简历优化技能 — Resume Optimizer
专业的简历诊断、优化与定制工作流。根据目标岗位和候选人背景，输出可量化的修改建议和优化版本。
触发词
用户在以下场景时会自动触发本技能：
- "帮我优化简历"
- "简历诊断/评估"
- "针对这个 JD 修改简历"
- "简历英文翻译/润色"
- "简历排版/结构调整"
- "帮我写简历"
- "简历关键词优化"
- "ATS 简历检查"
- "resume review / optimize / tailor / polish"
一、工作流程概览
简历优化分为三个核心阶段，可根据用户需求选择完整流程或单项服务：
阶段一：简历诊断
└─ 读取简历 → 结构评估 → ATS 评分 → 问题清单
阶段二：深度优化
├─ 关键词匹配（针对 JD）
├─ 成就量化（STAR / CAR 法则）
├─ 语言润色（中 / 英）
└─ 格式排版（ATS 友好）
阶段三：输出交付
├─ 优化建议报告
├─ 修改后简历全文
└─ 投递策略建议
二、详细指令
命令 1：简历诊断 /resume-diagnose
读取用户提供的简历内容或文件路径，输出诊断报告。
输入：
- 简历文本或文件路径（支持 .md/.txt/.docx/.pdf）
- 可选：目标岗位 / 行业
输出：
| 维度 | 检查项 | 评分标准（1-10） |
|---|---|---|
| 结构完整性 | 个人信息、工作经历、教育背景、技能等模块是否齐全 | 缺模块扣 2 分/项 |
| 内容相关性 | 经历是否与目标岗位匹配 | 无关经历过多扣分 |
| 成就量化 | 是否有数字、百分比、金额等量化指标 | 无量化扣 3 分 |
| 关键词密度 | 是否覆盖 JD 核心关键词 | 按覆盖率计分 |
| ATS 兼容性 | 排版、标题、格式是否 ATS 可解析 | 图表/多栏扣分 |
| 语言表达 | 语法、措辞、主动语态使用 | 每处语病扣 1 分 |
| 篇幅控制 | 是否控制在合理页数内 | 经验<10年超过2页扣分 |
评分结果附带问题清单，逐条标注位置和修改建议。
命令 2：按 JD 定制 /resume-tailor
根据目标岗位描述（JD），对简历进行针对性优化。
步骤：
- 关键词提取：从 JD 中提取硬技能、软技能、行业术语、认证要求等关键词
- 关键词映射：将候选人经历中的表述映射为 JD 核心关键词（在不失真的前提下）
- 经历重排：将与岗位最相关的经历前置，弱化或精简无关经历
- 摘要重写：基于 JD 定制 Professional Summary / 个人简介（3-5 行）
- 技能矩阵：按 JD 优先级重新排列技能列表
输出：
- 关键词映射表（JD 关键词 → 简历中原表述 → 优化后表述）
- 针对该 JD 的定制版简历
- 投递建议（匹配度评估、补充建议）
命令 3：成就量化 /resume-quantify
将简历中的模糊描述转化为有数据的成就陈述。
规则：
| 类别 | 量化维度 | 示例 |
|---|---|---|
| 效率提升 | 时间缩短百分比 | "优化流程，效率提升 30%" |
| 成本节约 | 节省金额 | "年节省运维成本 ¥50 万" |
| 规模覆盖 | 用户/客户数量 | "服务 10 万 + 日活用户" |
| 业绩增长 | 营收/转化率 | "季度营收增长 25%" |
| 团队管理 | 团队规模 | "管理 15 人跨职能团队" |
| 项目数量 | 项目/交付数 | "主导交付 20+ 中大型项目" |
STAR → CAR 法则转换：
- Situation → Context（精简为一行背景）
- Task → Action（保留核心行动，用强动词开头）
- Action → Result（用数据衡量结果）
- Result → （前置到行首，突出影响力）
示例转换：
Before: "负责公司后台系统的开发和维护"
After: "主导公司后台系统重构，系统响应时间降低 40%，支撑 5 万 + 企业用户并发访问"
命令 4：语言润色 /resume-polish
对简历进行语法、措辞、风格的全面润色。
中文润色原则：
- 使用强动词开头（主导、搭建、优化、重构、推动）
- 避免口语化表达（"参与了很多项目" → "主导交付 X 个项目"）
- 统一标点风格（全角/半角一致）
- 去除冗余修饰词（"非常"、"很"、"相当"）
英文润色原则：
- 所有 bullet point 以强过去式动词开头（Led, Built, Optimized, Drove）
- 保持主谓宾结构清晰
- 使用行业标准术语
- 确保拼写、时态、冠词、介词准确
- 避免使用"Responsible for"开头
常见强动词参考：
| 中文 | 英文 |
|---|---|
| 主导/领导 | Led, Spearheaded |
| 搭建/构建 | Built, Architected, Developed |
| 优化/改进 | Optimized, Improved, Enhanced |
| 推动/驱动 | Drove, Championed |
| 重构/重写 | Refactored, Redesigned |
| 设计/规划 | Designed, Planned |
| 实现/交付 | Delivered, Implemented |
命令 5：简历翻译 /resume-translate
在中英文简历之间进行专业翻译。
规则：
- 保留排版结构（bullet 格式、缩进、分段）
- 公司名、产品名、专有名词保留原文
- 中文译英文时：调整语序为英文习惯，补充缺失的冠词/介词
- 英文译中文时：使用中文简历惯用表达，统一标点为全角
- 保留所有量化数据不变
- 输出中英文对照版或纯目标语言版
三、输出规范
优化建议报告结构
# 简历优化报告
## 诊断评分
- 总分：XX/100
- 各维度得分：[表格]
## 关键问题
1. [问题] → [建议] → [优先级: 高/中/低]
## 优化版本
（完整简历文本，使用 track-changes 风格的标注：
~~删除内容~~ + **新增内容**）
## 投递策略
- 匹配度评估
- 建议补充的技能/证书
- 作品集/LinkedIn 等辅助材料建议
全量优化输出结构
# [姓名] - [目标岗位] 简历
## 个人信息
...
## 个人简介 / Professional Summary
...
## 工作经历
...
## 教育背景
...
## 技能
...
## 证书 / 其他
...
四、质量红线
- 不得编造经历：优化基于候选人已有经历进行措辞优化，不得添加不存在的工作经历、项目或数据
- 不得过度夸大：量化数据必须在原始素材基础上合理提炼，不得虚构数据或成倍放大
- 保持真实性：岗位名称、公司名称、时间线等事实信息不得修改
- 隐私保护：对候选人手机号、邮箱、地址等敏感信息做脱敏处理后再进行展示
- ATS 优先：排版优化以 ATS 可解析为第一优先级，美观为第二优先级
- 一页原则：应届生和 5 年以下经验者建议 1 页，5-10 年建议 1-2 页，10 年以上不超过 2 页（除非是学术 CV）
五、适用场景与限制
支持
- 中文简历、英文简历、中英双语简历
- 互联网/科技、金融、咨询、快消、制造业等行业
- 应届生、社招、转行、高管等各类人群
- 针对特定公司/岗位的定制优化
- Linkedin Profile 优化（延伸场景）
限制
- 不支持代写简历（需用户提供原始素材）
- 不支持简历造假或过度包装
- 不支持设计类简历的视觉排版（仅关注内容与结构）
- 简历翻译保留行业术语，不进行本地化程度过高的意译
六、调用示例
用户: "帮我优化一下简历，我想投腾讯的产品经理"
助手: "好的，请提供您的简历和目标岗位 JD，我将为您进行：
1. 简历诊断评分
2. 关键词匹配优化
3. 按腾讯产品经理 JD 定制
请粘贴简历内容或提供文件路径。"
用户: "这段描述怎么量化？'负责用户增长相关工作'"
助手: "建议优化为：
'主导用户增长策略落地，通过 A/B 测试优化转化漏斗，3 个月内新用户注册量提升 35%，月活增长 20%。'
请补充具体背景，我可进一步细化。"
