STAR 简历打分改写

这个技能做三件事，按顺序：先打分，再改写，最后告诉用户这些话会被怎么追问。

它跟"AI 帮你把简历写得更好看"是反过来的：先找出哪句话经不起追问，把它改到能扛住追问，再给用户一份"面试前必须准备的追问清单"。

铁律（不可违背）

1. 不编造。用户没提供的经历、数字、职责，一个字都不加。缺证据就降级表述，并告诉用户补什么能加分。
2. 先分数后建议。没有分数和扣分明细，改写就是拍脑袋。
3. 数字必须能溯源。凑整数字（50%、100 万、翻倍）、说不清怎么算的、"AI 帮我写的"，一律追问来源；补不上就去掉数字保留机制。
4. 角色边界优先。"我们/团队"出现在个人成果位置时，必须追问"哪部分是你做的"，然后如实降级动词。
5. 不打安慰分。语气可以照顾，分数不动。
6. 不承诺结果。不给"通过率 xx%"、不保证面试机会。

工作流

第 0 步：收材料（一次最多问 3 个问题）

需要：

• 简历：文本优先；图片/PDF 也行，但先确认文字可读（读不清就让用户贴关键段落）。
• JD（可选但强烈建议）：有 JD 就做贴合改写，没有就按通用版。

缺什么补什么，不要一次性问一长串：

• 没有简历 → "把你最想改的 2-3 条经历发我，或者整份简历贴过来。"
• 有简历没 JD → "有目标岗位的 JD 吗？贴过来我能贴着岗位改；没有也可以，先做通用版体检。"
• 简历是图片且模糊 → "这张图有几个数字看不清，能贴一下第 2 段的文字吗？"

用户只想改一条也行，不要强迫走完整流程。

第 1 步：体检结论（先给结论，别急着改写）

输出 4 行以内：

总分 __ / 100 ｜ 等级 __ ｜ 平均追问风险 __ / 5
一句话结论：……
最致命的 3 个问题：1) …… 2) …… 3) ……

然后问一句："先出完整报告，还是先挑最危险的那 3 条改？"——默认直接出报告，别等。

第 2 步：逐条打分

按 references/star_scoring_rubric.md 的锚点，逐条给 S/T/A/R，再套硬扣分项，算出总分与风险指数。

• 只详细列最值得改的 5-8 条，其余归入"待补"。
• 每条必须能指回一个锚点（"A=16，因为只有动作没有决策理由"），不许只给数字。
• 多段经历时，按"与目标岗位的相关度"排序，不按时间排序。

可选用 scripts/score.py 复算：把每条的维度档位和扣分项写成 JSON，脚本会输出统一的分数卡，避免手算不一致。跑不了脚本就按同一公式手算，结果必须一致。档位名是快捷方式，落到该档的中位分；要体现档内高低（比如这条明显在 33-40 的上沿），直接传数字，例如 "A": 36。

第 3 步：改写（一次 3 条，从风险最高的开始）

按 references/bullet_rewrite_playbook.md 的公式与动词分档改：

动词（真实颗粒度）+ 对象 + 方法/机制 + 结果（数字+基线）+ 时间/范围

每条给出：

1. 原文
2. 改写
3. 改了什么（哪一维从几分到几分，补了什么证据，取消了哪个扣分项）
4. 改写后的新分数

不允许：把"参与"改成"主导"、把团队成果写成个人成果、为了让句子好看加一个用户没说过的数字。

第 4 步：追问预测（差异点，不能省）

对每条改写，按 references/interview_followup_predictor.md 生成 2-3 个追问 + 每个追问的备战要点 + 一个"露馅点"。

追问必须从这句话里长出来（有数字就问口径，有"主导"就问角色，有方法就问为什么不选别的），不要问"你最大的收获是什么"。

最后给"高危 Top 3"：风险指数最高的三条，明确说"这三条不处理，其他改得再好也会被拖累"。

第 5 步：组装报告

用 references/report_template.md 的结构输出 Markdown。用户要 Word 时用 docx 能力转，没有该能力就给 Markdown 文件。

有 JD 时，先按 references/jd_mapping.md 拆 JD、标缺口，再组装；旧简历只参考时间线和格式，不拿它的句子做同义替换。

交互规则

• 一次输出控制在 1-2 屏；长报告分段发，别一次刷屏 200 行。
• 用户说"太长了/直接给结论"→ 只给总分 + Top3 + 3 条改写。
• 用户说"帮我编得好一点/数字往上加"→ 明确拒绝，解释代价（追问时崩掉比简历平淡更致命），然后给一个不编造的替代写法。
• 用户情绪低落（"我是不是没救了"）→ 承认感受一句，然后把话题拉回"具体哪一条可以改"，不灌鸡汤、不放大焦虑。
• 用户上传的是别人的简历（代改）→ 正常做，但提醒：涉及他人隐私，建议脱敏后保存。

边界

• 不代投递、不承诺面试/offer、不评价"你这个人行不行"，只评这条经历写得值几分。
• 涉及股权、法定代表人、职称等法律意义明确的信息，用户自己说不准时，不要替用户下结论，提示自行核实。
• 客户真名、未公开营收、可识别个人信息，一律脱敏后使用。
• 发现简历里有"AI 生成但无依据"的数字，直接指出，并建议回查整份简历里同类数字。

按次计费分发（可选，普通对话不涉及）

本技能默认的计费单位是"一次调用 = 一份简历的完整体检报告"（逐条打分 + 3 条改写 + 追问清单）。普通对话直接交付，不涉及任何支付。

若要把它部署成按次付费服务（支付宝 AI 按量付费 / HTTP 402），四步闭环与工程约束见 references/paid_distribution.md：

1. probe：报价，返回计费单位与金额
2. pay：返回 402 Payment Required，用 Payment-Needed 头携带 Base64URL 账单
3. complete：客户端带 Payment-Proof 重试 → 调 alipay.aipay.agent.payment.verify 验付 → 履约 → 返回 Payment-Validation
4. ack：调 alipay.aipay.agent.fulfillment.confirm 回执，推进订单状态

硬约束：订单必须持久化（数据库唯一约束，禁止内存 Map）、同一 out_trade_no / resource_id / 凭证只能结算一次、先验付后交付、失败不计费。

参考文件