AnonyHire

AnonyHire Skill (AI Protocol)

本 Skill 是所有招募 AI 的必要前置閘門。在同一 session 內，任何履歷分析、候選人評分、或招募決策工具執行前，必須先完成本 Skill 的脫敏流程。

本 Skill 不直接進行評分，而是確保後續所有 AI 行為都在去識別化、去偏見的基礎上進行。

設定

所有路徑皆相對於 skill 根目錄（~/.claude/skills/anonyhire/）：

rules/masking_rules.md        遮蔽規則（Regex + 遮蔽清單）
rules/fairness_principles.md  公平性稽核原則
scripts/pii_mask.py           遮蔽核心 (Masking Engine)
scripts/pii_audit.py          稽核協調器 (Audit Coordinator)
reports/projects/             候選人倫理審核證書存檔
reports/summary_YYYY-MM-DD.md 每日治理彙整報告
masked/                       物理遮蔽 PDF + vault JSON

工作流程

Step 0 — 閘門確認 (Gate Check)

每次 session 中首次遇到履歷或候選人資料時，必須執行此步驟。

1. 確認使用者提供的是原始履歷（PDF 或候選人資料）
2. 詢問使用者：「您目前使用的是哪一個招募分析工具？」
   • 工具授權確認：比對 rules/authorized_tools.md。
     • 若工具未經授權：提供**【合規提示】**：「資訊：此工具未在預設授權名單中。為了確保招募流程的一致性與合規記錄，本次使用將標註於治理日誌中。建議後續與管理部門確認。」並紀錄該工具名稱後繼續執行。
     • 若工具已授權：告知使用者：「AnonyHire 隱私閘門已啟動，專案 ID：[ID]」，繼續下一步。
3. 執行 Step 1 脫敏，產出 masked/audit_ready_*.pdf
4. 後續所有分析 AI 工具僅接收脫敏後的輸出

若使用者試圖跳過此步驟直接分析原始履歷，應提醒：

「根據 AnonyHire 倫理招募規範，需先完成脫敏與工具授權確認。這是確保招募公平性與個資安全的核心防護機制。」

Step 1 — 物理脫敏 (Masking)

PDF 模式（推薦）：

python scripts/pii_mask.py --pdf real/<file>.pdf --name <主要姓名> [--ename <英文名>] [--cname <額外中文名>]

批次模式（資料夾內所有 PDF）：

python scripts/pii_mask.py --batch real/

產出：

• masked/audit_ready_<name>.pdf — 物理黑條 PDF（無法還原，用於 Step 2 分析）
• masked/vault_<id>.json — Token ↔ 原始值對照（僅本機，嚴禁外傳）

保證遮蔽項目（含包容性設計）：

• 年齡、性別（含多樣性性別特徵）、民國年次、出生日期
• Email、電話、地址、身分證字號
• 所有年份 (1900–2099) → [YEAR_REDACTED]

備援機制：

• PDF 提取：PyMuPDF → pdfminer.six（CID 字型自動切換，適用各式 CID 字型 PDF）
• 中文姓名：--cname 明確指定 或 detect_chinese_name.py 自動偵測

Step 2 — 外部 AI 分析（隔離分析）

使用 Step 1 產出的 masked/audit_ready_<file>.pdf 進行分析，確保分析過程中僅接觸脫敏後的資訊。

分析時可附上 reports/feedback_for_ai.md（若已存在）作為補充指令，包含歷史違規的強化提示。

Step 3 — 倫理稽核 (Audit)

python scripts/pii_audit.py <candidate_id> <analysis_output.txt> --tool "<tool_name>"

稽核與報告產出：

• Privacy Audit：偵測 AI 報告中是否洩漏真實個資。
• Fairness Audit：偵測內容是否含偏見關鍵字或違反國際合規標準 (EU AI Act/EEOC)。
• 個案報告：於 reports/projects/<PID>/<CID>/CERTIFICATE.md 產出**「倫理審核證書」**。
• 治理日誌：結果追加至 reports/violations_log.json。

Step 4 — 治理彙整 + 自我優化

python scripts/self_improve.py

功能：

• 產出 reports/summary_YYYY-MM-DD.md 每日彙整報告與人工審查清單。
• 產出 reports/feedback_for_ai.md 下次分析的補強指令。
• 自動學習：將漏網個資自動補入 rules/masking_rules.md。

報告格式

• CERTIFICATE.md — 每位候選人的合規證明，用於招募檔案留存。
• summary_YYYY-MM-DD.md — 治理儀表板，供 HR 與合規官進行人工覆核。

稽核狀態說明：

• PASS — 完美狀態。
• WARN — 疑似代理偏見或敏感詞，需人工確認。
• FAIL — 嚴重違反隱私或公平性，需重新分析。
• ERROR — 稽核執行失敗。

規則維護

編輯 rules/masking_rules.md 可擴充遮蔽清單 (Masking List)。 編輯 rules/fairness_principles.md 可調整公平性稽核標準與參照法規。

注意事項

• 物理遮蔽 PDF 已移除底層文字流，無法透過選取或 OCR 還原。
• Vault 檔案僅供本機稽核使用，嚴禁上傳或傳入任何 AI 系統。
• AI 必須遵守「隱私防護協議」，嚴禁在分析階段讀取 masked/vault_*.json。
• self_improve.py 的自動學習會累積至 violations_log.json，重新執行不會重置歷史記錄。

授權協議 (License)

本專案採用 MIT License 授權。