LO
我们如何评估一个职业
大多数关于自动化的报道,把三个不同的问题压成一个数字。我们把它们分开,并且会告诉你:任何一条结论,站的是三者中的哪一个。
评估单位是任务,不是职业#
职位名称只是一组恰好被打包购买的任务。自动化作用在任务上,所以我们在任务这一层评估。
三层永不合并#
关于自动化的报道里最常见的错误,就是把「机器能做这件事」当成「这个岗位会消失」。
机器到底能不能完成这项任务?
企业在这个场景里会不会真的采用 —— 成本、可靠性、监管、维护?
采用之后,人数或职责真的变了吗?
四类技术信号#
分别追踪。一个职业暴露于其中两类,不等于风险翻倍 —— 这些风险不相加。
那条曲线是重建的,不是测量的#
每个职业页上都有一条回溯到 2022 年底的影响曲线。那些数值在当时没有任何人测量过 —— 它们是我们事后估出来的,而图表在你看到它之前就会这么说。
证据分阶段#
不是每一条新闻都有资格改变评估。一次演示和一次裁员不是同一类事实,所以权重不同 —— 而且其中只有一部分能改变基线。
只有二手摘要或信息不完整。会记录,但绝不改变评估。
演示、评测或论文表明技术上能做。它更新的是「技术能力」,不是「企业会怎么做」。
真实场景里的小规模试验。说明落地条件正在被检验,不代表条件已经成立 —— 所以单独一次试点永远不够,两次互不相干的才够。
企业已正式投入使用。可以改变基线,但要结合规模与场景相似度加权。
招聘、人数、工时或职责出现可验证变化。权重最高 —— 但因果归因仍需论证,不能默认。
失败、撤回、监管或成本正在抑制采用。可以下调评估,或扩大不确定区间。
每条结论都带标签#
你不该需要猜:某句话到底是有来源的事实,还是我们的推理。
目前 982 条已核实事件支撑了 825 项任务判断中的 583 项;其余标记为「平台推断」。每条记录在录入前都读过原文,而做过哪些检查,写在记录本身里。我们宁可诚实地给出这个数,也不引用未经核实的来源。
一条判断是怎么产生的#
上面讲的是标准。这一节讲标准怎么被执行 —— 因为一条只写在文档里的规则,连写它的人都拦不住。
01找源每天两次。按地区找,不按职业搜。4 步
1.1evidence watch
1.2evidence source
1.3occurredOn
1.4hard-sourced.ts
交出的是线索,不是记录。
02录入每条记录三步,一步不能省。3 步
2.1evidence add
2.2evidence verify
2.3evidence annotate
交出的记录自带层级标签。
03检查每一道检查都在任何东西上线之前跑。3 步
3.1basis-rule.ts
3.2attachEvidence
3.3inventory-claims
全部通过才往下走。
04上线灰度副本上两道闸门。任一不过,什么都不上线。3 步
4.1canary
4.2sweep
4.3audit:seo
上线 —— 然后先等一会儿再验收。
05上线之后盯着每天一次。沉默也要报。3 步
5.1digest
5.2evidence check --urls
5.3watchdog
需要判断的往上交。
06什么会交给人只有这些。其余都在这条流程里决定。3 步
6.1evidence cosign
6.2EVIDENCE_STAGE_META
6.3harness
回到 01 —— 一天两次,不间断
写内容的那一层,不持有任何能碰已发布站点的凭据。一次跑错的最坏结果是一次不通过的检查,不是一个错误的页面。它能改的是证据文件、译文和三份检索索引;测试、规则、这一页的文案,以及它自己的操作说明,对它一律关闭 —— 连往里加东西都不行,因为一次改动看不出是在加固还是在削弱一道检查。
谁在核实:站上每一条记录,都由 VOLO 的 agent 对着它自己的来源核实过 —— 抓来原件、逐段对照,并把做过的检查写进记录里、显示在它的页面上。二手来源另外需要第二个具名的人才算数。这不等于「有人把它们逐条看过」,我们也不这么说。
这台机器做错了什么
上面那张图是一个关于这个站怎么被生产出来的声称。一个无法核对的声称不值钱,所以下面每一条都带着修它的那次提交。
一个叫 Deploy 的流程在什么都没发布的情况下报告了成功。
缺少发布凭据时它跳过了全部发布步骤,而整个运行仍然结论为成功 —— 于是一条新记录被当成已上线,而它的页面在线上是 404。现在它会失败。
2026-09-21 · 87a0fe1
这一页曾把核实描述成由人来做的事。实际上每条记录都是 agent 对着它自己的来源核实的。
已改。同一页还写着监测层尚未接入,而它已经每天运行了好几天。两句话都已经假了好几天,而当时没有任何东西会发现。
2026-09-21 · 62c5102
站上有守卫防止夸大我们手上有多少证据,却没有守卫防止说错证据是怎么产生的。
已补上,而且它的判据取自数据本身,不是取自刚改好的那两句话。它第一次运行就找到了第三处夸大。
2026-09-21 · b3f4588
有些页面在描述本站自己的证据库存 —— 那种句子在下一条记录落地的瞬间就变成假的。
按文件搜索找到 20 处;而那条遍历每门语言的守卫找到了 29 处、覆盖 17 条路径。其中一处已经是假的,另一处是当天下午刚写的。
2026-09-15 · 9c19cd0
底下的本体#
站上每一页、每个工具、每份文件读的都是同一组对象与关系,对它们的每一次改动都走一个有名字的动作。下面是它的总体结构;那张卡片是一项真实的任务,从图里取出来的。
AI 与人协作
代理与自动化
- 18 个只读 MCP 工具,包括 query_ontology
- 付费的个人 MCP 地址
- 证据循环与每周简报
- 专业通往 →职业
- 职业对应 →官方分类代码
- 职业给出 →出路
- 职业由…组成 →任务
- 证据记录支撑 →任务
- 任务对齐 →O*NET 工作活动
- 证据记录引用 →来源
- 任务判为 →判断
- 规则约束 →任务
- 证据记录读的是 →规则
- 规则适用于 →管辖地
- 录入证据 →核实 →映射代码 →对齐任务 →改一条判断 →读一条规则 →
任务对象
治疗、接种与手术兽医
- 方向
- 仍由人主导
- 依据
- 有证据支撑
- 已核实记录
- 1
- O*NET 活动
- 治疗动物的伤病。 只覆盖这项任务的一部分
- O*NET 活动
- 为患者实施手术治疗。 只覆盖这项任务的一部分
- O*NET 活动
- 为患者接种疫苗。 只覆盖这项任务的一部分
- 规则
- Animals and Birds Act 1965, section 53 不得
来源
- O*NET 31.0、ESCO、ISCO-08、SSOC 2024、NCES 对照表
- 法律、监管机构与法院
- 统计机构与公司自己的公告和申报
逻辑
- 哪些记录能移动一条判断、要几条
- 功劳归最早移动它的那条记录
- 厂商描述自家产品,永远不移动任何东西
- 定论性的词只能带着出处出现
- 曲线是重建的,画到现在为止
- 职业之间的线索,由人决定
检查与回写
- 每一次改动都是一个有条件、有记录的动作
- 证据只从一条命令进来,带着具名的核实人
- 每次改动都跑守卫测试,每次发布前过两道闸门
- 无人值守的循环只能添加内容
完整的定义 —— 每一种对象、属性、关系、动作,以及执行每一条的代码 —— 作为开放数据发布: volo-ontology.json · 开放数据
我们明确不做的事#
- 把不同技术的风险相加成一个分数。
- 把任何东西称为失业概率。
- 在没有数据时,让模型编一个看起来合理的百分比。
- 把一家公司的案例外推到全球某个职业。
- 把一条新闻被转载的次数当成证据强度。
- 在没有可信因果论证时,把裁员归因于 AI。
- 用「学习 AI」「保持终身学习」这类建议充当计划。
有多少是站在证据上的#
每个职业页上那些逐条标注,加总起来是这样。
已研究 162 个职业、18 个专业。982 条已核实事件关联到 162 个职业,让 825 项任务判断中的 583 项有了证据支撑;其余 242 项在页面上逐条标记为「平台推断」。
接下来#
证据通过上面那一条可审计的路径进入:每个事件记录来源 URL、日期、阶段、适用范围和它支撑的任务;录入后是待核实状态,对着那个来源核实过才进入页面 —— 并把关联任务从「平台推断」翻成「有证据支撑」。盯权威机构的那一层已经在跑,而它只提议:任何东西都要先过核实,才会出现在页面上。