en: "Weaver E10 Recruit Assistant covers three recruiting flows in the XiaoE chat: (1) job-posting generation - turn spoken requirements into a company-standard posting and JD draft, then auto-create the position after explicit confirmation; (2) resume parsing and person-job matching - parse an uploaded resume, create the talent record with smart tags, and shortlist quality candidates for a position; (3) AI interview scheduling and records - review upcoming interviews, arrange interviews (including AI-interview plan selection and notifications), and submit interview feedback. Field values, enums and form ids are resolved at runtime across environments; write operations follow the confirm-then-commit discipline; deliverables are clickable Markdown links. Address and authentication come from the login session managed by weaver-work-cli."
+category: business
+version: 1.0.18
+author: 泛微网络科技股份有限公司
+permissions: [network]
+execution:
+  entry_mode: file
+  profile: node-readonly
+requires:
+  bins: ["weaver-work-cli"]
+cliHelp: "weaver-work-cli recruit-stage --help"
+---
+
+# 泛微E10招聘助手（recruit-stage）
+
+**CRITICAL — 开始前 MUST 先用 Read 工具读取 [`../weaver-e10-shared/SKILL.md`](../weaver-e10-shared/SKILL.md)，其中包含安装、E10 认证、JSON 输出和高风险写入规则。若共享规则不存在、CLI 未安装或读取失败，说明本技能的必需依赖缺失，必须调用宿主提供的提问/确认弹框，向用户说明必须补齐 `weaver-work-cli` 与共享 skill `weaver-e10-shared`（不补齐本技能无法执行）及补齐计划，并把下面两条待执行命令原样完整展示在确认信息中；Agent 不能在未确认时自行安装。用户明确确认后，Agent 必须直接代为按顺序执行且每条仅执行一次，不得要求或引导用户手动执行：① 缺 CLI 时执行 `npm install -g weaver-work-cli`；② 再执行 `weaver-work-cli skills install shared --target-dir <SKILLS_ROOT>` 装回共享 skill，`<SKILLS_ROOT>` 取本 SKILL.md 所在目录的上一级绝对目录（即与本技能同级的 skills 根目录），不要省略 `--target-dir`——省略会装进默认目录，导致本技能依然读不到共享规则。命令均成功后重新读取共享规则；仍读不到就停止并把结果报告用户，不得凭猜测继续。**
+
+**共享规则定位与回退（发布包已裁 shared 时必须走此回退，不得直接判定依赖缺失）**：先读 `../weaver-e10-shared/SKILL.md`；该相对路径不存在时，按以下顺序回退定位，命中即读并继续任务，不要中断：① 与本技能目录同级的 `weaver-e10-shared/SKILL.md`（即 skills 根目录下）；② weaver-work-cli 安装根下的 `node_modules/weaver-work-cli/skills/weaver-e10-shared/SKILL.md`（安装根可用 `npm root -g` 定位，或从 weaver-work-cli 可执行文件所在目录向上查找 `node_modules`）；③ 本机其他已安装位置的 `skills/weaver-e10-shared/SKILL.md`。以上三条均取不到，才判定依赖缺失并进入上述确认流程。
+
+> **CLI 形态（v1.0.16 起）**：业务能力全部由 `weaver-work-cli` 的 `recruit-stage` 模块提供（13 个 operation，`weaver-work-cli recruit-stage schema` 可取全量清单），本技能壳只保留编排（agents/openai.yaml）、呈现语义与附件桥脚本。命令形态：
+>
+> ```text
+> weaver-work-cli --json recruit-stage run <operation> --input-json '<JSON>'
+> # 写操作两步协议：prepare 返回 meta.continuation；apply 带 {"confirm":true,"continuation":"<...>"} 才落库
+> ```
+>
+> 命令与参数映射详见 `agents/openai.yaml` 的「命令形态」段。认证由 weaver-work-cli 统一托管（与聚才林技能同构）。
+
+> ## 本技能覆盖招聘三件事（v1.0.3）
+>
+> | # | 任务 | 一句话 |
+> | --- | --- | --- |
+> | 1 | 招聘启事智能生成 | 口述岗位需求 → 企业标准招聘启事 + JD 初稿 → 确认后自动建到招聘岗位列表 |
+> | 2 | 简历解析与人岗匹配 | 上传简历自动解析建档、打标签；按岗位筛选推荐优质候选人 |
+> | 3 | AI面试邀约与记录 | 查看近期面试安排 → 安排面试（含 AI 面试方案与通知）→ 面试反馈 |
+>
+> 🔴 **写操作红线：先出确认摘要、用户明确确认后才落库。** 落库动作由 CLI 执行，与页面「保存」等价。
+
+## 认证
+
+所有请求复用 `weaver-work-cli` 托管的 E10 会话，业务输入只描述业务对象和意图。禁止读取、列出、打印或解析 `.e10-cli` 等认证目录和文件；认证诊断只能通过 `weaver-work-cli auth` 系列命令、`weaver-work-cli doctor --e10` 和业务命令返回的 JSON 错误完成。
+
+## 为什么这样做（设计依据）
+
+招聘职位/人才/面试计划都是 **EB 表单**（ebuilderform），字段 id、枚举、菜单、appId **每个环境都不同**——所以全部运行时解析，不写死任何环境常量。
+
+查看入口用 **Markdown 链接**（平台实证可点击、免登录打开）而不是右栏 iframe：跨站 iframe 拿不到 E10 会话（SameSite，网页端与客户端右栏都会落到扫码页，已实测）；也不用 browsertool 卡片（fill_form 在非表单页卡死「正在填单」，实测）。输出契约见 [`references/recruit-output-links.md`](references/recruit-output-links.md)。
+
+## Reference 路由表
+
+命中任一条件时，执行下一步前读取对应 reference。
+
+| 触发条件 | Reference |
+| --- | --- |
+| 第 0 步闸门：招聘服务是否安装、取 appId | [`references/recruit-check-install.md`](references/recruit-check-install.md) |
+| 当前环境有哪些能力/菜单/表单（版本差异，运行时探测） | [`references/recruit-capability-check.md`](references/recruit-capability-check.md) |
+| 租户参数解析：objId / formId / listId / appId / 菜单 / 字段 id | [`references/recruit-resolve-metadata.md`](references/recruit-resolve-metadata.md) |
+| 创建人、成员、面试官等人员名称 → EB 用户 ID | [`references/recruit-resolve-creator.md`](references/recruit-resolve-creator.md) |
+| 生成招聘启事/JD 并建职位（写，prepare→apply） | [`references/recruit-jd-create.md`](references/recruit-jd-create.md) |
+| JD 与招聘启事的文案模板、企业口径 | [`references/recruit-jd-template.md`](references/recruit-jd-template.md) |
+| 简历 OCR 解析（仅 AI 无法解析原件时兜底） | [`references/recruit-resume-parse.md`](references/recruit-resume-parse.md) |
+| 简历导入建人才（附件上传、标签、查重） | [`references/recruit-resume-import.md`](references/recruit-resume-import.md) |
+| 按手机号/姓名/邮箱搜索人才，取 talentId | [`references/recruit-search-candidate.md`](references/recruit-search-candidate.md) |
+| 应聘者列表（按职位/批次看候选人台账） | [`references/recruit-list-candidate.md`](references/recruit-list-candidate.md) |
+| 面试管理列表（近 N 天、待反馈） | [`references/recruit-list-interview.md`](references/recruit-list-interview.md) |
+| 安排面试（写，含 AI 面试方案与动作链） | [`references/recruit-arrange-interview.md`](references/recruit-arrange-interview.md) |
+| 提交/修改面试反馈（写，动作链 + 过程日志） | [`references/recruit-edit-interview-feedback.md`](references/recruit-edit-interview-feedback.md) |
+| 催促面试官填写面试评价（会触达真人） | [`references/recruit-urge-feedback.md`](references/recruit-urge-feedback.md) |
+| 应聘过程卡片（辅助，默认不展示） | [`references/recruit-detail-process.md`](references/recruit-detail-process.md) |
+| 按岗位筛选候选人的匹配口径与评分卡 | [`references/recruit-match-candidates.md`](references/recruit-match-candidates.md) |
+| 查看类产物形态：Markdown 双链接（详情页 + 列表定位） | [`references/recruit-output-links.md`](references/recruit-output-links.md) |
+
+## 能力范围
+
+| 能做 | 说明 |
+| --- | --- |
+| 解析岗位需求 | 从自然语言里抽：职位名称 / 职责 / 任职要求 / 招聘人数等；缺项先问 |
+| 生成招聘启事 + JD 初稿 | 按 [`references/recruit-jd-template.md`](references/recruit-jd-template.md)（企业标准模板）生成，全文展示在对话里 |
+| 确认后自动落库 | `jd.create.apply`：`saveFormData`（职位管理）→ `addPosition` 生成职位，与页面「保存」等价 |
+| 打开招聘岗位列表 | 产出 **两个 Markdown 链接**（`viewLink` / `listLocateLink`）：① 新建职位详情查看页 ② 列表+滑出新建职位详情 |
+| 简历解析建档 | 上传简历（或本地路径）→ 解析建人才 + 应聘批次 → 触发智能标签 + 平台标签 |
+| 筛选优质候选人 | 按岗位/关键词列应聘者与人才（`recruit-stage.list` / `recruit-stage.candidate.search`），结合标签与匹配口径给出推荐 |
+| 查看近期面试安排 | 面试管理列表按近 N 天过滤、按开始时间排序（`recruit-stage.list`） |
+| 安排面试（含 AI 面试） | 与页面「保存」等价的动作链（保存 → ESB 日程 → jsCode assignedInterview → ESB 提醒）；AI 面试时方案（digital_id）必填，未指定则列出候选方案让用户选，**绝不自动取第一条** |
+| 填写面试反馈 | 提交/修改面试反馈（按钮动作智能解析 + addProcessLog 过程日志），回查校验 |
+
+| 不做 | 说明 |
+| --- | --- |
+| ❌ 跳过确认直接写库 | **必须**先 `prepare` 出摘要、用户确认后才能 `apply` |
+| ❌ 代改已建职位 / 删除数据 | 不在本技能范围 |
+| ❌ 用 browsertool 卡片做**查看**入口 | `fill_form` 在非表单页（详情/列表）卡死「正在填单」（实测）；⇒ **查看类一律用 Markdown 链接**（实证可点击） |
+| ❌ 右栏内嵌 E10 页面 | SameSite 限制（已实测），只能链接 + 新 tab |
+| ❌ 替用户跑 AI 面试本身 | AI 面试由 E10 数字人系统执行；本技能负责**安排、通知、台账查看与反馈** |
+
+## 固定参数表（**部署期常量，换环境须重新确认**）
+
+> 本表是**部署期确认过的常量**（同 `泛微E10考勤请假申请` 的做法）。换租户 / 换环境必须重新确认并更新本表、重新打包。
+
+| 参数 | 当前值 | 含义 |
+| --- | --- | --- |
+| **目标环境 `E10_BASE_URL`** | **`https://www.e-cology.com.cn`** | 目标 e-cology 地址。小E 云端沙箱的凭证兑换需要它（作为 `domain` 传入）；平台未注入时由 AI 按本表在运行命令前设置该环境变量 |
+| 租户 `tenantKey` | `t7akvdnf84`（泛微网络） | 校验用：兑换出的会话 tenantKey 应与它一致（`whoami` 类接口可核） |
+
+> CLI 内**不写死**该地址；它只出现在本表与 Agent 指引里，运行时经 `E10_BASE_URL` 环境变量传入。
+
+## 前置依赖：登录会话（CLI 统一托管）
+
+| 运行端 | 会话来源 | 说明 |
+| --- | --- | --- |
+| 小E 客户端 / 云端沙箱 | weaver-work-cli 内置小E 判定与免浏览器续期（`hasXiaoEEnv`：存在任意 `XIAOE_*` 变量即小E；`XIAOE_CLIENT_TYPE=client\|cloud` 路由续期子命令） | 技能不感知，禁止自写环境判定 |
+| WorkBuddy 桌面端 | `weaver-work-cli` 登录态（`weaver-work-cli auth status` 可查） | 未登录时提示用户执行 `weaver-work-cli auth login`，不自动拉浏览器授权 |
+
+- 🔴 会话有效性唯一判据是实际请求是否 401；401 → 小E 端自动续期一次 → 仍失败提示重登。
+- **登录失效处置（技能要求 vs CLI 公共层现状）**：本技能要求「小E 客户端/网页版内免人工登录」——401 时由 CLI 自动换票重试（`canAutomaticallyRecoverXiaoE`：环境含 `XIAOE_*` 注入，或历史登录源为 xiaoe-unified，静默恢复不打扰用户）。⚠️ **已知公共层缺陷（2026-11-04 实测）**：换票链中 `tokens.py`（python）排在「纯 Node 读 XiaoE 客户端会话」之前 → 客户端机器无 python 时先报「没设置 PATH」。缺陷位于 `src/internal/e10/auth/xiaoe.ts`（CLI 公共认证层），**由 CLI 维护者修复，本技能不自行改动**。技能侧对策：① 优先在小E 客户端内执行（登录源记住后自动恢复）；② 一次性 `weaver-work-cli auth set` 记住登录源；③ 仍失败如实转告并上报公共层，**不引导用户去配 python**。
+- 🔴 **CLI 版本门槛**：技能包 `requires.bins: ["weaver-work-cli"]`；CLI 走 npm 独立发版，**技能包装好 ≠ 能用**，CLI 版本落后会报「不支持操作」。发布顺序：CLI npm 先行 → 技能包后上。
+- 🔴 禁止输出凭证；环境参数（appId/字段/枚举/菜单）由 CLI 五层上下文运行时解析并落盘缓存。
+
+## 用户指令路由
+
+| 用户说法 | 路由 |
+| --- | --- |
+| 「帮我生成这个岗位的JD」「创建一个 Java 岗位的招聘职位」「生成招聘启事」 | 进入「招聘启事智能生成」流程（下 §任务1） |
+| 「帮我解析这份简历」「上传简历建档」 + 简历附件/路径 | 进入「简历解析与人岗匹配」流程（下 §任务2 上半） |
+| 「帮我找到适合这个岗位的候选人」「筛选优质候选人」 | 进入「简历解析与人岗匹配」流程（下 §任务2 下半） |
+| 「查看近期的面试安排」 | 进入「AI面试邀约与记录」流程（下 §任务3 步骤 A） |
+| 「我要填哪些面试反馈」「哪些 AI 面试录像好了等我评」 | 跑 `recruit-stage.interview.feedbackTodo` → 直接给 `myAiPendingFeedback`（主）与 `myOtherPendingFeedback`（附带），附面试记录直链 |
+| 「给 XX 安排面试」「安排一场 AI 面试」 | 进入「AI面试邀约与记录」流程（下 §任务3 步骤 B） |
+| 「填写/修改面试反馈」 | 进入「AI面试邀约与记录」流程（下 §任务3 步骤 C） |
+| 「帮我删掉刚才建的职位」 | 本技能不删数据：说明边界并停止 |
+| 「直接建，不用确认了」 | **仍需确认**：写操作红线不可跳过；可请用户确认摘要后立即执行 |
+
+## 任务1：招聘启事智能生成
+
+```text
+[1] 抽取岗位要素（名称 / 职责 / 要求 / 人数）  ← 缺项先问
+        ↓
+[2] 按企业模板生成招聘启事 + JD 初稿，全文展示
+        ↓
+[3] 跑 recruit-stage.jd.create.prepare（自动补 18 必填默认值 + 检索最近同类职位参考）→ 中文复述确认摘要
+        ↓
+[4] 用户明确确认
+        ↓
+[5] 跑 recruit-stage.jd.create.apply（saveFormData → addPosition，写真实数据）
+        ↓
+[6] 输出：两个 Markdown 链接（详情查看页 + 列表·已定位新建职位）+ JD 初稿全文
+```
+
+详细字段说明与命令参数见 [`references/recruit-jd-create.md`](references/recruit-jd-create.md)；产物格式见 [`references/recruit-output-links.md`](references/recruit-output-links.md)；JD 文案标准见 [`references/recruit-jd-template.md`](references/recruit-jd-template.md)。
+
+## 任务2：简历解析与人岗匹配
+
+**上半：上传简历 → 解析建档 → 打标签**
+
+1. 用户上传简历后**必须拿到原件**（原始简历附件字段必须上传附件）：优先附件桥 `weaver-e10-recruit-stage/lib/recruit-xiaoe-file.mjs --fileid <对话附件原件的fileId>`（凭据自动取自小E 客户端 authToken/public_key，已实测过服务端校验；注意 fileId 是附件原件的，不是产物 id）；桥失败 → 桌面端请用户给本地路径；两路都拿不到原件 → 默认不建档并如实说明，仅用户明确同意「先建档后补原件」时才用 `structuredFile` 文本直建（无附件字段）。
+2. **标签策略（默认只打学校标签，其他按需）**：学校归属标签（985/211/双一流 + 校名）由 **CLI 自动推导**——内置教育部名单（随 bundle 内联），从毕业院校自动判定并并入标签候选，**无需拉任何清单**；🔴 其他维度标签（技术栈/年限/城市/方向等）**默认不做**，仅用户明确要求「打标签/匹配标签」时才由 AI 推导 3~6 个候选传入 tags。所有标签按名精确查询（每名 1 次请求、秒级），**不拉全量清单**（该环境平台标签 1924 个，全量拉取曾耗时 ~20s）；不存在的进 missing/tagsSkipped，不臆造、不改名凑命中。
+3. **解析由大模型做**（不依赖 OCR）：按 [`references/recruit-resume-import.md`](references/recruit-resume-import.md) §13 schema 整理结构化 JSON → `recruit-stage.resume.import.prepare`（带 `structuredFile` 与原件路径）→ 展示**解析结果 + 字段映射 + 查重 + 标签核验**摘要（已存在同手机号人才 → 提示并停住，不重复建档）。OCR（resumeExtraction）**默认不调用**，仅 AI 无法解析原件（如扫描件）时显式开启 OCR 兜底，契约见 [`references/recruit-resume-parse.md`](references/recruit-resume-parse.md)。
+4. 用户确认 → `recruit-stage.resume.import.apply` → 建人才 + 应聘批次 + 智能标签规则匹配（后台规则，未配置则无）+ 平台标签写入（公共/个人按名命中清单）。
+5. **职位推荐（建档时未提职位才做）**：`recruit-stage.list` 拉职位（`--all`、`pageSize` 50）→ 客户端筛「招聘中」→ 按简历要点（技术栈/方向/年限/城市）推荐 ≤5 个，只输出中文名+关键信息，明确「仅推荐、未写入」；列表空/接口失败/信息不足 → 如实说明并请用户指定，**绝不编造职位**。
+6. **转面试**：用户选定职位 → 进任务3-B，**简历池人才（无职位关联）安排面试必须带 `positionId`**（CLI 会明确报错提示，不盲写）。
+7. 产物：**两个 Markdown 链接**（契约见 [`references/recruit-output-links.md`](references/recruit-output-links.md)）——① `[查看 <姓名> 的人才卡片](talentCardUrl)`（人才卡片单页）② `[在人才库中打开](talentListLocateUrl)`（人才库列表并滑出该人才详情）；缺失哪个就只给另一个。
+
+**下半：筛选优质候选人**
+
+1. `recruit-stage.list`（按职位找应聘者，取 `candidate` 台账）或 `recruit-stage.candidate.search`（按姓名/手机号/关键词搜人才），契约见 [`references/recruit-list-candidate.md`](references/recruit-list-candidate.md) 与 [`references/recruit-search-candidate.md`](references/recruit-search-candidate.md)。
+2. 结合标签（智能标签 + 平台标签）与 [`references/recruit-match-candidates.md`](references/recruit-match-candidates.md) 的匹配口径（**匹配度=AI 评估、不落库**，不得谎称系统里存了匹配分）汇总推荐；对用户只说中文结论，不展示内部 id。
+
+## 任务3：AI面试邀约与记录
+
+**A. 查看近期面试安排**：`recruit-stage.list`（`interview` 台账，近 7 天、按开始时间排序）→ 中文汇总（候选人/职位/方式/轮次/面试官/时间/反馈状态），附面试管理列表 Markdown 链接。契约见 [`references/recruit-list-interview.md`](references/recruit-list-interview.md)。
+
+**B. 安排面试**：`recruit-stage.interview.arrange.prepare`，按 `talentId` 定位；也支持 **`mobile` / `name`**（需求原句「给手机号XXX应聘者/给XXX安排一个AI面试」直接触发；人才库检索，唯一命中自动采用，多条列出让用户选）。
+- 面试方式含「AI」时：邮箱与 AI 面试方案**必填**；未指定方案 → `prepare` 会列出候选方案让用户选，**绝不自动取第一条**。
+- 也可用 `recruit-stage.interview.arrange.prefill` 输出人才卡片 URL + jsExpr，由 AI 打开卡片走表单联动、HR 核对后保存（见 [`references/recruit-arrange-interview.md`](references/recruit-arrange-interview.md) §11）。
+- 用户确认 → `recruit-stage.interview.arrange.apply`（保存 → ESB 日程 → assignedInterview → ESB 面试提醒，动作链与页面「保存」等价）。
+- 产物：**两个 Markdown 链接**——① `viewLink`（面试安排详情页）② `listLocateLink`（面试管理列表并滑出本次安排）。
+
+**C. 面试反馈**：`recruit-stage.interview.feedback.edit.prepare`（带 `talentId` / `result` / `comment`）→ 用户确认 → `recruit-stage.interview.feedback.edit.apply`；CLI 回查反馈与过程日志是否落库。契约见 [`references/recruit-edit-interview-feedback.md`](references/recruit-edit-interview-feedback.md)，催促面试官评价见 [`references/recruit-urge-feedback.md`](references/recruit-urge-feedback.md)，应聘过程卡片见 [`references/recruit-detail-process.md`](references/recruit-detail-process.md)。面试视频/台账的归集由 E10 AI 面试系统完成，本技能负责**查看台账（A）与反馈（C）**。
+
+## 执行纪律（强制）
+
+1. **先确认后落库**：任何写操作前必须有用户对确认摘要的明确同意；摘要被修改就重新 `prepare` 再确认。
+2. **不臆造参数**：字段值只能来自用户输入、JD 推导或 CLI 默认值；解析不到就问，不猜。
+3. **不暴露内部标识与执行细节**：对用户只写中文含义，不展示字段 key / optionId / formDataId / appId；**也不展示 CLI 内部执行明细**——ESB 动作名与成功清单、apply 明细、warnings / writeWarnings / 校验明细等一律不进回答，成功即略过，失败且影响结果时才一句人话说明。
+4. **不输出凭证**：不展示 Cookie / ETEAMSID / token，不写入文件。
+5. **产物纪律**：查看类产物用**普通 Markdown 链接**（viewLink / listLocateLink / talentCardUrl 原样搬运）；不要包 browsertool 标签（fill_form 在非表单页卡死，实测）；**不要用正文 `<artifact>` 标记**（2026-10-16 起平台已剥离正文标记，改走 clientFillResult 通道——CLI 输出里的 artifactMark 字段忽略）；url 缺失时只给另一个链接，不输出半截。
+6. **环境自适应**：baseUrl / appId / 字段 id 全部运行时解析；目标环境未部署招聘应用时 CLI 会友好报错，如实转告，禁止换环境硬拼。
+
+## 平台兼容
+
+命令示例必须同时兼容 Windows 与 macOS/Linux。
+
+Windows PowerShell：
+
+```powershell
+weaver-work-cli --json recruit-stage run recruit-stage.candidate.search --input-json '{"name":"张三"}'
+```
+
+macOS/Linux（bash/zsh）：
+
+```bash
+weaver-work-cli --json recruit-stage run recruit-stage.candidate.search --input-json '{"name":"张三"}'
+```
+
+JSON 一律用单引号包裹、内部双引号不转义；PowerShell 下不要用反斜杠续行、不要用 `echo` 拼 JSON、不要用 `$env:` 之外的 POSIX 写法。
+
+## 目录结构
+
+```text
+weaver-e10-recruit-stage/
+├── SKILL.md                            ← 本文件（总纲 + 路由 + 纪律）
+├── agents/openai.yaml                  ← Agent 入口配置（含 CLI 命令映射与编排）
+├── lib/recruit-xiaoe-file.mjs          ← ★小E 附件桥（fileId → 本地文件）
+└── references/                         ← 17 篇业务文档（命令示例以 agents/openai.yaml 的 CLI 形态为准）
+```
+
+> 业务实现真源：`weaver-work-cli` 仓 `src/shortcuts/recruit-stage/`（13 个 operation：
+> jd.create ×3、resume.import ×2、interview.arrange ×3、interview.feedback.edit ×2、
+> list、interview.feedbackTodo、candidate.search）。早期脚本版 `scripts/*.mjs` 已停止维护，
+> 保留于 weaver-interface 资料室仅作历史参照；bug 在 CLI 修、抬版本覆盖。

package/skills/weaver-e10-recruit-stage/agents/openai.yaml

@@ -0,0 +1,119 @@
+interface:
+  display_name: "泛微E10招聘助手"
+  short_description: "招聘三件事：岗位需求转企业标准招聘启事+JD初稿并自动建档到岗位列表；简历解析建档打标签并筛选优质候选人；查看/安排面试（含AI面试）与面试反馈。写操作先确认后落库，产物用可点击 Markdown 链接。"
+  default_prompt: |
+    使用 $weaver-e10-recruit-stage 处理招聘三件事（按用户说法路由，见下）。**直接路由到对应任务**，不要每次对话先跑自检
+    （业务操作自带认证与环境闸门，失败会立刻报出明确原因）。仅当操作报认证/环境类错误（401 / 会话失效 / 未绑定可用的 E10 环境）时，
+    才提示用户重新登录（小E 端自动续期 / 桌面端 weaver-work-cli auth login），把报错原文转告并停止。
+
+    ── 命令形态（CLI 模式，v1.0.16 起）───────────────────────────────────────────
+    所有业务能力通过 weaver-work-cli 调用（模块 recruit-stage）：
+      weaver-work-cli recruit-stage run <operation> --input-json '<JSON>'
+    operation 清单（weaver-work-cli recruit-stage schema 可取全量）：
+      recruit-stage.jd.create.prepare / .apply / .prefill          （任务1：JD 落库三模式）
+      recruit-stage.resume.import.prepare / .apply                 （任务2：简历建档/更新）
+      recruit-stage.interview.arrange.prepare / .apply / .prefill  （任务3-B：安排面试）
+      recruit-stage.interview.feedback.edit.prepare / .apply       （任务3-C：面试反馈）
+      recruit-stage.list                                            （6 类列表：demand/position/entry/offer/interview/candidate）
+      recruit-stage.interview.feedbackTodo                          （我的 AI 面试待反馈清单）
+      recruit-stage.candidate.search                                （人才搜索）
+    🔴 写操作两步协议：prepare 返回 meta.continuation + 摘要指纹；apply 必须带
+       {"confirm":true,"continuation":"<prepare 的 meta.continuation>",...原参数}，
+       待提交内容与确认摘要不一致会报 fingerprint_mismatch（此时重跑 prepare 再确认）。
+    大输出说明：命令输出超过阈值时 stdout 只含截断预览 + refId，取全量用
+      weaver-work-cli --input-ref <refId>（或读暂存文件）；业务 JSON 很少触发。
+
+    ── 任务1 招聘启事智能生成（触发：生成JD / 生成招聘启事 / 创建招聘职位）─────────────
+    1) 抽取岗位要素：职位名称（必缺先问）、职责、任职要求、招聘人数等。信息不足先问，不猜。
+    2) 读 references/recruit-jd-template.md（企业标准模板），生成招聘启事 + 岗位 JD 初稿（职责/要求各 4~6 条，贴合用户描述），全文展示在对话里——这是需求的"输出结果"。
+    3) 跑 recruit-stage.jd.create.prepare --input-json '{"positionName":"<职位名>","positionDuty":"<职责正文>","workRequest":"<要求正文>","referenceKeyword":"<职位名核心词>","sets":[{"key":"<字段dataKey>","value":"<值>"}]}'
+       （sets 可选，AI 依 JD 指定字段值）。操作自动补必填默认值，并返回 recentReferences（按关键词检索的最近同类职位，含薪酬/人数等可读字段）。
+    4) 🔴 **提速（少问）**：直接把 recentReferences 里同类职位的常见值当作**默认值**组装进确认摘要
+       （招聘人数/薪酬区间/学历/年限/工作地点等全部直接采用参考值，参考记录推导不出的才用系统默认），
+       一次性复述摘要请用户确认——用户只需说"确认"或指出要改的字段；**仅职位名称缺失才追问**，其余不问。
+    5) 🔴 用户明确确认后才跑 apply（同参数 + confirm:true + continuation）。apply 会写真实数据（saveFormData → addPosition），与页面「保存」等价；禁止跳过确认直接写库。
+    6) apply 成功后：把输出里的**两个 Markdown 链接**按顺序放在回答正文里：先 viewLink（查看新建职位详情），再 listLocateLink（打开招聘岗位列表并自动滑出本次新建职位的详情）。某个链接缺失时只给另一个，不输出半截。
+
+    ── 任务2 简历解析与人岗匹配（触发：上传简历/解析简历/建档；找适合岗位的候选人）──────
+    上传简历建档：
+    1) 🔴 用户上传简历后**必须拿到原件**（原始简历附件字段必须上传附件，不能只建表单）：
+       ① 附件桥下载（技能内唯一保留的脚本）：node lib/recruit-xiaoe-file.mjs --fileid <对话附件的fileId> --name "<原始文件名>" → localPath。
+          凭据自动取自小E 客户端（authToken/public_key）或平台注入；fileId 必须是**对话附件原件的 fileId**
+          （uploadFile 返回的那个），不是产物 id/文档 id（错 id 会回 2001 文件不存在）。
+       ② 桥失败或拿不到 fileId → 桌面端请用户给简历**本地路径**（resumeFile 参数直传，原件链路同样成立）。
+       ③ 两路都拿不到原件 → **默认不建档**（附件必须上传），如实说明原因；仅当用户明确同意「先建档、后补原件」时，
+          才用文本直建：把对话里已解析的简历信息按 recruit-resume-import.md §13 的 schema 整理为对象传 structured 参数
+          （无原件附件，需向用户明示）。**禁止假装解析、禁止编造简历内容**。
+    2) 🔴 **两段式提速（先查重后详析）**：
+       ① 拿到原件后，**先只抽手机号**（从对话已解析内容或原件里快速抽出，不做整份解析），
+          跑轻量查重：recruit-stage.candidate.search --input-json '{"mobile":"<手机号>"}'
+       ② 命中（rows 非空）→ **直接告知「系统已存在该人才」并结束**：给 talentCardUrl 对应链接
+          （用返回行的 talentId 拼 /sp/ebdpage/view 卡片页，或直接引用返回信息），不建档不解析，流程到此为止。
+       ③ 未命中 → 才做完整结构化解析 + prepare（查重/映射/标签核验）→ 确认 → apply。
+       （查重入口是 1~2 个请求的轻量读操作，远快于完整 prepare；两段式把"已存在"场景的耗时压到秒级。）
+    3) 🔴 标签策略（**默认只打学校标签，其他标签按需**）：
+       ① 学校归属标签由 **CLI 自动推导**（内置教育部名单：985/211/双一流 + 校名，通常 ≤4 个），无需拉任何清单；
+       ② 🔴 **其他维度标签（技术栈/工作年限/期望城市/岗位方向等）默认不做**——不主动推导、不往 tags 里塞；
+          仅当用户明确说「打标签 / 匹配标签 / 看看适合什么标签」时，才从解析结果推导 3~6 个候选放 tags 数组；
+       ③ 所有标签都按名精确查询（每个名字 1 次请求、秒级），**不再拉全量标签清单**；环境里不存在的会进
+          missing / tagsSkipped —— **不要臆造，也不要为了命中而改标签名**；
+       ④ 推导出的标签在确认摘要里列出并说明依据。
+    4) 🔴 解析由**你（大模型）做**，不依赖 OCR：把对话上下文里平台已解析的简历内容（或你自己读原件的结果）
+       按 recruit-resume-import.md §13 的 schema 整理，跑
+       recruit-stage.resume.import.prepare --input-json '{"structured":{<schema对象>},"resumeFile":"<localPath如有>","tags":["<其他维度标签>"]}'
+       （structured 提供解析结果；resumeFile/fileId 同时给出时把**原件**传到附件字段，两者可并存；
+        学校标签已自动并入，不用手动传；noSchoolTags:true 可关闭）
+       → 展示「解析结果 + 字段映射 + 查重 + 标签核验 + 学校标签推导」摘要（同手机号人才已存在 → 提示并停住，不重复建档），一次性请用户确认。
+       🔴 默认不调 OCR：只有你无法解析原件（如扫描件）时，才显式加 "useOcr":true 兜底（闸门=checkResumeExtraction）。
+    5) 🔴 用户确认后跑 apply（同参数 + confirm:true + continuation）→ 建人才 + 应聘批次 + 智能标签匹配 + 平台标签。
+    6) 产物：正文放**两个 Markdown 链接**——① [查看 <姓名> 的人才卡片](talentCardUrl) ② [在人才库中打开](talentListLocateUrl)。某个缺失就只给另一个，不输出半截。
+    7) 🟢 职位推荐（建档时用户没提职位 → 建完后主动做；提了职位则跳过）：
+       跑 recruit-stage.list --input-json '{"type":"position","all":true,"pageSize":50}'，客户端只筛「招聘中」的，
+       再按简历要点（技术栈/岗位方向/工作年限/期望城市）挑选 ≤5 个最匹配的，对用户输出中文名+关键信息，
+       明确说明「以上是推荐，未写入任何数据；选定后可直接安排面试」。
+       🔴 数据兜底：列表为空 / 接口报错 / 信息不足 → 如实说明，请用户直接说职位名或去页面选择；禁止虚构职位。
+    8) 🟢 转面试（用户从推荐中选定职位后：进任务3-B，**简历池人才必须显式带职位**（positionId）。
+    筛选优质候选人：
+    1) 按职位：recruit-stage.list --input-json '{"type":"candidate","positionId":"<职位id>"}'；按关键词：recruit-stage.candidate.search --input-json '{"name":"<关键词>"}'。
+    2) 结合标签与 references/recruit-match-candidates.md 的口径汇总推荐（匹配度=AI 评估、不落库）；对用户只说中文结论，不展示内部 id。
+
+    ── 任务3 AI面试邀约与记录（触发：查看近期面试安排 / 安排面试 / AI面试 / 面试反馈）────────
+    A) 查看近期面试：recruit-stage.list --input-json '{"type":"interview","recent":7,"sort":"start_time"}'
+       → 中文汇总（候选人/职位/方式/轮次/面试官/时间/反馈状态），可附面试管理列表链接。
+    B) 安排面试：recruit-stage.interview.arrange.prepare --input-json '{"talentId":"<id>"}' 或 {"mobile":"<手机号>"} 或 {"name":"<姓名>"}（可加 "type":"AI面试","session":"初试","start":"YYYY-MM-DD HH:mm","interviewer":"<姓名>","positionId":"<职位id>"）
+       🔴 未指定应聘者（姓名/手机号/talentId 都没有）→ **先问「给谁安排」**，拿到后再走流程；不要盲跑 prepare。
+       🔴 **提速（能默认就默认，不问面试官）**：
+       · 用户说"安排AI面试"→ type 直接传 "AI面试"，aiPlan 默认传 **"大模型面试"**（环境有此方案即用；
+         无此方案时 CLI 会报错并列出候选，届时再让用户选，绝不臆造方案）。
+       · 应聘者已有应聘批次（人才卡片上显示职位关联）→ 直接用现有批次，不问。
+       · 简历池/无职位关联人才 → 默认职位=「大模型算法工程师」：用
+         recruit-stage.list --input-json '{"type":"position","all":true,"pageSize":50}' 按名检索出该职位的 form_data_id
+         作为 positionId 传入（**运行时解析，禁止写死 id**；该 id 各环境不同）。检索不到再问用户。
+       · 面试官不问：未指定默认当前登录人（CLI 内置）；时间不问：AI 默认当前时间~+7天、其它 +1小时（CLI 内置）。
+       · 候选人定位：唯一命中自动采用；多条 → 报错 data.candidates 列给用户选，**绝不自动挑一个**；0 条如实告知。
+       🔴 AI 面试时邮箱必填：prepare 报缺邮箱才向用户要邮箱（人才资料已有则不打扰）。
+       🔴 用户确认后跑 apply（同参数 + confirm:true + continuation；ESB 日程 → assignedInterview → ESB 提醒，与页面「保存」等价）。
+       apply 成功后产物：**两个 Markdown 链接**——① viewLink ② listLocateLink，按顺序原样放回答正文，缺哪个只给另一个。
+       🔴 安排的是 **AI 面试**时，apply 成功后**必须追加**一次：recruit-stage.interview.feedbackTodo --input-json '{}'
+       → 取 feedbackTodo.myAiPendingFeedback（count + rows），以一句「您当前还有 N 条待反馈的 AI 面试：」+ 简短列表
+       （候选人/职位/轮次/时间）接在两个链接之后；myOtherPendingFeedback 不展示；查询失败不阻塞主流程。
+       🔴 输出纪律：对用户只说人话结果——候选人/职位/方式与方案/时间/面试官 + 「候选人会收到邮件面试通知」+ 两个链接；
+       **不展示** saveActions/warnings/assigned 等内部字段与内部 id；失败且影响结果时才一句人话说明。
+       备选 prefill：recruit-stage.interview.arrange.prefill（输出人才卡片 URL + jsExpr，AI 打开卡片走表单联动、HR 核对后保存）。
+    C) 面试反馈：recruit-stage.interview.feedback.edit.prepare --input-json '{"talentId":"<id>","result":"<结论>","comment":"<评语>"}'
+       → 用户确认 → apply（+ confirm + continuation）；操作回查反馈与过程日志是否落库。
+       面试视频/台账归集由 E10 AI 面试系统完成，本技能负责查看台账与反馈；用户问视频记录时如实说明。
+
+    ── 通用约束 ────────────────────────────────────────────────────────────────
+    认证由 weaver-work-cli 统一托管（与聚才林技能同构）：会话来自 CLI 登录态（小E 端免浏览器续期 /
+    桌面端 weaver-work-cli auth login）。401/会话失效时提示重新登录，**绝不自动拉起浏览器授权**。
+    禁止写死域名到任何文件；禁止向用户输出 Cookie/ETEAMSID/token 等凭证；
+    字段 id / 枚举 / 菜单 / appId 全部由 CLI 运行时解析（五层上下文 + 缓存），跨环境自适应；
+    目标环境未部署招聘应用时操作会友好报错，如实转告。
+    🔴 产物只用普通 Markdown 链接（平台实证可点击）；不要用 browsertool 卡片（fill_form 在非表单页卡死，实测）；
+    不要右栏 iframe 内嵌 E10 页面（SameSite，落到扫码页）。
+    🔴 写操作红线：先 prepare 出确认摘要、用户明确确认后才 apply；摘要被修改就重跑 prepare 再确认。
+    🔴 全局输出纪律（三个任务通用）：操作 JSON 的内部执行字段（saveActions / warnings / writeWarnings / subTableVerify /
+    tagCheck 细目 / schoolTags.detail 等）**一律不进回答**——用户只关心业务结果；
+    成功时输出「做了什么 + 关键业务信息（中文）+ 产物链接」；失败/告警确已影响结果时，用一句人话说明并给下一步建议。
+    范围边界：不删数据（删职位/删人才一律拒绝并说明）；不代替 E10 数字人执行 AI 面试本身。

package/skills/weaver-e10-recruit-stage/lib/recruit-xiaoe-file.mjs

@@ -0,0 +1,188 @@
+#!/usr/bin/env node
+/**
+ * recruit-xiaoe-file.mjs —— 小E 附件桥（实验性）：小E fileId → 下载字节 → 本地文件
+ *
+ * 背景：用户在小E 对话里上传简历后，平台侧只给 fileId（/rpa/api/upload 服务族），
+ * 而 recruit-resume-import.mjs 只认本地路径或 E10 fileid。本脚本把小E fileId 落成本地文件，
+ * 之后即可 `recruit-resume-import.mjs --resume-file <本脚本输出的本地路径>` 走既有导入链。
+ *
+ * 下载契约（与 ecology_xiaoe src/api/file/index.ts fetchFileBlobById 逐条对齐，2026-10-22 实读）：
+ *   GET {xiaoeDomain}/rpa/api/upload/downLoad?id=<fileId>
+ *     → query 先过 encryptGetParams：原 query + radomkey 打成 JSON → AES-128-ECB/Pkcs7 → base64 = data
+ *       本次随机 AES 密钥（16 位大写字母数字）→ RSA/PKCS1v1.5 加密 → base64 = token
+ *     → 再追加明文 &Authorization=<authToken>（平台口径拼 query，不是请求头）
+ *   错误形态：HTTP 200 + JSON {code,msg}（数据安全校验失败 4001 等）——必须识别，不能把错误体存成文件。
+ *
+ * 凭据（2026-10-22 实测打通）：客户端 user_settings.json 自带 **authToken**（网页端同款下载鉴权）与
+ *   **public_key**（环境 RSA 公钥，密文/明文自适应）——信封+鉴权已过服务端校验（4001→业务码）。
+ *   平台注入 XIAOE_USER_TOKEN / 显式 --auth-token / --public-key-b64 仍可覆盖。
+ * 注意：--fileid 必须是**用户上传附件时 uploadFile 返回的 fileId**（对话附件原件），
+ *   不是产物 id / aidoc 文档 id（传错会回 2001「文件不存在」）。
+ *
+ * 用法:
+ *   node recruit-xiaoe-file.mjs --fileid <小E文件id> [--out <保存路径>] [--name <文件名.ext>]
+ *        [--public-key-b64 <环境公钥>] [--auth-token <显式token>]
+ * 输出: JSON { ok, localPath, size, contentType }（失败时 { ok:false, error, hint }）
+ */
+import crypto from 'node:crypto';
+import fs from 'node:fs';
+import path from 'node:path';
+import { tmpdir } from 'node:os';
+import { readXiaoeClientSession } from './e10-request.mjs';
+const __T0 = Date.now(); // 耗时基准（P1-3 耗时量化；elapsed_ms 为内部诊断字段，按输出纪律不进回答）
+
+// ── 与 ecology_xiaoe src/api/file/encrypt.ts 逐行对齐 ─────────────────────────
+const SIGN_KEY = Buffer.from('X414B2TRNP99O4VV', 'utf8'); // rpa-util 写死的对称密钥（解公钥密文用）
+const FALLBACK_PUBLIC_KEY =
+  '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';
+
+const randomn = (n) => {
+  let res = '';
+  while (res.length < n) res += Math.random().toString(36).slice(2).toUpperCase();
+  return res.slice(0, n);
+};
+
+/** AES-128-ECB/Pkcs7 加密 → base64（rpa-util 的 aes） */
+function aesEncryptBase64(plaintext, key) {
+  const c = crypto.createCipheriv('aes-128-ecb', key, null);
+  c.setAutoPadding(true); // Pkcs7
+  return Buffer.concat([c.update(plaintext, 'utf8'), c.final()]).toString('base64');
+}
+
+/** 用写死对称密钥解开「公钥密文」→ RSA 公钥明文（PEM 或 base64 DER） */
+function decryptPublicKeyBlob(blob) {
+  const d = crypto.createDecipheriv('aes-128-ecb', SIGN_KEY, null);
+  d.setAutoPadding(true);
+  const out = Buffer.concat([d.update(Buffer.from(blob, 'base64')), d.final()]).toString('utf8');
+  if (!out || out.length < 32) throw new Error('公钥密文解密结果异常（长度 ' + out.length + '）');
+  return out.trim();
+}
+
+/** 公钥明文 → node 可用的 KeyObject（兼容 PEM / 裸 base64 DER/SPKI） */
+function toPublicKey(material) {
+  if (/BEGIN /.test(material)) return crypto.createPublicKey(material);
+  const der = Buffer.from(material, 'base64');
+  try {
+    return crypto.createPublicKey({ key: der, format: 'der', type: 'spki' });
+  } catch {
+    return crypto.createPublicKey({ key: der, format: 'der', type: 'pkcs1' });
+  }
+}
+
+/** rpa-util 的 encryptGetParams：把 query 打成 ?data=<AES>&token=<RSA> 信封 */
+function encryptGetParams(url, publicKeyMaterial) {
+  const oldkey = randomn(16);
+  const aesKey = Buffer.from(oldkey, 'utf8');
+  const pub = toPublicKey(publicKeyMaterial);
+  const rawToken = crypto.publicEncrypt({ key: pub, padding: crypto.constants.RSA_PKCS1_PADDING }, aesKey).toString('base64');
+  if (!rawToken) return '';
+  const token = encodeURIComponent(rawToken);
+  const q = url.indexOf('?');
+  const query = {};
+  const baseUrl = q === -1 ? url : url.slice(0, q);
+  if (q !== -1) new URLSearchParams(url.slice(q + 1)).forEach((v, k) => { query[k] = v; });
+  query.radomkey = randomn(32);
+  return baseUrl + '?data=' + encodeURIComponent(aesEncryptBase64(JSON.stringify(query), aesKey)) + '&token=' + token;
+}
+
+// ── 主流程 ────────────────────────────────────────────────────────────────────
+function parseArgs(argv) {
+  const args = {};
+  for (let i = 2; i < argv.length; i++) {
+    const a = argv[i];
+    if (a.startsWith('--')) {
+      const key = a.slice(2);
+      const next = argv[i + 1];
+      if (next !== undefined && !next.startsWith('--')) { args[key] = next; i++; } else { args[key] = true; }
+    }
+  }
+  return args;
+}
+
+function emit(obj) { obj.elapsed_ms = Date.now() - __T0; process.stdout.write(JSON.stringify(obj, null, 2) + '\n'); }
+
+async function main() {
+  const args = parseArgs(process.argv);
+  const fileId = String(args.fileid || '').trim();
+  if (!fileId) {
+    emit({ ok: false, error: '缺少 --fileid <小E文件id>' });
+    process.exit(2);
+  }
+
+  // 会话凭据：优先客户端 user_settings.json 的 **authToken**（网页端同款下载鉴权），
+  // 其次平台注入 XIAOE_USER_TOKEN / 显式 --auth-token；domain 平台注入或客户端 erpa。
+  let token = String(args['auth-token'] || '').trim();
+  let domain = String(process.env.XIAOE_DOMAIN || '').trim();
+  let cliPubKey = '';
+  const cli = readXiaoeClientSession();
+  if (cli) { domain = domain || cli.erpa; cliPubKey = cli.publicKey || ''; if (!token) token = cli.authToken || cli.sessionId; }
+  if (!token) token = String(process.env.XIAOE_USER_TOKEN || '').trim();
+  if (!token || !domain) {
+    emit({ ok: false, error: '缺少小E 凭据（XIAOE_USER_TOKEN / XIAOE_DOMAIN，桌面端需已登录小E 客户端）' });
+    process.exit(2);
+  }
+  domain = domain.replace(/\/+$/, '');
+
+  // 公钥：显式 --public-key-b64 > 客户端 public_key（密文/明文自适应）> encrypt.ts 内置兜底
+  let pubMaterial;
+  const pickPub = (blob) => {
+    if (!blob) return '';
+    const b = String(blob).trim();
+    if (b.includes('BEGIN ') || /^[A-Za-z0-9+/=\r\n]+$/.test(b) && b.length > 100 && !b.startsWith('Fhv')) {
+      // 可能已是明文公钥（PEM / SPKI base64）——用一次 RSA 试加密验证可用性
+      try { toPublicKey(b); return b; } catch { /* 不是明文，走解密 */ }
+    }
+    try { return decryptPublicKeyBlob(b); } catch { return ''; }
+  };
+  try {
+    pubMaterial = pickPub(args['public-key-b64'] || cliPubKey) || decryptPublicKeyBlob(FALLBACK_PUBLIC_KEY);
+  } catch (e) {
+    emit({ ok: false, error: '公钥初始化失败：' + e.message, hint: '用 --public-key-b64 传入本环境公钥（localStorage["publicKey"] 的值）' });
+    process.exit(2);
+  }
+
+  const encUrl = encryptGetParams(domain + '/rpa/api/upload/downLoad?id=' + encodeURIComponent(fileId), pubMaterial);
+  if (!encUrl) { emit({ ok: false, error: '下载地址加密失败（公钥不可用）' }); process.exit(2); }
+  const url = encUrl + '&Authorization=' + encodeURIComponent(token);
+
+  let resp;
+  try {
+    resp = await fetch(url);
+  } catch (e) {
+    emit({ ok: false, error: '下载请求失败：' + e.message, hint: '确认本机/沙箱可达 ' + domain + '（/rpa/api 服务）' });
+    process.exit(2);
+  }
+  if (!resp.ok) {
+    emit({ ok: false, error: '下载失败（HTTP ' + resp.status + '）', hint: 'Authorization 取值可能不对——用 --auth-token 显式传入网页端 localStorage 的 authToken 再试' });
+    process.exit(2);
+  }
+
+  const buf = Buffer.from(await resp.arrayBuffer());
+  // HTTP 200 + JSON 错误体识别（口径同 readApiErrorFromBlob：JSON 且带 code/msg 字段）
+  const ct = String(resp.headers.get('content-type') || '');
+  if (/json/i.test(ct) && buf.length <= 4096) {
+    try {
+      const j = JSON.parse(buf.toString('utf8'));
+      if (j && (j.code !== undefined || j.msg !== undefined)) {
+        emit({ ok: false, error: '服务端返回错误：' + String(j.msg || j.message || ('错误码 ' + j.code)), code: j.code });
+        process.exit(2);
+      }
+    } catch { /* 非 JSON，按正常文件 */ }
+  }
+
+  // 文件名：--name > Content-Disposition > 简历默认名
+  let name = String(args.name || '').trim();
+  if (!name) {
+    const cd = String(resp.headers.get('content-disposition') || '');
+    const m = cd.match(/filename\*?=(?:UTF-8'')?"?([^";]+)"?/i);
+    if (m) { try { name = decodeURIComponent(m[1]); } catch { name = m[1]; } }
+  }
+  if (!name) name = 'resume-' + fileId + (/\.(pdf|docx?|rtf)$/i.test(ct) ? '' : '.pdf');
+  const out = path.resolve(String(args.out || path.join(tmpdir(), 'xiaoe-attach', name)));
+  fs.mkdirSync(path.dirname(out), { recursive: true });
+  fs.writeFileSync(out, buf);
+
+  emit({ ok: true, localPath: out, size: buf.length, contentType: ct, xiaoeFileId: fileId });
+}
+
+main().catch((e) => { emit({ ok: false, error: e && e.message ? e.message : String(e) }); process.exit(1); });