ATS 简历生成/优化 Skill

任务目标

本 Skill 用于：帮助用户创建、优化和管理 ATS 友好的专业简历
能力包含：简历生成、简历优化、投递可接受性检查、版本管理、导出文件
触发条件：用户需要创建新简历、优化现有简历、对比或导出简历

前置准备

依赖说明：本 Skill 使用纯本地 Python 库处理文件解析与导出（无任何外部服务/网络依赖）

pdfplumber>=0.10.0   # 解析 PDF 简历
python-docx>=1.1.0   # 生成 DOCX
reportlab>=4.0.0     # 生成 PDF（内置 CJK 字体，纯 pip；缺失时自动回退 HTML）

目录准备：在当前工作目录创建版本管理目录
```
mkdir -p .resume-versions
```

核心原则

硬性规则

绝不编造用户经历/数据：缺失内容用 【占位符】 并输出"最小补充清单"
ATS 友好：默认单栏、无表格、无文本框、无图标；使用标准段落标题
投递可接受性：诊断报告必须从 HR 首筛视角检查标题是否对口、年限/地点/联系方式/工作授权/到岗时间是否清楚，以及是否存在照片、年龄、婚育、政治面貌、期望薪资等目标市场禁忌信息
完整输出：必须同时输出 ResumeIR JSON、诊断报告、投递可接受性结论、改写后的简历正文；导出文件按需由本地脚本生成（见"导出文件"）
用户输入成本最低化：优先支持"粘贴文本/上传文件"，仅在关键字段缺失时追问

输出结构

所有操作必须输出以下三部分（导出文件按需生成）：

ResumeIR JSON：固定字段名，符合 ResumeIR.v1 Schema
诊断报告：问题清单 + 严重度 + 建议，符合诊断报告规范
投递可接受性结论：application_acceptability，回答"现在能不能投 / HR 首筛会卡在哪里 / 先补什么"
改写后的简历正文：纯文本预览
（可选）导出文件：用户需要 DOCX/PDF 时，调用 scripts/render_resume.py 本地生成

操作步骤

模式选择

根据用户需求选择模式：

模式 1：生成简历（从零）：帮助用户从零创建简历
模式 2：优化简历（已有简历）：基于用户已有简历进行优化

所有模式都支持可选输入：

JD（用户粘贴原文）
目标岗位：target_title / target_level（中国：P6/P7、资深/专家/主管；美国科技岗：Senior/Staff、L5/L6、SDE II 等）
语言：zh-CN / en-US
行业：互联网/AI/数据/研发/运营/销售/职能等
模板：template_id（默认 cn_ats_a4_v1）

模式 1：生成简历（从零）

步骤 1：信息收集

使用最少的追问帮助用户收集以下信息：

基本信息：姓名、电话、邮箱、城市
目标岗位：target_title、target_level、target_industry
最近 2-3 段工作经历：每段包含公司、岗位、起止时间、3 个成果要点
教育经历：学校、学位、专业、毕业时间
技能：主要技能（primary）和次要技能（secondary）

步骤 2：生成 ResumeIR

将收集的信息转换为 ResumeIR 格式（完整字段见 ResumeIR.v1 Schema），缺失字段用 【占位符】 填充。最小骨架示例：

{
  "meta": {"version": "1.0", "language": "zh-CN", "locale": "zh-CN"},
  "basics": {"name": "张三", "phone": "【占位符】", "email": "【占位符】", "target_title": "产品经理"},
  "summary": "",
  "skills": {"primary": ["需求分析", "数据分析"], "secondary": []},
  "work": [{"company": "某公司", "title": "产品经理", "start": "2021-06", "end": "present",
            "bullets": ["主导……，使……提升 20%"]}],
  "projects": [],
  "education": [{"school": "【占位符】", "degree": "本科", "start": "", "end": ""}]
}

步骤 3：输出第一版简历

输出 ResumeIR JSON
输出纯文本预览（按标准顺序排版）
生成诊断报告（重点检查完整性）
生成投递可接受性结论：ready / needs_fix / do_not_submit，并列出 HR 首筛会卡住的 3 个以内问题
输出最小补充清单（最多 8 条问题）

步骤 4：保存版本

自动保存为第一个版本：version_name = "{target_title}-{date}-{lang}"

模式 2：优化简历（已有简历）

步骤 1：解析简历

如果用户上传文件（PDF/DOCX/TXT）：调用 scripts/parse_resume.py 提取文本
如果用户粘贴文本：直接使用文本内容

步骤 2：回显确认

向用户回显以下关键字段，确认解析准确性：

姓名
最近公司
最近岗位
工作年限估计

步骤 3：收集 JD（可选）

询问用户是否有目标 JD，如有则粘贴

步骤 4：生成 ResumeIR 和诊断报告

从简历文本中提取信息，生成 ResumeIR（缺失用 【占位符】）
输出诊断报告（评分 0-100，问题列表 + 严重度 + 建议）
输出投递可接受性结论：标题匹配、首屏可读、联系方式、地点/到岗/工作授权、市场禁忌信息、岗位证据是否满足 HR 初筛
生成改写后的 ResumeIR
输出纯文本预览（用户需要文件时再调用 render_resume.py 导出）

步骤 5：保存版本

自动保存为第一个版本：version_name = "{target_title}-{date}-{lang}"

简历改写规范

工作经历 bullet 写法

每个 bullet 必须符合以下结构：

动作动词 + 任务 + 方法/工具 + 结果（指标）

示例：

❌ 错误：负责数据分析和报表生成
✅ 正确：使用 Python 和 SQL 分析用户行为数据，通过 A/B 测试优化产品功能，使日活用户增长 20%

量化要求

尽可能使用具体数字、百分比、金额等量化指标
无法量化时使用 【metric】 占位符，并在补充清单中提示

JD 关键词覆盖（如果有 JD）

对 primary skills 做关键词覆盖（≤12 个）
在 bullets 中自然体现，避免生硬堆词

版本管理

保存版本

使用脚本保存当前 ResumeIR：

python3 scripts/version_manager.py save --version-name "产品经理-2024-01-15-zh-CN" --resume-ir "resume_ir.json"

命名版本

python3 scripts/version_manager.py rename --old-name "v1" --new-name "产品经理-2024-01-15-zh-CN"

对比版本

python3 scripts/version_manager.py compare --version1 "v1" --version2 "v2"

回滚版本

python3 scripts/version_manager.py rollback --version-name "v1"

导出文件

本地导出（纯 Python，无外部服务/网络）

当用户要求导出时，将当前 ResumeIR 存为 JSON 后调用脚本：

python3 scripts/render_resume.py --resume-ir "resume_ir.json" --output-formats "docx,pdf" --output-dir ./out

导出采用降级阶梯，任何环境都能产出可用文件：

DOCX：python-docx 生成，单栏、标准标题、无表格/文本框，ATS 友好（推荐投递格式）
PDF：reportlab + 内置 CJK 字体直出（纯 pip，无需系统字体/系统库）；若未安装 reportlab，则自动改出打印优化 HTML，并提示"用浏览器打开后 Ctrl+P 另存为 PDF"
脚本不依赖任何远程服务，clone 到本地即可运行

可用样式

cn_ats_a4_v1（中文，默认）/ en_ats_a4_v1（英文）；实际中英文由 ResumeIR 的 meta.language 决定
查看：python3 scripts/render_resume.py --list-templates
生成双语或英文简历时，请参考 references/en-resume-conventions.md（动作动词库、禁照片/年龄/婚姻、1 页优先、英文日期 MMM YYYY、量化优先）
面向美国科技岗（SWE/PM/DS）：可直接参考 assets/examples/ 下的 en-US-software-engineer.json、en-US-product-manager.json、en-US-data-scientist.json 三份可渲染样例（含 LinkedIn/GitHub、美国职级、p99/QPS/SLA 等美国科技度量）；meta.language=en-US 时渲染层自动套英文区块标题，并把 ISO 日期 YYYY-MM 自动转 MMM YYYY

资源索引

必要脚本

scripts/parse_resume.py：简历解析脚本，支持 PDF/DOCX/TXT/MD
- 参数：位置参数 <文件路径>（亦兼容 --input-file <路径>）
- 输出：JSON {"text": "...", "format": "pdf|docx|txt", "pages": N, "success": true}；失败返回 {"error": "...", "exit_code": N}
scripts/version_manager.py：版本管理脚本
- 参数：save/rename/compare/rollback + 对应参数
- 输出：版本操作结果
scripts/render_resume.py：本地导出脚本（DOCX/PDF/HTML，无外部服务）
- 参数：--resume-ir <JSON 文件>、--output-formats docx,pdf,html、--output-dir、--file-name
- 输出：DOCX / PDF（或 HTML 兜底）文件

领域参考

references/resumeir-schema.md：ResumeIR.v1 Schema 定义（何时读取：生成或解析 ResumeIR 时）
references/diagnostic-report-spec.md：诊断报告输出规范（何时读取：生成诊断报告时）
references/en-resume-conventions.md：英文简历规范（何时读取：生成双语/英文简历时）

对话流程示例

场景 1：从零生成简历

用户：帮我生成一份简历
智能体：好的，让我帮你创建简历。请告诉我：
       1. 你的目标岗位是什么？
       2. 目前的工作情况（公司/岗位/工作年限）？
       ...

[收集信息]

智能体：已生成第一版简历，以下是我的分析：
       [诊断报告]

       最小补充清单（8 个问题）：
       1. 请补充你的具体联系方式（电话/邮箱）
       2. 在第一段工作经历中，你提到的【metric】具体是多少？
       ...

场景 2：优化已有简历

用户：帮我优化这份简历 [上传文件]
智能体：[解析简历] 我从你的简历中提取到以下信息，请确认：
       姓名：张三
       最近公司：某科技公司
       最近岗位：产品经理
       工作年限：3-5 年

       是否有目标 JD？如有请粘贴。

[如有 JD]

智能体：已完成优化，诊断报告如下：
       总评分：72/100

       问题列表：
       [P0] 工作经历部分缺乏量化指标（严重）
            建议：每个 bullet 应包含具体的数字或百分比
            示例改写："负责产品迭代" → "主导 5 个产品迭代，使用户留存率提升 15%"

       ...

       缺口清单（JD 要求但简历缺失）：
       1. SQL 技能（JD 明确要求）
           最小补充问题：你是否有使用 SQL 的经验？用于什么场景？

       [输出改写后的简历]

场景 3：导出文件

用户：导出这份简历
智能体：正在生成 DOCX 和 PDF 文件... [调用 render_resume.py]
       已生成文件：
       - 张三-产品经理-2024-01-15.docx
       - 张三-产品经理-2024-01-15.pdf

场景 4：版本对比

用户：对比 v1 和 v2
智能体：[调用 version_manager.py compare]
       主要差异：
       1. 工作经历 - 某科技公司（2019-2022）
          v1: 负责产品设计和需求分析
          v2: 主导 8 个产品迭代，通过数据驱动优化，使用户满意度提升 25%

       2. 技能 - primary
          v1: ["产品设计", "需求分析", "项目管理"]
          v2: ["产品设计", "需求分析", "项目管理", "数据分析", "SQL", "A/B 测试"]

       建议：v2 版本内容更完整，建议使用 v2 版本进行投递。

场景 5：回滚版本

用户：回滚到 v1
智能体：[调用 version_manager.py rollback]
       已回滚到 v1 版本（产品经理-2024-01-10-zh-CN）

注意事项

失败兜底

简历解析失败：要求用户粘贴纯文本；或让用户用"教育/经历/项目"分段粘贴
信息缺失：用 【占位符】 + 最小补充清单（≤8 问）
JD 太长：只抽取岗位职责与任职要求两段，其余忽略
生成内容过泛：强制每条 bullet 含"结果/影响"，否则标记为 P1 问题并给改写示例

ATS 友好性（约束对象为"生成/导出"的简历；解析用户上传文件时可正常读取其中的表格内容）

使用标准段落标题（工作经历、教育、技能等）
避免使用表格、文本框、图标、图片
默认单栏布局
使用标准字体（如 Arial、Calibri）
避免使用特殊字符和装饰性元素

质量保证

所有 bullet 必须以动作动词开头（如"主导"、"设计"、"实现"、"优化"等）
确保每个 bullet 都有明确的结果或影响
避免"负责"、"参与"等弱化词
优先使用主动语态，避免被动语态

使用示例

示例 1：从零生成简历（中英文）

功能说明：帮助用户从零创建中英文双语简历
执行方式：智能体对话 + 脚本保存版本
关键参数：language=zh-CN/en-US，target_title，target_level
步骤：
1. 收集基本信息和经历
2. 生成中文版 ResumeIR
3. 生成英文版 ResumeIR（自动翻译）
4. 保存为两个版本（中文版和英文版）

示例 2：基于 JD 优化简历

功能说明：针对特定 JD 优化简历内容
执行方式：智能体分析 + 脚本解析
关键参数：JD 文本，原简历文件
步骤：
1. 解析原简历
2. 分析 JD 要求
3. 对比找出缺口
4. 改写简历以覆盖 JD 关键词
5. 输出对比和优化建议

示例 3：多版本管理

功能说明：创建多个简历版本，对比并选择最佳版本
执行方式：脚本管理版本
关键参数：version_name，resume_ir
步骤：
1. 保存 v1 版本
2. 修改后保存 v2 版本
3. 对比 v1 和 v2
4. 回滚到最佳版本
5. 导出最终版本

Ask in your favorite AI

Documentation