Resume Optimizer
Overview
在不改变原意、不虚构任何经历/数字的前提下，用 STAR 法则（Situation-Task-Action-Result）重写简历中的经历条目，使其更结构化、可量化、贴合目标岗位（JD），并按与岗位的匹配度对经历条目重新排序（匹配度高的靠前），最终输出与上传原件格式完全一致的优化后简历。
核心红线（任何时候不可违背）
- 忠于事实：只做"表达升级"，不做"内容造假"。禁止编造公司、职位、时间、职责、数据、成果、技能证书。原文没有的量化数字不得杜撰——缺数据时用"标记待补"方式处理（见 references/star-method.md）。
- 保持格式一致：输出文件类型 = 输入文件类型（docx→docx、pdf→pdf 版式尽量还原、md→md、飞书文档→飞书文档）。字体、字号、分栏、模块顺序、配色、项目符号风格尽量原样保留，只改文字内容。
- 保持事实性字段不变：姓名、联系方式、公司名、职位名、起止时间、学校、专业等原样保留，不做"优化"。
工作流（按顺序执行）
优化一份简历包含以下步骤：
1. 读取输入 —— 拿到原简历与 JD，识别原件格式。
2. 诊断分析 —— 拆解简历结构，定位可优化的经历条目，提炼 JD 关键词并为每条经历打匹配度。
3. STAR 改写 —— 对每条经历按 STAR 法则重写，忠于原意、贴合 JD。
4. 按匹配度排序 —— 在同一模块内，把与岗位匹配度高的经历条目前移；模块级顺序保持不动。
5. 原格式输出 —— 用与原件一致的格式生成优化后简历。
6. 自检交付 —— 对照红线自检后交付，并给出优化说明。
步骤 1：读取输入
- 读原简历：docx/pdf/txt/md 用
Read或页面文件获取工具读取全文；图片简历用视觉能力（VLM）读图，不要调 OCR 工具；飞书文档用 lark-doc skill 读取。读取原件时同时记录其格式特征（模块顺序、每个模块的排版、项目符号样式、是否分栏、字体色块等），供步骤 5 复现。 - 读 JD：用户以文本、链接或文件形式提供的岗位职责/任职要求。若用户未提供 JD，先询问目标岗位；无法获取时，按"通用优化"进行，并在交付说明中提示"未针对具体岗位定向优化"。
- 若原件是需下载的文件，先落到本地工作目录再读取。
步骤 2：诊断分析
- 拆出简历模块：个人信息 / 求职意向 / 教育 / 工作经历 / 项目经历 / 实习 / 技能 / 证书 / 自我评价等。
- 从 JD 中提炼关键能力词与硬指标（如：数据分析、A/B 实验、用户增长、SQL、跨部门协作、GMV、留存率……），作为改写时的靠拢目标。
- 标记出每一条待优化的经历条目（通常是工作/项目/实习下的每个 bullet）。个人信息、时间、学历等事实字段不进入改写。
- 详细的诊断维度与 STAR 拆解方法见
references/star-method.md。
步骤 3：STAR 改写（技能核心）
对每条经历条目，套用 STAR 结构改写为"动作 + 方法/工具 + 可量化结果"的表达。务必先阅读 references/star-method.md，其中包含：STAR 四要素释义、强动词词库、量化技巧、JD 关键词对齐方法、"缺数据不造假"的处理规范、以及大量 before→after 改写范例。
改写要求：
- 一句话讲清"做了什么、怎么做的、带来什么结果"，优先前置成果与量化数字。
- 用强动词开头（主导/搭建/推动/优化…），去掉"负责/参与/协助"式的模糊表达（但不得夸大真实角色）。
- 自然嵌入 JD 关键词，但不堆砌、不改变事实。
- 改写后逐条与原文比对，确认语义未偏移、未新增事实。
步骤 4：按匹配度排序
- 排序范围：只在同一模块内调整 bullet 顺序（如"工作经历"下的各条职责、"项目经历"下的各项目）。模块级顺序保持不动（教育/工作/项目/技能等大模块仍按原件顺序），以保证版式一致性。
- 匹配度判定（优先级从高到低）：
1. 直接命中 JD 核心硬指标 / 关键职责（如 JD 要求"用户增长"，经历恰好是增长项目）。
2. 命中 JD 硬技能 / 工具栈（如 SQL、A/B 实验、Python、Figma）。
3. 命中 JD 软能力（跨部门协作、项目推动、数据分析思维）。
4. 相关性弱、或仅为日常事务性工作 → 靠后。 - 同一段经历内的多条 bullet，也按"最能体现核心能力 → 辅助性事务"的顺序排列。
- 若未提供 JD（通用优化），则按"成果最显著 / 最能体现能力"的条目靠前，不强行重排。
- 详细的排序方法与示例见
references/star-method.md第七节。
步骤 5：原格式输出
根据输入格式选择输出方式，详细方法见 references/format-preservation.md：
- .docx：优先在原文件上做"文字替换"以最大限度保留样式。用 scripts/replace_docx_text.py，传入"原句→新句"的 JSON 映射，脚本在保留字体/字号/段落样式的前提下就地替换文本。
- .md / .txt：直接按原有标题层级、缩进、符号体系输出对应文本。
- .pdf：无法可靠原地编辑时，用 python-docx 复刻原版式生成 .docx，再转 PDF；并在交付说明中告知"已尽量还原原版式"。
- 图片简历：文字无法回填原图，输出为版式相近的 .docx/.md，并说明格式做了转换。
- 飞书文档：用 lark-doc skill 新建/更新飞书文档，保持原模块结构。
- 交付格式判定与飞书导入/交付规则遵循主流程规范（本地格式产物按需导入飞书并交付在线 URL；图片走 markdown 等）。
步骤 6：自检交付
交付前逐项核对：
- [ ] 无编造的公司/职位/时间/数据/证书；量化数字均来自原文或已标记待补
- [ ] 姓名、联系方式、公司名、职位名、起止时间、学历等事实字段未被改动
- [ ] 输出文件格式与原件一致（类型/模块顺序/排版风格）
- [ ] 每条经历都体现 STAR，且贴合 JD 关键词
- [ ] 同一模块内经历条目已按岗位匹配度排序（匹配度高的靠前）
- [ ] 语义与原意一致，无夸大真实角色
交付时随产物附一段简短优化说明：改了哪些模块、对齐了哪些 JD 关键词、做了哪些排序调整、哪些地方"缺数据待用户补充"。
Resources
references/star-method.md—— STAR 法则详解、强动词库、量化技巧、JD 对齐、匹配度排序方法、缺数据处理规范、before→after 范例。执行步骤 2/3/4 前必读。references/format-preservation.md—— 按输入格式（docx/pdf/md/图片/飞书）保持输出格式一致的具体做法。执行步骤 5 前必读。scripts/replace_docx_text.py—— 在保留 .docx 原有格式的前提下按 JSON 映射就地替换文本的脚本。
