mcpField
H
hr-network-analyst

hr-network-analyst

github.com/curiositech生产力257174 次安装2 天前更新
代码仓库

关于 hr-network-analyst

HR Network Analyst 是利用图论和网络科学绘制职业关系的技能，面向 HR 专业人员和研究者。它通过多来源信号识别连接者、桥接者、影响路径和网络空缺。

主要功能

  1. 01绘制职业关系网络
  2. 02计算中心性指标
  3. 03识别连接者与桥接者
  4. 04融合多个来源的信号
  5. 05分析影响路径和结构空缺

适用场景

  1. 01寻找某领域的推荐人脉连接者
  2. 02绘制研究社群中的影响关系
  3. 03识别进入目标网络的路径
  4. 04比较组织中的非正式与正式结构

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/curiositech/some_claude_skills --skill hr-network-analyst

安装后在 Claude Code 中输入/hr-network-analyst确认已加载。

包含的文件

除 SKILL.md 外，安装时一起下载的参考资料和脚本。

CHANGELOG.md
.claude-plugin/
plugin.json
references/
algorithms.md
data-sources-implementation.md
data-sources.md
graph-databases.md
network-theory.md

详细介绍

人力资源网络分析师

将图论和网络科学应用于专业关系映射。识别推动专业生态系统发展的隐性超级连接者、影响力中介和知识达人。

集成

适用于：career-biographer、competitive-cartographer、research-analyst、cv-creator

可回答的核心问题

  • 我应该认识谁？（最佳人脉拓展对象）
  • 谁认识所有人？（可提供推荐的超级连接者）
  • 谁能连接不同圈子？（跨领域中介）
  • 影响力如何传递？（信息／机会路径）
  • 结构洞在哪里？（尚未开发的连接机会）

快速入门

User: "Who are the key connectors in AI safety research?"

Process:
1. Define boundary: AI safety researchers, 2020-2024
2. Identify sources: arXiv, NeurIPS workshops, Twitter clusters
3. Compute centrality: betweenness (bridges), eigenvector (influence)
4. Classify by archetype: Connector, Maven, Broker
5. Output: Ranked list with network position rationale

核心原则：最有价值的人不一定最有名——他们能连接原本彼此隔绝的圈子。

格拉德威尔式原型（速查）

类型网络特征人力资源价值
连接者高中介中心性 + 高度数，连接不同社群最适合跨领域推荐
知识达人高入度、权威、创作内容了解谁擅长什么
说服者高影响力传播能力、拥有交易网络吸引候选人、驾驭谈判

完整理论：参见 references/network-theory.md

中心性指标（速查）

指标含义使用场景
中介中心性控制信息流动寻找把关人、中介
度数原始连接数最大化推荐覆盖面
特征向量中心性重质量而非数量接触权力核心、发现新星
PageRank获得重要人士认可思想领袖
紧密中心性能快速联系任何人传播信息

分析工作流

1. 寻找可提供推荐的超级连接者
  • 定义目标领域 → 建立种子网络 → 扩展 → 计算中介中心性 + 度数 → 排名
2. 绘制领域影响力图谱
  • 定义边界 → 多源构建 → 社群检测 → 识别中介
3. 优化个人社交网络
  • 绘制当前网络 → 绘制目标领域 → 寻找最短路径 → 识别结构洞
4. 组织网络分析（ONA）
  • 收集数据（调查、Slack 元数据）→ 构建图 → 找出非正式与正式结构

详细工作流：参见 references/data-sources-implementation.md

数据来源

来源信号强度提取内容
共同署名很强出版物合作关系
会议共同参与小组讨论强演讲关系
GitHub 共同仓库中等偏强代码协作
LinkedIn 联系人中等专业关系
Twitter 互相关注弱社交关联

多源融合：为信号赋予权重并加以组合，以构建稳健的网络

不适用场景

  • 监控：未经同意追踪个人
  • 歧视：利用网络位置进行排斥
  • 操纵：为造成伤害而设计社交影响
  • 侵犯隐私：访问非公开数据
  • 无数据支撑的推测：猜测网络结构

反模式

反模式：沉迷于度数

表现：只关注谁的联系人最多
为什么不对：度数高往往意味着噪声；连接者与受欢迎者不同
建议：使用中介中心性衡量连接作用，使用特征向量中心性衡量影响力质量

反模式：假设网络静态不变

表现：把 5 年前建立的联系视为当前关系
为什么不对：网络会演变；旧连接可能已经失效
建议：根据时效为边赋予权重，并核实关系是否仍然有效

反模式：依赖单一来源

表现：只使用 LinkedIn 数据
为什么不对：会遗漏不在 LinkedIn 上的关系
建议：融合多个来源，并根据来源特点赋予权重

反模式：忽略上下文

表现：介数中心性高就有价值，不考虑领域 为何错误：连接无关社群并无用处 应采取的做法：将分析限定在相关领域边界内

伦理准则

可接受：

  • 分析公开数据（会议演讲者、出版物）
  • 分析总体模式
  • 经同意的组织分析
  • 按规定获得 IRB 审批的学术研究

不可接受：

  • 未经同意抓取私人资料
  • 构建监控系统
  • 出售个人数据
  • 根据网络位置进行歧视

故障排查

问题原因解决方法
找不到数据领域规模小／涉及隐私滚雪球抽样、问卷调查、相邻社群
错误边对弱信号赋予过高权重要求多个信号、设置权重阈值
规模过大边界未受限制K-core 筛选、仅保留高权重项
实体消歧同一个人使用不同名称使用唯一 ID（ORCID）、人工核验

参考文件

  • references/algorithms.md - NetworkX 代码模式、中心性公式、Gladwell 分类
  • references/graph-databases.md - Neo4j、Neptune、TigerGraph、ArangoDB 查询示例
  • references/data-sources.md - LinkedIn 网络数据获取策略、API、抓取、法律注意事项

核心洞见：优势来自连接原本彼此孤立的群体，而非在密集集群内部建立联系。——Ron Burt，结构洞理论

评论

支持 Markdown