Initial commit

skills/resume-builder/SKILL.md

@@ -0,0 +1,133 @@
+---
+name: resume-builder
+description: 从零生成或全面优化一份中文简历，并导出 docx / pdf / markdown 多种格式。用 STAR 法则改写经历、做 ATS 关键词覆盖率检查、根据行业（互联网产品 / 技术 / 金融 / 通用）选模板。当用户说"帮我写简历 / 优化简历 / 简历不会写 / 我的简历太弱了 / 简历看起来不专业 / 简历改一改 / 给我做个简历模板 / 简历导出 / 简历加点关键词"，或者上传 .pdf/.docx 简历后说"看看怎么改"时，必须触发本 skill。即使用户只问"我的简历有什么问题"也要触发。
+---
+
+# Resume Builder（简历生成与优化）
+
+这个 skill 干三件事：
+
+1. **结构化生成**：从用户经历产出一份符合中文求职市场审美的简历
+2. **STAR 法则改写**：把"参与了 X"这种弱句子，改写成"通过 X 实现 Y，结果 Z"
+3. **ATS 关键词优化 + 多模板导出**：保证简历能过自动筛选，并支持 docx/pdf/md
+
+不做：JD 定向改写（那是 jd-resume-tailor 的事，请在那里做"针对某 JD 改简历"）
+
+---
+
+## 何时触发
+
+- "帮我写一份简历"
+- "我的简历太弱了 / 没有亮点 / 看起来不专业"
+- "把这段经历用 STAR 改一下"
+- "简历里关键词够不够"
+- "导出 PDF / docx 简历"
+- 用户上传简历但没明确说"针对某 JD 改" → 触发本 skill；如果说了"针对 X 公司 / X 岗位改" → 调用 jd-resume-tailor
+
+---
+
+## 工作流
+
+### Step 1: 摸清简历当前状态
+
+如果用户**有简历文件**（.pdf / .docx / .md / .txt）：
+- pdf 走 pdf skill 解析
+- docx 走 docx skill 解析
+- 提取出：基本信息、教育、工作经历、项目经历、技能、其他
+
+如果用户**没有简历**：
+- 用 AskUserQuestion 收集信息（参考 `references/intake_questions.md` 里的问题清单）
+- 一次问 3~4 个问题，分轮收集，避免劝退
+
+### Step 2: 选模板
+
+读取 `references/templates/` 决定结构：
+
+- 互联网产品 / 运营 / PM → `templates/internet.md`
+- 技术 / 研发 / 数据 → `templates/tech.md`
+- 金融 / 咨询 / 商科 → `templates/finance.md`
+- 通用 / 跨行业 → `templates/general.md`
+
+如果用户没指定方向，用通用模板，但**询问一句**："你下一步主要往什么方向投？我可以用更适合那个方向的版式。"
+
+### Step 3: 用 STAR 改写每段经历
+
+读取 `references/star_rewrite_guide.md`，对每条工作 / 项目经历做 STAR 改写。
+
+**STAR 不是死板的四段式**，而是确保每条 bullet 都有：
+- **背景信号**（一句话点出问题大小或情境）
+- **动作**（你具体做了什么，要有动词）
+- **结果**（数字 / 百分比 / 排名 / 规模）
+
+如果用户提供的信息里**没有数字**，要主动追问："这个项目用户量大概是多少？""这个优化大概提了多少？记不准的话给个量级也行。"
+
+### Step 4: ATS 关键词检查
+
+调用脚本：
+
+```bash
+python scripts/ats_check.py --resume <resume.md> \
+    --industry internet \
+    [--jd <jd.txt>]
+```
+
+脚本会：
+1. 抽取简历里的关键词
+2. 对照行业关键词库（来自 job-intent-tracker 或本 skill 的 `references/keywords/`）
+3. 输出"已覆盖 / 建议补充"两个清单
+4. 给出 ATS 友好度评分（字体单一性、表格使用、特殊符号、图片等）
+
+**ATS 友好的硬规则**：
+- 不要用 word 表格放经历（很多 ATS 解析不了）
+- 不要把日期放在装饰性图片里
+- 不要写两栏布局（有些 ATS 会按列读，导致顺序混乱）
+- 不要插图标 / emoji 在标题里
+- 字体用宋体 / 思源宋体 / Arial / Helvetica 之一
+
+### Step 5: 多格式导出
+
+读取 `references/export_guide.md`，按用户需求选择：
+
+**docx 导出**（最通用，国内 HR 优先要 docx）：
+- 调用 docx skill
+- 用 `assets/resume_template.docx` 作为模板（如果存在）
+
+**pdf 导出**（最终投递版）：
+- 推荐流程：先 docx → 再用 word/libreoffice 转 pdf
+- 直接生成 pdf 用 reportlab 比较丑，不推荐
+- 调用 pdf skill 做后处理（加密 / 元数据清理）
+
+**markdown 导出**（备份 + GitHub）：
+- 直接写 .md 文件即可
+
+**默认行为**：除非用户指定，同时输出 docx + md 两个版本。
+
+### Step 6: 自检 & 反馈
+
+输出后做一次自检（写到聊天里给用户看，不用单独存文件）：
+
+```
+✓ 长度：< 1 页（应届）/ ≤ 2 页（社招）
+✓ 联系方式齐全（手机 + 邮箱，可选 GitHub/作品集）
+✓ 每段经历都有量化结果
+✓ 关键词覆盖率（vs <industry> 行业库）：__%
+✓ ATS 友好度：__/10
+⚠ 待用户确认：<还需要补的信息>
+```
+
+---
+
+## 反模式（不要做）
+
+- ❌ 帮用户编数字（说"提升 30%"但用户根本没说过）—— 必须基于用户提供的信息，不知道就标 `[待补充：具体数字]`
+- ❌ 用形容词堆砌（"具有出色的沟通能力" "认真负责" "有上进心"）—— 删掉
+- ❌ 一段经历写超过 5 条 bullet —— 太密会被 HR 跳过
+- ❌ 写"自我评价"长篇 —— 国内现在不流行，1~2 行 summary 即可
+- ❌ 把所有公司都写一样的 bullet 数 —— 重要的多写，次要的少写
+- ❌ 把"熟悉 / 了解 / 会用"当能力描述 —— 改成"用 X 做了 Y"
+
+## 与其他 skill 的协作
+
+- 用户接着说"针对这家公司改一下" → 转 `jd-resume-tailor`
+- 用户接着说"准备面试" → 转 `interview-prep`
+- 用户没确定方向就来改简历 → 先反问"你打算投什么方向？"，必要时转 `job-intent-tracker`

skills/resume-builder/references/export_guide.md

@@ -0,0 +1,55 @@
+# 简历导出指南
+
+## 推荐组合
+
+- **投递主用**：docx（HR 直接收的格式）+ pdf（最终版本，防排版错乱）
+- **备份**：md（自己迭代用、放 GitHub）
+
+## docx 导出（默认）
+
+调用 docx skill。模板优先级：
+1. 用户提供模板 → 用用户的
+2. `assets/resume_template.docx` 存在 → 用本 skill 的
+3. 都没有 → 用 docx skill 的默认样式（注意控制字体、行距、margin）
+
+样式参数（推荐默认）：
+- 中文字体：思源宋体 / 宋体 / 微软雅黑（HR 电脑大概率有）
+- 英文字体：Arial / Helvetica / Calibri
+- 字号：正文 10.5~11pt，标题 12~14pt，姓名 16~18pt
+- 行距：1.15~1.3
+- 页边距：上下 1.5cm，左右 1.8cm
+- 颜色：通体黑色 + 一个低饱和度强调色（深蓝 / 深灰）
+
+## pdf 导出
+
+**推荐**：docx → libreoffice headless 转 pdf
+
+```bash
+libreoffice --headless --convert-to pdf <input.docx> --outdir <out_dir>
+```
+
+**不推荐**：直接用 reportlab / weasyprint 从头画，效果丑且容易踩字体坑。
+
+## markdown 导出
+
+最简单直接：文件名建议 `resume_<姓名拼音>_<YYYYMM>.md`，例如 `resume_zhangsan_202605.md`。
+
+## 文件命名建议
+
+投递时的文件名极其重要（很多 HR 直接按文件名搜）：
+
+`<姓名>_<目标岗位>_<X 年经验>.<ext>`
+
+例：`张三_高级产品经理_5年.pdf`
+
+不要叫 `final.pdf` `final_v2.pdf` `修改版.docx`，HR 会觉得你不专业。
+
+## 元数据清理（pdf）
+
+调用 pdf skill 清理 metadata（作者、创建工具），避免泄露原始 word 模板的来源（比如某些模板会留下"WPS 简历模板 v3.2"字样）。
+
+## 隐私 & 安全
+
+- 简历**默认不写身份证号、家庭住址、紧急联系人**
+- 投行 / 公务员 / 国企等特殊岗位另外要求时再补
+- 如果用户上传的简历里有这些，导出新版本时**主动删除并提示用户**

skills/resume-builder/references/intake_questions.md

@@ -0,0 +1,44 @@
+# 简历信息收集问题清单
+
+分 3 轮问，不要一次性塞给用户。
+
+## 第 1 轮：基本信息（必问）
+
+1. 你的姓名 + 联系方式（手机、邮箱，可选 GitHub / 作品集）
+2. 学历（学校 + 专业 + 学历层次 + 毕业年份；多段教育依次列）
+3. 你目前 / 最近一份工作的：公司、岗位、起止时间
+
+## 第 2 轮：经历主体（必问）
+
+针对每段工作 / 实习 / 项目，按这个套路问：
+
+- 这段经历你**主要负责什么**？
+- 有哪些**具体的事情**是你独立或主导做的？（关键词：你"做了什么"，不是"参与了什么"）
+- **结果如何**？有没有可以量化的数字（用户量、转化率、收入、效率提升、排名等）
+- 这段经历你最得意的**一件事**是什么？
+
+如果用户记不清数字，可以这样追问：
+- "大致量级也可以，比如 10 万 / 百万 / 千万"
+- "百分比记不清的话，给一个 range，比如『大约 20-30%』"
+- "如果完全没办法估，我会标成『[需补具体数字]』，你后面填"
+
+## 第 3 轮：补充信息（可选）
+
+- 技能 / 工具：编程语言、框架、设计 / 数据 / 办公工具
+- 语言能力：英语 / 其他语种 + 等级
+- 证书 / 获奖：仅写有含金量的（CFA Level 2、ACM 区域赛、PMP 等）
+- 兴趣 / 其他：除非真的有亮点（比如马拉松、独立游戏作品），否则不写
+
+## 应届生补充问
+
+- 校园经历（学生会、社团、志愿者）—— 但只挑能体现"领导 / 组织 / 推动力"的写
+- 课程项目 —— 挑跟目标岗位相关的 1~2 个
+- GPA / 排名 / 奖学金 —— 高于 3.5/4.0 或专业前 20% 才写
+
+## 转行候选人补充问
+
+- 你为什么想转到这个方向？
+- 你已经为转行做了哪些准备（自学、项目、副业、证书）？
+- 原岗位有哪些**可迁移技能**？（举具体例子）
+
+把这些信息会用到一段简短的"个人简介 / Career Summary"里，化解 HR 看到转行简历时的困惑。

skills/resume-builder/references/keywords/finance.txt

@@ -0,0 +1,50 @@
+DCF
+LBO
+Comps
+M&A
+IPO
+Pitchbook
+Bloomberg
+Capital IQ
+Wind
+Choice
+财务建模
+估值
+敏感性分析
+行业研究
+deal
+路演
+招股书
+投资逻辑
+catalyst
+催化剂
+风险点
+ROE
+ROIC
+EBITDA
+PE
+PB
+EV
+sizing
+case interview
+hypothesis
+MECE
+issue tree
+PowerPoint
+Excel 高阶
+VBA
+SQL
+Python
+CFA
+CPA
+FRM
+ACCA
+PMP
+量化
+策略
+回测
+因子
+基本面
+技术面
+夏普
+最大回撤

skills/resume-builder/references/keywords/general.txt

@@ -0,0 +1,25 @@
+SQL
+Excel
+PowerPoint
+Word
+Notion
+飞书
+Jira
+Asana
+英语
+项目管理
+跨部门协作
+推动落地
+ownership
+数据驱动
+用户同理心
+快速学习
+影响力
+说服力
+量化
+可迁移
+0-1
+1-N
+ROI
+KPI
+OKR

skills/resume-builder/references/keywords/internet.txt

@@ -0,0 +1,45 @@
+产品规划
+产品迭代
+PRD
+需求评审
+用户访谈
+用户画像
+用户增长
+留存
+转化率
+A/B 测试
+漏斗分析
+数据驱动
+跨部门协作
+推动落地
+0-1
+1-N
+商业化
+PMF
+增长黑客
+AARRR
+私域
+GMV
+ROI
+CAC
+LTV
+SOP
+SaaS
+B 端
+C 端
+内容运营
+社群运营
+活动运营
+PMP
+Scrum
+看板
+Sprint
+Jira
+Confluence
+Notion
+飞书
+SQL
+Tableau
+Figma
+Axure
+墨刀

skills/resume-builder/references/keywords/tech.txt

@@ -0,0 +1,69 @@
+Java
+Go
+Python
+TypeScript
+Spring Boot
+Spring Cloud
+gRPC
+微服务
+Kafka
+RabbitMQ
+Redis
+ZooKeeper
+MySQL
+PostgreSQL
+MongoDB
+ClickHouse
+HBase
+TiDB
+Docker
+Kubernetes
+Helm
+AWS
+GCP
+阿里云
+高并发
+高可用
+分布式
+一致性
+限流
+降级
+熔断
+分库分表
+读写分离
+React
+Vue
+Next.js
+Vite
+Webpack
+PyTorch
+TensorFlow
+sklearn
+XGBoost
+LightGBM
+特征工程
+RAG
+向量检索
+Embedding
+LLM
+SFT
+RLHF
+Agent
+MCP
+vLLM
+量化
+SQL
+Spark
+Flink
+Hive
+Presto
+Airflow
+A/B 测试
+模型评估
+Prometheus
+Grafana
+ELK
+CI/CD
+Jenkins
+GitLab CI
+Terraform

skills/resume-builder/references/star_rewrite_guide.md

@@ -0,0 +1,83 @@
+# STAR 改写指南
+
+## 核心心法
+
+STAR = Situation（情境）+ Task（任务）+ Action（动作）+ Result（结果）
+
+但**写在简历里的 bullet，不是把 STAR 四段都堆进去**，而是浓缩成一句话，里面隐含 STAR 信号：
+
+```
+[动作动词] + [对象 / 范围] + [方法 / 工具] + [量化结果]
+```
+
+举例：
+
+❌ 弱：参与了 XX 系统的开发
+✅ 强：主导设计并落地 XX 订单系统的库存模块，引入 Redis 分布式锁解决超卖，支撑日均 80 万订单，P99 延迟从 320ms 降至 95ms
+
+❌ 弱：负责活动运营
+✅ 强：策划"618 老客回流"活动，覆盖 30 万沉默用户，通过分层 push + 优惠券组合，回流率 11.4%（基线 4.2%），ROI 3.8
+
+## 改写流程
+
+1. **找到原 bullet 的 STAR 短板**
+   - 没有动作动词？补
+   - 没有量化结果？追问用户
+   - 动作太空泛（"参与/协助/配合/支持"）？换成实做动词
+   - 没有方法 / 工具？补
+
+2. **应用动词库**（见下文）
+
+3. **加量化**（数字 / 百分比 / 排名 / 时间 / 规模 任选）
+
+4. **控制长度**：单条 bullet ≤ 2 行
+
+## 强动作动词库（按职能分）
+
+### 通用
+主导、负责、推动、发起、设计、搭建、优化、复盘、孵化、闭环
+
+### 产品 / 运营
+规划、迭代、调研、定义（功能）、灰度、A/B 测试、数据归因、上线、回滚
+
+### 技术
+重构、架构设计、调优、解耦、抽象、模块化、自动化、监控、容灾、降级
+
+### 数据
+建模、清洗、归因、可视化、回归、聚类、特征工程、训练、上线
+
+### 销售 / BD
+开拓、签约、续约、回款、谈判、漏斗管理、客户分层
+
+### 管理
+组建（团队）、培养、绩效管理、目标拆解、跨部门协调
+
+## 弱词替换表
+
+| 弱词 | 推荐替换 |
+|------|---------|
+| 参与了 | 主导 / 负责模块 ___（写明边界） |
+| 协助 | 与 ___ 协作完成 ___（写明合作方和成果） |
+| 配合 | 同上 |
+| 跟进 | 推动 / 督办 / drive |
+| 帮助 | 通过 ___ 帮 ___ 实现 ___ |
+| 学习了 | 掌握并应用 ___ 完成 ___ |
+| 接触过 | 删掉，要么改成具体项目 |
+| 熟悉 / 了解 | 删掉抽象词，写具体项目 |
+
+## 量化暗示库
+
+如果用户实在给不出数字，可以用以下"软量化"先占位，标注 `[待补]`：
+
+- 用户 / 客户规模：万级 / 百万级 / 千万级
+- 团队规模：3 人 / 10 人 / 跨部门
+- 项目周期：2 周 / 1 个季度 / 半年
+- 业务影响：核心 / 关键 / 试点
+- 同行对比：行业首个 / 公司第一个 / Tier 1 客户
+
+## 自检：每条 bullet 问自己
+
+- 用动词开头了吗？
+- 有 1 个以上的数字 / 量级吗？
+- 删掉这条，简历会损失什么？如果答案是"不会"，就删
+- 这条让 HR 联想到什么具体能力？

skills/resume-builder/references/templates/finance.md

@@ -0,0 +1,63 @@
+# 金融 / 咨询 / 商科 简历模板
+
+## 结构（投行 / 咨询风格，强调 deal / case 列表）
+
+```
+姓名 ｜ 电话 ｜ 邮箱 ｜ LinkedIn ｜ 城市
+
+【教育背景】（金融 / 咨询岗放最前面，因为学校 + GPA 是硬筛）
+学校 | 专业 | 学位 | 起止时间
+- GPA: X.XX/4.00 (Major: X.XX/4.00)
+- 排名 / 奖学金 / 荣誉
+- 相关核心课程：Corporate Finance, Financial Modeling, ...
+- 交换 / 海外经历
+
+【工作经历】（按倒序）
+公司 | 部门 / 组 | 岗位 | 起止时间，地点
+- Deal / Case 1：项目名称 + 你的角色 + 关键贡献 + 成交规模 / 成果
+- Deal / Case 2：同上
+- Deal / Case 3：同上
+（投行/PE 一般 3~5 个 deal；咨询 3~5 个 case；研究员可写 coverage 行业 + 主要观点）
+
+【实习经历】（应届 / 早期必备，按倒序）
+（同上结构）
+
+【技能 & 证书】
+- 财务建模：DCF / LBO / Comps / M&A model 熟练
+- Excel / PowerPoint 高阶
+- Bloomberg / Capital IQ / Wind / Choice
+- CFA Level X / CPA / FRM / ACCA
+- 编程（量化加分）：Python / SQL / VBA
+- 语言：英语（雅思 7.5 / GMAT 750）、其他
+
+【领导力 / 课外活动】（仅写有含金量的）
+- 学生会 / 社团：领导职务 + 量化结果
+- 公益项目：组织规模 + 影响
+- 国际比赛：CFA Research Challenge 区域第 X 等
+```
+
+## 风格要点
+
+- **每个 deal / case 必须有**：项目类型、客户行业、自己的具体动作（建模 / 路演 / 调研）、成果（融资额 / 估值 / 报告页数 / 客户决策）
+- 投行强调 deal flow 数量 + 规模；咨询强调 case 类型多样 + 客户层级
+- 量化模板：
+  - 投行："参与 X 亿美金 ___ 行业 IPO/M&A，搭建 LBO / DCF 模型，输出 ___ 页投资人 deck"
+  - 咨询："为 X 行业 Top 3 客户开展 ___ 项目，定量分析 X 个细分市场，最终建议被客户采纳并执行 ___"
+- **学历分层敏感**：投行咨询 PE 一般只看 Tier 1 学校（清北复交浙、HKU、新加坡国立、藤校 / Top 30 美校等）。如果学校非 Tier 1，要更突出实习 / 比赛 / 自学
+
+## 中英文版本
+
+金融 / 咨询岗位**很多公司只接受英文简历**（外资行、MBB、IBD）。本 skill 默认产出中文版，但要主动问："你需要英文版本吗？我可以同时生成。"
+
+英文版本注意：
+- 用 American English（金融业以美式为主）
+- Action verb 用过去式：Led、Built、Drove、Analyzed、Advised
+- 不要用 we / our team，要用 I / my team；强调 individual contribution
+- 一页为限（除非 senior 候选人）
+
+## 雷区
+
+- 投行 / 咨询简历**没有 deal / case 列表** → 致命，重写
+- 把"在 ___ 实习"当工作经历写 → 必须改成 deal / case
+- GPA / 学校 / 标化分数缺失 → 即使低也要写（除非真的拉低很多）
+- 写"对金融感兴趣" / "希望进入投行" → 删，简历不是个人陈述

skills/resume-builder/references/templates/general.md

@@ -0,0 +1,55 @@
+# 通用简历模板（不绑定行业）
+
+适用场景：
+- 用户暂时没有明确目标方向
+- 跨行业求职（同一份简历投不同方向）
+- 早期 / 应届候选人
+- 行业不在前三类（教育 / 医疗 / 政府 / 实业 / 文娱 etc.）
+
+## 结构
+
+```
+姓名 ｜ 电话 ｜ 邮箱 ｜ 城市 ｜ 目标岗位 / 期望方向
+
+【个人简介 / Career Summary】（2~3 行）
+关键定位 + 核心能力 + 一个最有说服力的成就
+
+【工作经历 / 实习经历】（社招倒序；应届实习放教育下方）
+公司 | 岗位 | 起止时间
+- 主要职责（一行）
+- 关键成果 1（量化）
+- 关键成果 2（量化）
+- 横向 / 软技能体现（一句）
+
+【教育背景】
+学校 | 专业 | 学历 | 时间
+- GPA / 排名 / 奖学金（≥ 平均水平才写）
+- 相关课程 / 论文 / 项目（仅写与岗位相关的）
+
+【技能与证书】
+- 工具：Excel / Word / PPT 高阶；Notion / Trello；其他行业工具
+- 语言：英语等级；其他语种
+- 证书：仅写有公信力的
+
+【其他亮点】（可选，强力 case 才写）
+- 创业 / 副业经历
+- 公开演讲 / 自媒体（粉丝 / 阅读量到一定规模）
+- 公益 / 志愿者（持续 ≥ 1 年）
+- 体育 / 艺术成就（省级以上 / 商业认可）
+```
+
+## 风格
+
+- 中性、克制，避免过度行业化术语
+- 每段经历强调"可迁移技能"：沟通 / 推动 / 数据 / 学习速度 / 客户 / 领导力
+- 跨行业候选人需要在 Summary 里点明"为什么这个方向适合我"
+
+## 长度
+
+- 应届 / 实习生：1 页
+- 1~5 年：1 页（顶多 1.2 页）
+- 5+ 年：1~2 页
+
+通用模板的最大风险是**显得"啥都行但啥都不精"**。如果发现写出来就是这种感觉，要主动建议用户：
+- 选一个最强方向，切到对应的行业模板
+- 或者准备 2 份版本（互联网版 + 通用版），分场景投

skills/resume-builder/references/templates/internet.md

@@ -0,0 +1,50 @@
+# 互联网产品 / 运营 / PM 简历模板
+
+## 结构（顺序很重要）
+
+```
+姓名｜电话｜邮箱｜城市｜目标岗位
+（应届可加：在读学校 + 期望毕业时间）
+
+【个人简介 / Summary】（2~3 行，可选）
+一句话定位：X 年 ___ 经验，专注 ___，擅长 ___，曾在 ___ 主导 ___
+
+【工作经历】（社招放最前；应届放教育下面）
+公司 A | 岗位 | 起止时间
+- bullet 1（核心成绩，量化）
+- bullet 2（次重要成绩）
+- bullet 3（横向能力 / 影响力）
+
+【项目经历】（与岗位强相关的 2~4 个）
+项目名 | 角色 | 时间
+- 背景：___（一句话）
+- 动作：___（你做了什么）
+- 结果：___（量化）
+
+【教育背景】
+学校 | 专业 | 学历 | 起止时间
+（GPA 高于 3.5/4.0 才写）
+
+【技能 / 工具】
+- 数据：SQL（熟练）、Python（pandas/numpy）、Tableau
+- 产品工具：Figma / Axure / 墨刀
+- 协作：Notion / 飞书 / Jira
+- 语言：英语 CET-6 / 雅思 7.0
+
+【其他】（可选）
+证书 / 自媒体 / 开源项目 / 演讲 / 获奖
+```
+
+## 风格要点
+
+- bullet 句式："动词 + 对象 + 方法 + 结果（数字）"
+- 突出 ownership：用"主导/负责/推动"，不要用"参与/协助"
+- 数字密度：每段经历 ≥ 60% 的 bullet 含数字
+- 长度：1 页（≤ 3 年经验）；最多 2 页（5+ 年）
+
+## 常见加分项
+
+- 0-1 项目经历（哪怕规模小）
+- 跨部门 / 跨业务线协作
+- 业务复盘文章 / 公开演讲
+- 数据驱动 case（写清楚假设→实验→结论）

skills/resume-builder/references/templates/tech.md

@@ -0,0 +1,53 @@
+# 技术 / 研发 / 数据 简历模板
+
+## 结构
+
+```
+姓名｜电话｜邮箱｜GitHub｜城市｜目标岗位
+
+【个人简介 / Summary】（可选，1~2 行）
+X 年 ___ 经验，专注 ___（高并发后端 / 推荐系统 / LLM 应用 / ...），熟悉 ___ 技术栈
+
+【技能】（技术岗放前面，让 HR 一眼看到栈是否对口）
+- 语言：Java（精通）、Python（熟练）、Go（了解）
+- 后端：Spring Boot、Spring Cloud、gRPC、Kafka、Redis、MySQL、ClickHouse
+- 大数据 / 算法：Spark、Flink、Hive、PyTorch（如果是算法岗）
+- 工程：Docker、Kubernetes、Linux、Git、CI/CD
+- 其他：TypeScript、AWS
+
+【工作经历】
+公司 A | 职级（高级工程师 / 资深工程师 / Tech Lead）| 起止
+- 系统级成绩（含 QPS、延迟、可用性、规模等数字）
+- 架构 / 设计贡献（你设计了什么、为什么这么选）
+- 业务影响（推动了什么业务结果）
+
+【项目经历】
+项目名 | 角色 | 技术栈 | 时间
+- 背景：业务规模 / 痛点（一句话）
+- 方案：你的核心设计 + 关键技术决策（讲为什么）
+- 结果：性能 / 稳定性 / 成本 数字
+
+【教育背景】
+
+【开源 / 论文 / 比赛】（强加分）
+- GitHub 项目（star 数 / 主要 contributor）
+- 论文（标注会议 / 期刊）
+- 比赛（Kaggle / ACM / 天池 / 黑客松，含名次）
+```
+
+## 风格要点
+
+- **少形容词，多数字 + 技术细节**
+  - 弱："优化了系统性能"
+  - 强："通过引入二级缓存 + SQL 改写，将商品详情接口 P99 从 480ms 降至 110ms"
+- **讲清楚『你做了什么』vs『团队做了什么』**：用"主导"/"负责"明确 ownership 边界
+- 算法岗：技能列表里**强调具体模型 / 框架版本**（避免堆砌 buzzword）
+- LLM / Agent 岗：明确写"训练 / 微调 / 推理 / 应用"中你做的部分，避免被以为是 prompt-only
+- 长度：1~2 页
+
+## 常见雷区
+
+- 简历里写"精通"，面试问到一脸懵 → 不熟就写"熟练 / 了解"
+- 列出 20+ 技能，问哪个都不深 → 删到 8~12 个真正会的
+- 把课程内容当项目经历 → 标注"课程项目 (Course Project)"，不要假装是工业项目
+- 项目描述只有"什么是 ___"，没有"我做了什么" → 重写

skills/resume-builder/scripts/ats_check.py

@@ -0,0 +1,269 @@
+#!/usr/bin/env python3
+"""
+ats_check.py — 简历 ATS（Applicant Tracking System）友好度检查 + 关键词覆盖率
+
+用法：
+    python ats_check.py --resume resume.md --industry internet
+    python ats_check.py --resume resume.md --industry tech --jd jd.txt
+    python ats_check.py --resume resume.docx --industry finance --out report.md
+
+支持输入：.md / .txt / .docx（docx 走 python-docx，需要 pip install python-docx）
+"""
+
+from __future__ import annotations
+
+import argparse
+import re
+import sys
+from pathlib import Path
+
+INDUSTRIES = {"internet", "tech", "finance", "general"}
+
+
+def load_resume_text(path: Path) -> str:
+    suffix = path.suffix.lower()
+    if suffix in {".md", ".txt"}:
+        return path.read_text(encoding="utf-8")
+    if suffix == ".docx":
+        try:
+            from docx import Document
+        except ImportError:
+            print(
+                "✗ 缺少 python-docx，请先安装：pip install python-docx --break-system-packages",
+                file=sys.stderr,
+            )
+            sys.exit(1)
+        doc = Document(str(path))
+        return "\n".join(p.text for p in doc.paragraphs)
+    print(f"✗ 暂不支持的格式：{suffix}", file=sys.stderr)
+    sys.exit(1)
+
+
+def load_keywords(industry: str, references_dir: Path) -> list[str]:
+    path = references_dir / "keywords" / f"{industry}.txt"
+    if not path.exists():
+        print(f"✗ 关键词库不存在：{path}", file=sys.stderr)
+        sys.exit(1)
+    return [
+        line.strip()
+        for line in path.read_text(encoding="utf-8").splitlines()
+        if line.strip()
+    ]
+
+
+def coverage(resume_text: str, keywords: list[str]) -> dict:
+    text_lower = resume_text.lower()
+    hits, missing = [], []
+    for kw in keywords:
+        # 兼容大小写、中英混排
+        if kw.lower() in text_lower:
+            hits.append(kw)
+        else:
+            missing.append(kw)
+    return {
+        "hits": hits,
+        "missing": missing,
+        "rate": len(hits) / len(keywords) if keywords else 0,
+    }
+
+
+def jd_extract_keywords(jd_text: str) -> list[str]:
+    """从 JD 文本里抽取候选关键词。简易版：取常见技能/工具/动词。"""
+    # 抓中文 2~10 字、英文 2~30 字的"实词"
+    candidates = re.findall(
+        r"[A-Za-z][A-Za-z0-9+/.\-_]{1,29}|[一-龥]{2,10}",
+        jd_text,
+    )
+    # 简单去停用词
+    stop = {
+        "公司", "工作", "我们", "你将", "团队", "需要", "能够", "具备", "熟悉",
+        "了解", "良好", "优秀", "经验", "能力", "岗位", "职责", "要求", "以上",
+        "相关", "及其", "或者", "进行", "完成", "负责", "推动", "实现", "提升",
+        "并且", "包括", "以下", "根据",
+    }
+    seen = set()
+    out = []
+    for c in candidates:
+        key = c.lower()
+        if key in seen or c in stop:
+            continue
+        seen.add(key)
+        out.append(c)
+    return out[:80]  # 取前 80 个候选
+
+
+def ats_friendliness(text: str, source_path: Path) -> tuple[int, list[str]]:
+    """评估 ATS 友好度，返回 (分数 / 10, 警告列表)。"""
+    score = 10
+    warnings = []
+
+    # 长度
+    if len(text) < 200:
+        score -= 3
+        warnings.append("⚠ 简历文本过短（< 200 字符），可能解析失败或内容不足")
+    elif len(text) > 6000:
+        score -= 1
+        warnings.append("⚠ 简历偏长（> 6000 字符），建议精简到 1~2 页")
+
+    # 联系方式
+    has_email = bool(re.search(r"[\w.\-+]+@[\w.\-]+\.\w+", text))
+    has_phone = bool(re.search(r"(\+?86[-\s]?)?1[3-9]\d{9}|\d{3}[-\s]?\d{4}[-\s]?\d{4}", text))
+    if not has_email:
+        score -= 1
+        warnings.append("⚠ 没找到邮箱")
+    if not has_phone:
+        score -= 1
+        warnings.append("⚠ 没找到手机号")
+
+    # 装饰符号
+    decorative = re.findall(r"[★☆●○◆◇▶▷■□▪▫♦]", text)
+    if len(decorative) > 5:
+        score -= 1
+        warnings.append(f"⚠ 用了 {len(decorative)} 个装饰符号（★●◆等），ATS 可能识别异常，建议精简")
+
+    # emoji
+    emojis = re.findall(r"[\U0001F300-\U0001FAFF\U0001F600-\U0001F64F]", text)
+    if emojis:
+        score -= 1
+        warnings.append(f"⚠ 检测到 {len(emojis)} 个 emoji，部分 ATS 会乱码，建议删掉")
+
+    # 数字密度（量化结果是否充分）
+    numbers = re.findall(r"\d+(?:\.\d+)?%?", text)
+    bullet_count = len(re.findall(r"^\s*[-*•]\s+", text, flags=re.MULTILINE))
+    if bullet_count > 0:
+        density = len(numbers) / bullet_count
+        if density < 0.4:
+            score -= 1
+            warnings.append(
+                f"⚠ 量化密度低（每条 bullet 平均 {density:.2f} 个数字），"
+                f"建议在工作 / 项目经历里多加数字"
+            )
+
+    # docx 特定
+    if source_path.suffix.lower() == ".docx":
+        try:
+            from docx import Document
+            doc = Document(str(source_path))
+            tables = len(doc.tables)
+            images = sum(1 for s in doc.inline_shapes)
+            if tables > 1:
+                score -= 1
+                warnings.append(
+                    f"⚠ docx 里有 {tables} 个表格，部分 ATS 解析表格会丢字段，"
+                    f"建议改成正文段落"
+                )
+            if images > 0:
+                score -= 1
+                warnings.append(
+                    f"⚠ docx 里有 {images} 张图片（含证件照），ATS 不读图，"
+                    f"重要信息别只放在图里；证件照可保留"
+                )
+        except Exception:
+            pass
+
+    return max(0, score), warnings
+
+
+def render_report(
+    industry_cov: dict,
+    industry: str,
+    jd_cov: dict | None,
+    ats_score: int,
+    ats_warnings: list[str],
+) -> str:
+    lines = [
+        "# 简历 ATS 检查报告",
+        "",
+        f"## 行业关键词覆盖（{industry}）",
+        f"- 命中率：**{industry_cov['rate'] * 100:.1f}%** "
+        f"({len(industry_cov['hits'])} / {len(industry_cov['hits']) + len(industry_cov['missing'])})",
+        "",
+        "**已命中**：" + (", ".join(industry_cov["hits"]) or "（无）"),
+        "",
+        "**建议补充**（前 15 个）：" + (", ".join(industry_cov["missing"][:15]) or "（无）"),
+        "",
+    ]
+
+    if jd_cov is not None:
+        lines += [
+            "## JD 关键词覆盖",
+            f"- 命中率：**{jd_cov['rate'] * 100:.1f}%**",
+            "",
+            "**已命中**：" + (", ".join(jd_cov["hits"][:30]) or "（无）"),
+            "",
+            "**JD 出现但简历没有**（重点补这些）：" + (", ".join(jd_cov["missing"][:20]) or "（无）"),
+            "",
+        ]
+
+    lines += [
+        f"## ATS 友好度评分：**{ats_score}/10**",
+        "",
+    ]
+    if ats_warnings:
+        lines += ats_warnings
+    else:
+        lines.append("✅ 没有明显问题")
+
+    lines += [
+        "",
+        "---",
+        "## 改进建议优先级",
+        "",
+        "1. 先补 JD 命中率 → 这是 ATS 通过率的最直接信号",
+        "2. 再补行业关键词 → 让简历能在更宽的搜索里被捞到",
+        "3. 最后调 ATS 友好度 → 移除装饰符号、emoji、表格、图片",
+        "",
+        "注意：覆盖率不是越高越好，**关键词必须出现在真实的成就 bullet 里**，",
+        "不要把关键词单独列一长串当 skills，会被 HR 一眼识破。",
+    ]
+    return "\n".join(lines)
+
+
+def main() -> None:
+    parser = argparse.ArgumentParser()
+    parser.add_argument("--resume", required=True, help="简历文件路径 (.md/.txt/.docx)")
+    parser.add_argument(
+        "--industry", choices=list(INDUSTRIES), required=True, help="行业方向"
+    )
+    parser.add_argument("--jd", help="可选：JD 文本文件，做精准对比")
+    parser.add_argument("--out", help="输出报告路径，缺省直接打印")
+    parser.add_argument(
+        "--references-dir",
+        default=str(Path(__file__).resolve().parent.parent / "references"),
+    )
+    args = parser.parse_args()
+
+    resume_path = Path(args.resume).expanduser()
+    if not resume_path.exists():
+        print(f"✗ 简历文件不存在：{resume_path}", file=sys.stderr)
+        sys.exit(1)
+
+    text = load_resume_text(resume_path)
+    references_dir = Path(args.references_dir)
+
+    industry_keywords = load_keywords(args.industry, references_dir)
+    industry_cov = coverage(text, industry_keywords)
+
+    jd_cov = None
+    if args.jd:
+        jd_path = Path(args.jd).expanduser()
+        if not jd_path.exists():
+            print(f"✗ JD 文件不存在：{jd_path}", file=sys.stderr)
+            sys.exit(1)
+        jd_keywords = jd_extract_keywords(jd_path.read_text(encoding="utf-8"))
+        jd_cov = coverage(text, jd_keywords)
+
+    ats_score, ats_warnings = ats_friendliness(text, resume_path)
+    report = render_report(industry_cov, args.industry, jd_cov, ats_score, ats_warnings)
+
+    if args.out:
+        out_path = Path(args.out).expanduser()
+        out_path.parent.mkdir(parents=True, exist_ok=True)
+        out_path.write_text(report, encoding="utf-8")
+        print(f"✓ 报告已生成：{out_path}")
+    else:
+        print(report)
+
+
+if __name__ == "__main__":
+    main()