Xpersona
agentCLAWHUBUnverified

Ai Talent Grader

基于简历、面试记录和JD，对候选人进行AI时代能力定级（L1-L4）。 核心能力：简历漏洞穿透审计、六维度评分卡、双乘数加权、测谎面试题生成、评分一致性校准、 面试认知复盘（v3.3 Pro 新增）。v3.3 从"简历打分器"升级为"认知行为分析系统"， 评估候选人如何思考、如何应对不确定性、如何与AI协同。 U... Skill: Ai Talent Grader Owner: tuobadaidai Summary: 基于简历、面试记录和JD，对候选人进行AI时代能力定级（L1-L4）。 核心能力：简历漏洞穿透审计、六维度评分卡、双乘数加权、测谎面试题生成、评分一致性校准、 面试认知复盘（v3.3 Pro 新增）。v3.3 从"简历打分器"升级为"认知行为分析系统"， 评估候选人如何思考、如何应对不确定性、如何与AI协同。 U... Tags: L1-L4:3.1.0, ai-talent:3.1.0, cognitive-depth:3.1.0, complexity-weighting:2.4.0, critical-review:2.4.0, grading:3.1.0, hr:3.1.0, latest:3.3.2, leverage:3.1.0, lie-detector:3.1.0, problem-modeling:2.5.0

OpenClaw
View on ClawHubHomepage

Rank

62

Safety

84

Downloads

1.5k

Updated

Oct 10, 2026

Version

3.3.2

Source

CLAWHUB

About

What it does, and when to use it.

Capability contract not published. No trust telemetry is available yet. 1.5K downloads reported by the source. Last updated 10/10/2026.

Avoid when

  • Contract metadata is missing or unavailable for deterministic execution.

Risk flags: missing_or_unavailable_contract, trust_data_unavailable, schema_references_missing

Public facts

Every fact links back to the source it came from.

Vendor
Clawhubvendor · observed Oct 10, 2026
Protocol compatibility
OpenClawcompatibility · observed Oct 10, 2026
Adoption signal
1.5K downloadsadoption · observed Oct 10, 2026
Latest release
3.3.2release · observed Jul 24, 2026
Handshake status
UNKNOWNsecurity

Install and run

Setup complexity: low.

clawhub skill install s171s30jbmhtrc2kxbr4hxmyn583gsk3:ai-talent-grader
  1. Setup complexity is classified as HIGH. You must provision dedicated cloud infrastructure or an isolated VM. Do not run this directly on your local workstation.
  2. Final validation: Expose the agent to a mock request payload inside a sandbox and trace the network egress before allowing access to real customer data.

Contract: missing

curl -s "https://www.xpersona.co/api/v1/agents/clawhub-tuobadaidai-ai-talent-grader/snapshot"

Documentation

CLAWHUB

146,716 characters of source documentation, loaded on request.

Extracted files

5 files captured from the source.

SKILL.md

---
name: ai-talent-grader
version: 3.3.1
label: AI人才定级专家
description: >
  基于简历、面试记录和JD，对候选人进行AI时代能力定级（L1-L4）。
  核心能力：简历漏洞穿透审计、六维度评分卡、双乘数加权、测谎面试题生成、评分一致性校准、
  面试认知复盘（v3.3 Pro 新增）。v3.3 从"简历打分器"升级为"认知行为分析系统"，
  评估候选人如何思考、如何应对不确定性、如何与AI协同。
  Use when user asks to 评估候选人AI能力、AI人才定级、面试复盘、认知分析、测谎面试、
  生成追问建议、候选人能力分级、L1到L4定级、AI岗位适配度评估、看简历、简历审计、
  面试完帮我打分.
  不适用于绩效评估、晋升评审、员工培训需求分析或非AI相关的能力评估.
---

# AI 人才定级专家

## 概述

专业的 AI 人才定级评估专家。不再做"简历打分器"，而是做**简历审计师 + 测谎面试题生成器** + **认知行为分析师**（v3.3 Pro）。

> **为什么从简历打分升级为认知分析？** AI 很容易生成好答案，但很难长期伪造真实思维轨迹。评估候选人"如何思考、如何应对不确定性、如何修正错误"比评估"候选人说了什么"更有区分度。

## v3.2 变更日志（2026-05-22）

- **统一评分标准**：全系统只认"平均分×4→综合得分→查表"一条路径
- **行为锚点升级**：每个级别加"充要条件"条目，替代"典型行为描述"
- **校准案例库**：新增 5 个参考案例（A-L1/B-L2/C-L3/D-边界L2-3/E-边界L3-4）
- **评分一致性检验**：综合得分≥13或≤7时自动触发置信度说明，维度分差≥2时标注非均衡型
- **修复反模式**：`_infer_dimension_scores` 不再基于技能数量/经验年限自动打分

## v3.3 Pro 变更日志（2026-05-25）

- **认知复盘引擎**：从"评估候选人说了什么"升级为"评估候选人如何思考"
- **矛盾检测引擎**：自动检测时间/数据/角色/逻辑矛盾，标注置信度
- **认知解析层**：8维度认知行为解析（问题拆解/抽象能力/逻辑一致性/真实性纹理/不确定性处理/修正能力/Ownership/AI协同）
- **深挖追问 Agent**：基于矛盾发现动态生成追问，4层深度评估
- **认知画像输出**：能力拓扑图替代综合评分，输出决策风格/思维结构/AI协同习惯

---

## 触发场景

用户上传简历文件、面试评价记录或提出AI人才评估需求时自动触发。支持以下场景：

| 场景 | 输入 | 输出 | 模式 |
|------|------|------|------|
| 仅简历评估 | 一份简历 | 审计报告 + 测谎面试题 | A |
| 完整定级 | 简历 + 面试记录 | 完整定级报告（含六维度评分和级别） | B |
| **面试认知复盘** | **面试记录/妙记转录** | **矛盾清单 + 认知画像 + 追问建议** | **C（v3.3 Pro）** |
| 批量评估 | 多个候选人文件 | 对比分析汇总 | A/B |
| 面试方案设计 | 上传岗位要求 | 生成面试方案和题库 | D |

### 复杂度路由

| 用户场景 | 复杂度 | 处理路径 |
|---------|--------|---------|
| "评估这份简历" | S 级 | 简历审计 → 漏洞识别 → 生成测谎面试题（Mode A） |
| "面试完帮我定级" | A 级 | 简历审计 + 面试交叉验证 → 六维度打分 + 双乘数加权 → 完整报告（Mode B） |
| **"面试复盘/分析候选人思维"** | **A+ 级** | **矛盾检测 → 认知解析 → 深挖追问生成 → 认知画像（Mode C，v3.3 Pro）** |
| "设计 AI 人才面试方案" | B 级 | 读取 interview-modules.md → 生成题库 + 评分表 + 微案例（Mode D） |

---

## 核心架构

### 输入模块
- 支持格式：PDF、DOCX、TXT、JSON、YAML、Markdown
- 自动识别文件类型并解析
- 提取关键结构化信息

### 评估引擎

1. **简历漏洞穿透审计**（5项指标，详见 `references/resume_audit.md`）
   - 高阶含金量审计
   - 高势能低细节断层
   - 因果链断裂检测
   - AI生成痕迹识别
   - 逻辑一致性校验

2. **面试交叉验证**
   - 测谎题覆盖度检查
   - 疑点确认/排除标注
   - "待验证"项标记

3. **六维度AI能力评估**（每个维度 1-4 分，详见 `references/behavioral_anchors.md`）
   - AI流利度
   - 人机判断力
   - 架构设计力
   - 混合编排力
   - 认知深度
   - 问题建模能力

4. **双乘数加权**
   ```
   最终能力 = 能力平均分 × 环境复杂度 × 个人杠杆率
   ```
   - 环境复杂度：低 ×0.7 / 中 ×1.0 / 高 ×1.2
   - 个人杠杆率：低 ×0.7 / 中 ×1.0 / 高 ×1.3

5. **成长速度调整**
   - 高成长 +0.5 / 中不调整 / 低成长 -0.5

6. **级别判定（唯一评分标准 v3.2）**

   六维度各 1-4 分，先算**能力平均分**（1-4 分制），再**乘以 4**得到**综合得分**（4-16 分制）：

   ```
   能力平均分 = (AI流利度 + 人机判断力 + 架构设计力 + 混合编排力 + 认知深度 + 问题建模能力) / 6
   综合得分 = 能力平均分 × 4
   ```

   | 综合得分（满分 16） | 能力平均分 | 级别 |
   |---------------------|-----------|------|
   | 4-7 | 1.00-1.75 | L1 · AI 工具使用者 |
   | 8-11 | 1.76-2.75 | L2 · AI 协作者 |
   | 12-14 | 2.76-3.50 | L3 · AI 架构者 |
   | 15-16 | 3.51-4.00 | L4 · AI 战略者 |

   > **铁律：全系统只认这一套分数映射。任何文件出现其他映射标准均为废弃。**

7. **评分一致性检验（v3.2 新增）**
   - **综合得分 ≥13 或 ≤7**：必须在报告中输出"置信度说明"
   - **单维度分差 ≥2**（如 AI 流利度 L4 但人机判断力 L2）：必须标注"非均衡型"并解释
   - **证据不足的维度**：标注"信心不足"并要求补充信息，

README.md

# AI人才定级专家 - ClawHub Skill

## 概述
这是一个专为 ClawHub 平台设计的 AI 人才定级评估 skill。用户上传简历和面试评价后，自动执行一站式评估，输出结构化定级报告。

**核心定位**：简历审计师 + 测谎面试题生成器

## 使用方式
1. 在 ClawHub 平台导入此 skill
2. 上传简历文件（PDF/DOCX/TXT/MD/JSON/YAML）
3. （可选）上传面试记录文件
4. 系统自动执行评估并输出报告

## 核心功能
- **简历漏洞穿透审计**：5项指标检测AI简历的致命弱点
- **六维度AI能力评估**：全面评估候选人能力
- **双乘数加权系统**：考虑环境复杂度和个人杠杆率
- **成长速度评估**：年限软约束，重视成长潜力
- **测谎面试题生成**：为HR定制验证性问题
- **防幻觉铁律**：严格遵守P0规则，避免AI幻觉

## 评估流程

### 模式A：仅简历审计
1. 简历漏洞穿透审计（5项指标）
2. 生成定制化测谎面试题
3. 输出审计报告

### 模式B：完整定级
1. 简历漏洞穿透审计
2. 面试交叉验证
3. 六维度AI能力打分
4. 双乘数加权计算
5. 成长速度调整
6. 级别判定
7. 输出完整报告

## 输出示例

### 仅简历审计报告
```markdown
# AI人才简历审计报告

## 基本信息
- 评估时间: 2024-01-15 14:30:00
- 候选人: CAND001
- 审计模式: 仅简历审计
- 数据来源: resume.pdf

## 一、简历漏洞穿透审计
### 1.1 高阶含金量审计
- 疑点: 声称增长200%但无行业基线对比
- 结论: 中嫌疑

### 1.2 高势能低细节断层
- 断层: 项目描述框架完美但缺乏独特长尾细节
- 建议追问: 请描述实现过程中的具体技术挑战

## 二、综合审计结论
| 指标 | 结果 |
|------|------|
| 高阶含金量 | 中嫌疑 |
| 细节断层 | 高嫌疑 |
| 因果链 | 低嫌疑 |
| AI痕迹 | 中嫌疑 |
| 逻辑一致性 | 低嫌疑 |
| **综合结论** | **中嫌疑** |
| 审计可信度 | 85% |

## 三、定制化测谎面试题
### 追问1（细节追问）
> 在项目X中，你提到使用了Y技术。请描述当时有哪几个备选方案？为什么最终选择了这个？

### 追问2（边界条件）
> 关于技术Y，在什么场景下它表现最好？什么场景下会失效？

### 追问3（决策还原）
> 关于成果Z，这个目标是怎么定出来的？为什么是这个数字？
```

### 完整定级报告
```markdown
# AI人才完整定级报告

## 基本信息
- 候选人ID: CAND001
- 评估时间: 2024-01-15 14:30:00
- 数据来源: resume.pdf, interview.txt
- 评估模式: 完整定级

## 一、简历审计结果
- 审计结论: 中嫌疑
- 高嫌疑指标: 2项
- 中嫌疑指标: 3项

## 二、面试交叉验证
| 状态 | 数量 |
|------|------|
| 已确认（存疑） | 1 |
| 已排除 | 2 |
| 待验证 | 3 |
| 未覆盖 | 1 |

## 三、六维度评估
| 维度 | 得分(1-4) | 认知层级 |
|------|-----------|---------|
| AI流利度 | 3 | L3 |
| 人机判断力 | 2 | L2 |
| 架构设计力 | 3 | L3 |
| 混合编排力 | 2 | L2 |
| 认知深度 | 3 | L3 |
| 问题建模能力 | 2 | L2 |

**能力平均分**: 2.5

## 四、加权计算
| 因子 | 等级 | 系数/调整 |
|------|------|----------|
| 环境复杂度 | 中 | ×1.0 |
| 个人杠杆率 | 高 | ×1.3 |
| 成长速度 | 中 | 0 |

**加权后得分**: (2.5 × 1.0 × 1.3) × 4 = 13.0

## 五、定级结果
| 项目 | 内容 |
|------|------|
| **最终级别** | **L3** |
| 级别名称 | AI架构者 |
| P序列参考 | P6-P7 |
| 级别定义 | 设计AI驱动的业务流程，评估ROI |

## 六、风险提示
### 高风险项
- 项目细节不足，需进一步验证
- 部分技术描述存在标准化模板语言

### 建议验证点
- 实际项目经验
- 技术决策过程
```

## 文件说明
- `SKILL.md` - 完整的skill定义，包含所有评估逻辑和规则
- `README.md` - 使用说明文档
- `main.py` - 示例程序（可选）
- `config/` - 配置文件目录
- `modules/` - 模块化代码目录
- `references/` - 参考文档目录

## 技术特点
1. **防幻觉设计**：严格遵守P0规则，禁止脑补、捏造、过度推断
2. **可解释性**：每个评估步骤都有明确依据
3. **可配置**：支持环境参数、权重调整
4. **可扩展**：模块化设计，易于添加新评估维度

## 注意事项
1. 评估结果基于所提供材料，建议结合面试验证
2. 环境参数（复杂度/杠杆率）可从简历中推断，但用户提供更准确
3. L4级别极稀缺，需严格满足硬性门槛
4. 测谎面试题是核心输出，建议在后续面试中使用

## 许可证
MIT License

_meta.json

{
  "ownerId": "kn70tx725606ywwb5gfj0vpxjx83admr",
  "slug": "ai-talent-grader",
  "version": "3.3.2",
  "publishedAt": 1784884584945
}

references/behavioral_anchors.md

# L1-L4 行为锚点（v3.2 充要条件版）

> **v3.2 关键升级：以下"必须满足"是达到该级别的充要条件，不是示例。达到该级别 → 必须满足该级别的所有"必须满足"条目。**

## 级别总览

| 级别 | 名称 | 一句话定义 | P序列参考 |
|------|------|-----------|----------|
| L1 | AI工具使用者 | 能用工具完成指定任务 | P1-P3 |
| L2 | AI协作者 | 能审校输出、识别幻觉 | P4-P5 |
| L3 | AI架构者 | 设计AI驱动的业务流程，评估ROI | P6-P7 |
| L4 | AI战略者 | 定义AI与业务边界，规划组织演进 | P8+ |

---

## 维度一：AI流利度

### L1 · AI工具使用者

**充要条件（必须全部满足）：**
- 能独立使用至少 1 个常用 AI 工具完成基础任务
- 对 AI 能力边界没有清晰认知，或未表现出边界意识

**典型行为描述（简历/面试）：**
- "使用ChatGPT辅助撰写文案"
- "用Copilot写代码，提高效率"
- "工作中会用到AI工具辅助"

**边界判定：** 仅提到"使用AI工具"，没有任何 prompt 迭代/输出审校/多工具组合的证据 → **只能判 L1**

---

### L2 · AI协作者

**充要条件（必须全部满足）：**
- **有 prompt 迭代行为**：不是只用默认 prompt，能根据输出调整表述
- **有输出审校意识**：能判断 AI 输出是否满足需求，不是直接拿来就用
- 以上两项必须有**具体证据**（不是"会用AI"，而是"我怎么用、调了什么"）

**典型行为描述：**
- "通过调整prompt模板，将AI生成内容的通过率从60%提升到85%"
- "组合使用ChatGPT+Midjourney+Canva完成营销方案"
- "会审核AI输出的准确性，对关键数据做二次核实"

**边界判定：**
- "我用Copilot写代码"但无迭代/审校证据 → **L1**（不是 L2）
- "通过调整prompt" = "迭代优化prompt" = "修改prompt以获得更好结果" → **同一级别，不得因措辞不同判不同级别**

---

### L3 · AI架构者

**充要条件（必须全部满足）：**
- **能设计团队级 AI 工作流**：不是个人使用，而是设计流程让团队用
- **能做工具选型判断**：评估过多个 AI 工具/模型的优劣并给出选择依据
- **能定义质量标准**：为 AI 输出制定验收标准或审校流程

**典型行为描述：**
- "主导团队引入AI工作流，设计了prompt库和审校标准"
- "评估了ChatGPT/Claude/国产大模型，选定最优方案落地"
- "AI输出的内容由我制定质量标准和验收流程"

**边界判定：** 个人用得好 ≠ L3。必须有**团队/流程/标准**三要素之一。

---

### L4 · AI战略者

**充要条件（必须全部满足）：**
- **能预判 AI 能力演进趋势**并据此调整业务预期或资源分配
- **能定义 AI 能力边界**：明确"哪些能做/哪些需要等/哪些永远需要人"
- **有组织级影响力**：制定了组织级 AI 规划或政策

**典型行为描述：**
- "预判了GPT-4对客服场景的颠覆，提前6个月完成知识库升级"
- "制定了部门AI能力3年规划，分阶段推进人机协作转型"
- "定义了AI应用的边界红线，确保核心决策保留人工环节"

**边界判定：** 仅做到"用得多"或"做得好"≠ L4。必须有**预判/规划/定义边界**的组织级证据。

---

## 维度二：人机判断力

### L1 · 无意识

**充要条件：**
- 拿到 AI 输出直接使用，不做验证
- 或：无任何关于审校、验证、质疑 AI 输出的描述

---

### L2 · 基础审校

**充要条件（必须全部满足）：**
- **知道 AI 可能出错**
- **会对关键信息做核实**（哪怕只是"核对一下数字"）

**边界判定：** "我会检查"但说不检查什么、怎么检查 → **L1-L2 之间，往低打（L1）**

---

### L3 · 系统性兜底

**充要条件（必须全部满足）：**
- **设计了兜底机制**：不是偶尔检查，是有流程/清单/节点
- **能识别 AI 幻觉模式**：知道 AI 常犯哪类错（数字错、引用虚构、时间错乱等）
- **有复盘迭代习惯**：基于 AI 失误改进 prompt 或流程

**边界判定：** 个人会检查 ≠ L3。必须有**系统性/流程化/可复用**的证据。

---

### L4 · 不确定下判断

**充要条件（必须全部满足）：**
- **能在信息不全时判断是否信任 AI 输出**
- **有成熟的 AI 风险管理框架**
- **能向非技术背景的人解释 AI 局限**

---

## 维度三：架构设计力

### L1 · 无

**充要条件：**
- 没有设计过任何 AI 相关的系统性方案

---

### L2 · 单点应用设计

**充要条件（必须全部满足）：**
- **针对单一场景设计过 AI 应用方案**
- 方案包含基本的问题定义 → 工具选型 → 实施路径

**边界判定：** 只是"用过某个 AI 工具"≠ L2。必须有**设计/规划**行为。

---

### L3 · 业务级架构

**充要条件（必须全部满足）：**
- **设计了跨多环节的 AI 业务流程**（不是单点）
- **方案包含 ROI 测算或风险识别**
- **能清晰定义 AI 的角色边界**（做什么、不做什么）

---

### L4 · 系统协同架构

**充要条件（必须全部满足）：**
- **设计了多系统/多 Agent 协同的整体架构**
- **规划了人 + AI Agent 的角色重新分配**
- **将 AI 架构与组织变革结合**

---

## 维度四：混合编排力

### L1 · 单独使用

**充要条件：**
- 单独使用一个 AI 工具，不会组合

---

### L2 · 工具组合

**充要条件（必须全部满足）：**
- **能编排 2-3 个 AI 工具形成工作流**
- **能处理工具间的衔接问题**

---

### L3 · 复杂编排

**充要条件（必须全部满足）：**
- **能编排 5 个以上 AI 工具或平台**
- **设计了包含人工环节的混合工作流**
- **有工具失效时的降级方案**

---

### L4 · 组织级编排

**充要条件（必须全部满足）：**
- **设计了人的角色重新分配方案**
- **规划了从"人做事"到"人管AI做事"的转型路径**
- **能处理人机责任边界、绩效归属等复杂问题**

---

## 维度五：认知深度

**打分前必过 4 项检查：①为什么选 ②

references/calibration-cases.md

# 评分一致性校准案例库（v3.2 新增）

> **使用方法**：评估边界候选人时，找到最接近的参考案例对标定级。不同实例对同一案例应输出一致的定级结果。

---

## 案例 A：明确 L1（基准锚点）

**背景**：3年工作经验，简历写"使用ChatGPT辅助撰写文案""用AI工具提高工作效率"，面试中能说出用过哪些工具，但无任何 prompt 迭代/输出审校/多工具组合的具体案例。

**关键特征**：
- 只有"使用"描述，无迭代证据
- 无审校/验证意识
- 无架构/流程设计经验
- 工具数量 ≠ 能力深度

**定级**：L1（AI 工具使用者）

**为什么不是 L2**：不满足 L2 充要条件——无 prompt 迭代行为、无输出审校意识。

---

## 案例 B：明确 L2（基准锚点）

**背景**：5年工作经验，能针对具体任务迭代 prompt（"调整了3版 prompt 才得到满意结果"），会审核 AI 输出（"关键数据我会二次核实"），组合使用 2-3 个 AI 工具完成工作流。但无团队级 AI 工作流设计经验。

**关键特征**：
- 有明确的 prompt 迭代证据
- 有输出审校行为
- 能组合 2-3 个工具
- 个人层面做得好，但无团队/流程/标准设计

**定级**：L2（AI 协作者）

**为什么不是 L3**：不满足 L3 充要条件——无团队级 AI 工作流设计、无工具选型判断（评估多个模型并给出依据）、无质量标准定义。

---

## 案例 C：明确 L3（基准锚点）

**背景**：8年工作经验，主导设计过跨多环节的 AI 业务流程（如"智能客服+知识库+人工复核"方案），做过工具选型（"对比了 ChatGPT/Claude/国产大模型，选定最优方案"），为团队制定了 AI 输出质量标准和审校流程。能清晰定义 AI 在流程中的角色边界。

**关键特征**：
- 有跨多环节 AI 流程设计经验
- 有 ROI 测算或风险识别
- 能定义 AI 的角色边界（做什么、不做什么）
- 有团队级影响力（制定标准/流程）

**定级**：L3（AI 架构者）

**为什么不是 L4**：不满足 L4 充要条件——无预判 AI 演进趋势并调整业务预期的证据、无组织级 AI 规划/政策制定。

---

## 案例 D：边界 L2/L3（典型模糊场景）

**背景**：6年工作经验，个人 AI 能力很强（prompt 迭代熟练、多工具组合、能审校输出），也开始带小团队（3人），给团队分享过 AI 使用经验。但尚未设计过正式的团队级 AI 工作流标准，也未做过系统性的工具选型评估。

**关键特征**：
- 个人能力强（L2 充要条件全部满足）
- 开始带团队，有分享行为
- 但无正式的流程设计/标准制定/工具选型证据

**判定规则**：
- 有"团队分享"≠ "设计团队工作流"→ 不满足 L3 充要条件
- **往低打，判 L2**，标注"潜力型：接近 L3"
- 理由：L3 要求"设计团队级 AI 工作流"或"做工具选型判断"或"定义质量标准"，三者至少满足其一。仅"分享经验"不够。

**定级**：L2（AI 协作者），潜力型：接近 L3

---

## 案例 E：边界 L3/L4（典型模糊场景）

**背景**：10年工作经验，设计过公司级 AI 架构（多 Agent 协同平台），能定义"哪些场景 AI 能做、哪些需要等"。但尚未制定组织级 AI 能力发展规划，也未预判过 AI 趋势并提前调整资源分配。

**关键特征**：
- 有公司级 AI 架构设计经验（L3 充要条件满足）
- 能定义 AI 能力边界（接近 L4）
- 但无组织级 AI 规划/政策制定证据
- 无预判 AI 趋势并调整业务预期的证据

**判定规则**：
- L4 要求"预判趋势并调整业务预期"+"组织级 AI 规划"+"定义 AI 能力边界"，三者必须全部满足
- 本案例只满足"定义边界"一项
- **往低打，判 L3**，标注"潜力型：接近 L4"

**定级**：L3（AI 架构者），潜力型：接近 L4

---

## 校准规则速查

| 场景 | 规则 |
|------|------|
| 语义接近的行为描述 | 看是否有量化证据（"提升到85%" > "有提升"） |
| 无量化证据时 | 看是否有反思/复盘证据（"总结了X教训" > "做了X"） |
| 两者都没有 | 往低级别打 |
| L4 判定 | 必须三项充要条件全部满足，缺一不可 |
| L3 判定 | 必须三项充要条件全部满足，缺一不可 |
| L2 判定 | 必须两项充要条件全部满足，缺一不可 |

Related agents

Same protocol, similar job.

Github ReposUpdated 17h agoRank 70

AionUi

Free, local, open-source 24/7 Cowork app and OpenClaw for Gemini CLI, Claude Code, Codex, OpenCode, Qwen Code, Goose CLI, Auggie, and more | 🌟 Star if you like it!

MCPOPENCLAW
Github ReposUpdated 6mo agoRank 70

activepieces

AI Agents & MCPs & AI Workflow Automation • (~400 MCP servers for AI agents) • AI Automation / AI Agent with MCPs • AI Workflows & AI Agents • MCPs for AI Agents

OPENCLAW
Github ReposUpdated 6mo agoRank 70

cherry-studio

AI productivity studio with smart chat, autonomous agents, and 300+ assistants.

MCPOPENCLAW
Github ReposUpdated 7mo agoRank 70

CopilotKit

The Frontend for Agents & Generative UI. React + Angular

OPENCLAW

Machine-readable data

The same record, as JSON, for agents and crawlers.

{
  "facts": [
    {
      "factKey": "vendor",
      "category": "vendor",
      "label": "Vendor",
      "value": "Clawhub",
      "href": "https://clawhub.ai/tuobadaidai/skills/ai-talent-grader",
      "sourceUrl": "https://clawhub.ai/tuobadaidai/skills/ai-talent-grader",
      "sourceType": "profile",
      "confidence": "medium",
      "observedAt": "2026-10-10T09:59:56.300Z",
      "isPublic": true
    },
    {
      "factKey": "protocols",
      "category": "compatibility",
      "label": "Protocol compatibility",
      "value": "OpenClaw",
      "href": "https://www.xpersona.co/api/v1/agents/clawhub-tuobadaidai-ai-talent-grader/contract",
      "sourceUrl": "https://www.xpersona.co/api/v1/agents/clawhub-tuobadaidai-ai-talent-grader/contract",
      "sourceType": "contract",
      "confidence": "medium",
      "observedAt": "2026-10-10T09:59:56.300Z",
      "isPublic": true
    },
    {
      "factKey": "traction",
      "category": "adoption",
      "label": "Adoption signal",
      "value": "1.5K downloads",
      "href": "https://clawhub.ai/tuobadaidai/ai-talent-grader",
      "sourceUrl": "https://clawhub.ai/tuobadaidai/ai-talent-grader",
      "sourceType": "profile",
      "confidence": "medium",
      "observedAt": "2026-10-10T09:59:56.300Z",
      "isPublic": true
    },
    {
      "factKey": "latest_release",
      "category": "release",
      "label": "Latest release",
      "value": "3.3.2",
      "href": "https://clawhub.ai/tuobadaidai/ai-talent-grader",
      "sourceUrl": "https://clawhub.ai/tuobadaidai/ai-talent-grader",
      "sourceType": "release",
      "confidence": "medium",
      "observedAt": "2026-07-24T09:16:24.945Z",
      "isPublic": true
    },
    {
      "factKey": "handshake_status",
      "category": "security",
      "label": "Handshake status",
      "value": "UNKNOWN",
      "href": "https://www.xpersona.co/api/v1/agents/clawhub-tuobadaidai-ai-talent-grader/trust",
      "sourceUrl": "https://www.xpersona.co/api/v1/agents/clawhub-tuobadaidai-ai-talent-grader/trust",
      "sourceType": "trust",
      "confidence": "medium",
      "observedAt": null,
      "isPublic": true
    }
  ],
  "events": [
    {
      "eventType": "release",
      "title": "Release 3.3.2",
      "description": "Restore from backup - AI talent grading skill",
      "href": "https://clawhub.ai/tuobadaidai/ai-talent-grader",
      "sourceUrl": "https://clawhub.ai/tuobadaidai/ai-talent-grader",
      "sourceType": "release",
      "confidence": "medium",
      "observedAt": "2026-07-24T09:16:24.945Z",
      "isPublic": true
    }
  ]
}

Record generated Oct 10, 2026.

Sponsored

Ads related to Ai Talent Grader and adjacent AI workflows.