用途
k2f-cv 用于指导 AI 智能体构建学术或资深专业人士的完整简历（CV）。它不直接生成最终文档，而是先产出一份 content_and_design.md 蓝图，在其中规划学术章节、分层长列表、可引用的条目以及设计意图，同时明确禁止编造学位、论文、经费或指标。
该技能构建在 K2F 之上，最终产出为 .K2F 包。作者需遵循 k2f 技能进行编写、打包/校验与导出。K2F 让智能体专注于章节与列表角色，由引擎处理多页排版与字体排印。
主要能力
- 生成 content_and_design.md：作为语义内容与设计意图的单一蓝图，按章节使用带标签的块（身份、任职、教育、出版物等），供 k2f 技能后续映射。
- 章节架构：默认学术章节顺序为身份与联系方式 → 研究兴趣（可选，简短）→ 教育 → 任职/经历（倒序）→ 出版物 → 经费与资助 → 教学 → 受邀报告 → 服务与领导 → 奖项 → 技能/方法（精简）→ 指导与培养。仅在框架要求时调整顺序。
- 输入审计：盘点任职、学位、出版物、预印本、经费、教学、服务、报告、专利、指导、奖项与链接；对缺失的 DOI、日期或作者顺序标记 NEEDS USER INPUT，绝不编造期刊、金额或合著者。
- 列表分层：当出版物列表超过约 15–20 项或用户有页数限制时，拆分为“精选”与“完整”列表。
- 条目模式：出版物统一一种风格（作者、标题、发表处、年份、DOI）；任职包含角色、单位、日期，以及 0–3 条由用户提供指标的影响说明。
- 设计意图：定义语气（学术、精确、平静，无营销式夸张）、层级（姓名与当前单位主导）、密度（列表优先，避免大段文字）、配色（克制学术风，单一强调色）。
- 真实性约束：所有学位、职称、论文、经费与数字必须可追溯至用户输入或明确占位；不虚构 DOI、页码或作者列表；日期格式、引用风格、机构名称跨章节保持一致。
使用方式
- 安装核心技能：npx skills add suzheng/k2f --skill k2f。
- 生成 content_and_design.md：按子步骤完成 CV 框架（学科、职业阶段、机会类型、地域、页数预算、模板约束）、输入审计、章节架构（保留/删除/合并）、扫描层级（浏览层、扫描层、细节层）、条目模式、定制化处理与设计意图。
- 使用 content_and_design.md 与 k2f 技能生成 K2F 文件，并按 k2f 流程实例化章节与流式列表、应用设计意图中的角色、校验，最后导出为提交就绪的 CV（通常为 PDF 或 DOCX）。
适用场景
- 构建或更新学术/研究型 CV（教职、博士后、博士、临床科学家、资深技术研究员）。
- 将 Scholar、BibTeX、旧 Word 等导出内容合并为统一结构。
- 针对特定求职目标制作“精选”与“完整”列表，而非一页式简历。
限制
- 不适用于一页式行业简历；若用户需要此类简历，应在蓝图注释中转向 k2f-resume。
- 所有事实必须来自用户输入或明确占位，缺失信息需标记 NEEDS USER INPUT，不得插值或猜测。
- 页数溢出时应通过精选列表与删减辅助章节解决，而非缩小字号。
- 常见失败模式包括：在教职 CV 上套用简历版式、出版物无统一引用规则、所有条目权重相同、缺失任职日期或学位年份时擅自插值、技能墙堆砌关键词、作者姓名加粗不一致或引用格式混用、当前单位被埋没在历史信息之下。