5.5 KiB
Executable File
5.5 KiB
Executable File
name, description
| name | description |
|---|---|
| jd-resume-tailor | 给定一份 JD 和一份现有简历，做"JD 拆解 + 简历定向改写"。拆 JD 抽出硬技能、软技能、加分项；对照简历做 gap 分析；产出针对该岗位重写后的简历，突出相关经验、补齐关键词缺口、并保留候选人真实经历不编造。当用户说"针对这个岗位 / 这家公司改简历""帮我对一下这个 JD""我想投这个职位你看怎么改""把这份简历针对 X 公司优化""做一份定向版简历"，或同时给出 JD 文本 + 简历文件时，必须触发本 skill。**请勿用本 skill 做"从零写简历"**——那是 resume-builder 的事。 |
JD ⇄ Resume Tailor（JD 拆解 + 简历定向改写）
这个 skill 的边界很窄：只解决"已有 JD + 已有简历，要改一份命中率最高的版本"。
不做的事：
- 写新简历（去
resume-builder） - 找方向 / 推荐岗位（去
job-intent-tracker） - 出面试题（去
interview-prep）
何时触发
强信号：
- 用户给了 JD 链接 / JD 文本 + 一份简历 → 必触发
- "针对这个岗位帮我改简历"
- "对照一下这个 JD"
- "我想投 X 公司的 Y 岗，帮我看简历"
- "做一份定向版"
弱信号（先确认）：
- 只给了 JD 没有简历 → 问"你的简历方便发我看一下吗？没有的话，我可以先帮你从零做一份（resume-builder）"
- 只给了简历说"改简历" → 问"是针对哪个 JD 改？没有 JD 就用 resume-builder 通用优化"
工作流
Step 1: 解析 JD
输入可能是：
- 纯文本（用户粘贴）
- 链接（不要自动 fetch，提醒用户复制 JD 文本进来；若用户授权 fetch，使用 web_fetch）
- 截图（用 OCR / 视觉识别，让用户确认抽取结果）
- doc/pdf 文件
调用脚本：
python scripts/parse_jd.py --jd-file <jd.txt> --out jd_parsed.json
脚本会从 JD 抽出：
- 硬技能 must-have（"必须" / "要求" / "至少 X 年" 等强信号词后面的技能）
- 硬技能 nice-to-have（"加分" / "优先" / "熟悉者优先" 等弱信号）
- 软技能信号（沟通 / 推动 / 跨部门 / 抗压 等）
- 职责动词 + 对象（"负责 X" / "搭建 Y" / "推动 Z"）
- 特殊要求（出差 / 学历 / 证书 / 语言 / 城市）
把结果展示给用户，让用户确认 / 修正抽取是否准确（关键 must-have 不能漏）。
Step 2: 解析简历
输入：用户上传的简历文件（.pdf / .docx / .md / .txt）。
调用对应 skill 解析：
- pdf → pdf skill
- docx → docx skill
抽出：基本信息、教育、每段工作 / 项目经历的（公司、岗位、时间、职责 bullet）、技能列表。
Step 3: Gap 分析
调用：
python scripts/jd_gap.py --jd jd_parsed.json --resume resume.txt --out gap.md
脚本输出三类清单：
- 完美命中（JD must-have 在简历里有明确证据）
- 隐性命中（JD 要求 X，简历里有 X 的近义经验，但用词不一样 → 改写时可以"提一下"）
- 真缺口（JD 要求但简历完全没有）
对"真缺口"分两类：
- 可补救：简历里其实做过类似的事，只是没写出来 → 追问用户"你做过 X 吗？"
- 不可补救：用户确实没做过 → 不能编，建议用户在 cover letter 或 summary 里诚实说明并强调 transferable skill
Step 4: 定向改写
按以下原则重写简历：
a. 重排经历顺序：与 JD 最相关的工作 / 项目放最前（不改时间真实性，但可以把项目经历拆成两块"相关项目 / 其他项目"）
b. 重写每条 bullet：
- 把 JD 里的"职责动词"自然嵌入 bullet（如 JD 说"主导 ___ 系统设计"，简历里就把"参与"改成"主导"——前提是用户确实主导了）
- 数字保留并放大（"用户 100 万"是好事，别藏起来）
- 补 JD 关键词（如 JD 说"A/B 测试"，但简历里写的是"灰度对比"，改成"A/B 测试（灰度对比）"）
c. 重写 Summary：用 2~3 行总结你为什么是这个岗位的合适人选，直接对应 JD 的 must-have
d. 调整技能列表：把 JD 提到的技能移到最前面（前提是真的会）
e. 不改的事实：
- 公司名、岗位名、起止时间、学历 —— 一字不改
- 项目规模、用户量、收入数据 —— 不能编，只能让用户确认后填准
Step 5: 自检 + 报告
输出三个文件：
resume_tailored_<公司>_<岗位>.md（改写后的简历）gap_analysis.md（gap 分析报告）- 聊天里给一个 ATS 命中率对比："改前 X% → 改后 Y%"
附：诚实提醒用户哪些 bullet 是基于现有信息推测改写的，让用户复核后再投。
反模式（不要做）
- ❌ 编造经历（"加上一段你没做过的项目"——绝对禁止，哪怕用户要求）
- ❌ 把 JD 的整段话直接粘进简历（很容易被 HR 一眼识破，且 ATS 反作弊会标记）
- ❌ 关键词堆砌（在末尾塞一长串技能词凑命中率，HR 一眼能看出）
- ❌ 把"参与"改成"主导"但没有问用户实际角色 → 必须先核实
- ❌ 不给用户看 gap，自己默默改 → 用户会失去对简历的"理解"
与其他 skill 的协作
- 改完后用户说"帮我准备这家公司的面试" → 转
interview-prep，把 JD + 改写简历传过去 - 用户说"我想知道还能投哪些类似的岗" → 转
job-intent-tracker - 用户说"我现在简历不太行，能不能整体重做" → 转
resume-builder