Vieses em dados salariais ou de promoção são reais, mas fáceis de escapar e perigosos de interpretar mal. Este spotter analisa registos de RH anonimizados à procura de padrões que uma pessoa deve examinar.
sonnet1 semanaHRIS exportpandasOpenAIConfluence
Claude
69ROI
73Scale
$1.4k89Saved
ROI for
README.md
Porquê este subagente
Vieses em dados salariais ou de promoção são reais, mas fáceis de escapar e perigosos de interpretar mal. Este spotter analisa registos de RH anonimizados à procura de padrões que uma pessoa deve examinar.
Cada descoberta vem com as suas ressalvas: dimensão da amostra, limitações dos dados e uma nota clara de que se trata de um sinal para revisão humana, não de um veredito. Ajuda uma equipa de RH ou jurídica a saber onde olhar, sem pretender que os números provem intenção.
Como funciona
Used at step 01 to kick off the pipeline.
Write
Used at step 01 to kick off the pipeline.
WebFetch
Used at step 01 to kick off the pipeline.
WebSearch
Used at step 01 to kick off the pipeline.
Agrupue os registos por função e nível, procurando lacunas que coincidam com atributos protegidos.
pending
Destaque padrões dignos de revisão humana, apresentando-os sempre como sinais e nunca como conclusões.
pending
Produza um relatório com as ressalvas, tamanhos de amostra e limites de cada conclusão explicitamente descritos.
pending
Saída de exemplo
json
// Sample output
// (generated when the pipeline finishes)
Report statistical gaps in the HR data by group, always with sample size and a stated caveat; flag for human review and never assert intent or causation.
Unlock the rest
The full agent definition, install snippet, and starter task are gated for community members.
Members get the full `.md` agent file, the npm / pnpm install one-liners, a starter prompt that we've tuned against real runs, and the open-source repo when this automation ships there. One email, magic link, done.