Add industry collection and six-month job tracking

jobs/README.md

@@ -30,6 +30,16 @@
 
 ## Initial Scope
 
+- time window: 滚动最近 6 个月，优先全量收集范围内岗位
 - location: 北京优先
 - companies: DeepSeek、腾讯、字节、阿里、百度、美团、快手、京东、小米、商汤、智谱、月之暗面等
 - role keywords: Agent、LLM、AIGC、大模型应用、RAG、AI Infra、模型评估、智能体、代码智能、AI 产品
+
+## Primary Goal
+
+JD 收集的主要目标是观察岗位需求变化：
+
+- 同一公司是否从研究转向产品落地。
+- 同一岗位是否开始要求评估、数据飞轮、Agent 工程化或部署能力。
+- Agent 相关词汇是否从加分项变成硬性要求。
+- 北京岗位和其他城市岗位是否体现不同团队布局。

jobs/market-insights.md

@@ -7,10 +7,16 @@ status: seed
 ## Current Snapshot
 
 - date:
-- scope: 北京，大厂 Agent / LLM 相关岗位
+- scope: 北京，大厂 Agent / LLM 相关岗位，滚动最近 6 个月
 - sample size:
 - source mix:
 
+## Requirement Changes
+
+| Period | Signal | Companies | Evidence | Notes |
+| --- | --- | --- | --- | --- |
+| _TBD_ | _TBD_ | _TBD_ | _TBD_ | _TBD_ |
+
 ## High-frequency Skills
 
 | Skill | Count | Companies | Notes |

jobs/schema.md

@@ -15,6 +15,11 @@ source_name:
 source_quality: official / job-board / social / secondary / unknown
 collected_at: YYYY-MM-DD
 posted_at:
+first_seen_at:
+last_checked_at:
+snapshot_type: new / changed / unchanged / expired
+job_code:
+previous_snapshot:
 status: active / expired / unknown
 level:
 team:
@@ -48,6 +53,16 @@ relevance: high / medium / low
 
 来源、采集日期、是否北京岗位、是否仍可访问。
 
+## Change Snapshot
+
+用于记录最近 6 个月窗口内的变化：
+
+- first_seen_at:
+- last_checked_at:
+- snapshot_type:
+- previous_snapshot:
+- changed_fields:
+
 ## Raw JD Summary
 
 用自己的话概括岗位职责、任职要求和加分项。不要无选择地复制长段原文。
@@ -91,6 +106,8 @@ relevance: high / medium / low
 
 - `source_url` 必填，除非来源是用户直接提供的截图或文本。
 - `collected_at` 必填，因为 JD 是强时效资料。
+- `first_seen_at` 和 `last_checked_at` 用于追踪近 6 个月需求变化。
+- `snapshot_type=changed` 时必须写 `previous_snapshot` 或在正文说明变化依据。
 - `skills` 使用 [skill-taxonomy](skill-taxonomy.md) 中的标签，新增标签要同步补充说明。
 - `Raw JD Summary` 只做摘要和结构化提取，避免长篇搬运。
 - `Extracted Signals` 是最重要部分：它把 JD 从资料变成判断。

jobs/source-registry.md

@@ -2,6 +2,8 @@
 
 这个文件记录 JD 收集来源、优先级和搜索策略。
 
+默认收集窗口是滚动最近 6 个月。每次收集要尽量保留岗位快照，用于观察需求变化。
+
 ## Source Priority
 
 | Priority | Source Type | Use |
@@ -54,7 +56,8 @@ DeepSeek 大模型 应用 工程师 北京
 
 ## Collection Cadence
 
-- weekly: 新增岗位和明显变化
+- initial backfill: 补齐最近 6 个月范围内的目标公司岗位
+- weekly: 检查窗口内新增岗位、下线岗位和描述变化
 - monthly: 高频技能、公司差异和知识缺口汇总
 - quarterly: 判断哪些能力已经从加分项变成基础要求
 
@@ -62,10 +65,10 @@ DeepSeek 大模型 应用 工程师 北京
 
 当你让我收集 JD 时，我会：
 
-1. 先确认范围：城市、公司、关键词、时间窗口。
+1. 默认使用最近 6 个月窗口；必要时再确认城市、公司和关键词。
 2. 优先查官方来源，再补充招聘平台和社区线索。
 3. 为每条岗位创建 `jobs/items/` 笔记。
-4. 抽取技能、业务方向、隐含能力和知识缺口。
+4. 抽取技能、业务方向、隐含能力、知识缺口和需求变化。
 5. 更新 [market-insights](market-insights.md) 和 [skill-taxonomy](skill-taxonomy.md)。
 6. 标记需要补论文、实验或项目验证的方向。
 
@@ -74,3 +77,4 @@ DeepSeek 大模型 应用 工程师 北京
 - 一些招聘平台需要登录、验证码或限制搜索结果。
 - 同一岗位可能在多个渠道重复出现，需要按公司、岗位、来源和日期去重。
 - JD 过期很快，所有判断都必须带日期。
+- 部分官网不保留历史 JD，必要时用招聘平台、搜索缓存或用户提供的快照补充。