cv-tailor

CV Tailor

履歴書最適化の3つの柱：応募先の求人票（JD）とのキーワードの一致度を分析し、STARメソッドを用いて定量的な成果を含む職務経験の箇条書きを書き直し、ATS互換性チェックを実施します。これにより、応募先に特化した、選考通過率の高い履歴書を作成します。

クイックスタート

ユーザーが履歴書（本文またはファイル）と応募先の求人票を提供すると、エージェントは以下のワークフローに沿って自動的に最適化を完了します。

User: Help me optimize my resume — I'm applying for this role [attaches JD + resume]
Agent: [Follows the SOP workflow and outputs optimization recommendations plus a rewritten resume]

SOP ワークフロー

フェーズ 1：入力情報の収集と初期分析

目標：ユーザーの履歴書と応募先の求人票を収集し、最適化の基準を設定します。

手順：

1. 資料の収集：

   • ユーザーの履歴書の内容（貼り付けられたテキストまたはファイルパス）を取得します
   • 応募先の求人票（貼り付けられたテキストまたは職務内容）を取得します
   • 求人票が提供されていない場合は、応募先の職種の方向性（業界＋職種＋レベル）を尋ねます

2. 履歴書の基準情報の解析：

   • 履歴書のセクション（学歴、職務経験、プロジェクト、スキルなど）を特定します
   • 履歴書の長さ、職務経験の件数、対象期間を数えます
   • 現在の履歴書の形式（逆時系列型／職能型／ハイブリッド型）を記録します

3. 求人票の主要要素の抽出：

   • 職種名とレベル
   • 主要な職務内容（上位5項目）
   • 必須要件
   • あると望ましい要件
   • 重要なスキル用語と業界用語

出力：履歴書の状況の概要＋求人票の要素チェックリスト

---

フェーズ 2：求人票のキーワード一致度分析

目標：履歴書と求人票のキーワードの網羅状況を体系的に比較し、一致していない項目を特定します。

手順：

1. キーワードの分類と抽出： 求人票から3つのカテゴリのキーワードを抽出します。

   カテゴリ	説明	例
   ハードスキルのキーワード	技術スタック、ツール、手法	Python、SQL、A/B testing、Scrum
   ソフトスキルのキーワード	能力要件	部門横断的な連携、データに基づく意思決定、プロジェクト管理
   業界／分野のキーワード	分野固有の用語	DAU、コンバージョン率、ユーザー成長、SaaS

2. 一致度分析： 履歴書内で各キーワードを検索し、一致度マトリックスを作成します。

   | Keyword | JD Priority | In Resume? | Location | Recommendation |
   |---------|-------------|------------|----------|----------------|
   | Python  | Required    | ✅ Yes     | Skills + Project 1 | Keep; add specific use-case context |
   | SQL     | Required    | ❌ No      | -        | Add; weave into project experience |
   

3. 網羅率のスコアリング：

   • 必須キーワードの網羅率 ＝ 一致した必須キーワード数 ÷ 必須キーワードの合計数 × 100%
   • あると望ましいキーワードの網羅率 ＝ 一致したキーワード数 ÷ あると望ましいキーワードの合計数 × 100%
   • 基準：必須キーワードの網羅率が80%以上で合格、90%以上で優秀です

4. 不足分を補うための提案：

   • 一致しなかった必須キーワードごとに、追加するセクションと項目を提案します
   • 具体的な盛り込み方を提示します（スキルセクションに追加／職務経験の箇条書きに組み込む／プロジェクトの成果で強調する）

出力：キーワード一致度マトリックス＋網羅率スコア＋不足分を補うための計画

---

フェーズ 3：STAR に基づく定量的な書き換え

目標：各職務経験の項目を STAR メソッドに基づいて書き換え、定量データで裏付けます。

STAR メソッドの定義：

要素	意味	チェックポイント
S - 状況	状況と背景	いつ、どのような状況で、どの程度の規模だったか
T - 課題	目標と責任	自分の役割は何だったか、どのような課題を解決する必要があったか
A - 行動	具体的に取った行動	何をしたか、どのような方法やツールを使ったか
R - 結果	定量的な成果	データの変化、効率の向上、コスト削減

手順：

1. 既存の項目を診断する： 職務経験の各箇条書きについて、STAR の充足度を評価します。

   Original: "Responsible for user growth initiatives"
   
   Diagnosis:
   - S (Situation): ❌ Missing — no product or stage context
   - T (Task): ⚠️ Vague — "initiatives" is too generic
   - A (Action): ❌ Missing — no specific actions described
   - R (Result): ❌ Missing — no data whatsoever
   Score: 1/4 (severely lacking)
   

2. 定量的に書き換える： ユーザーから追加情報を収集した後、STAR の構成に基づいて書き換えます。

   Rewritten: "During a user growth plateau for [Product Name] (DAU 500K+),
   led the design of a new-user activation funnel analysis framework (S+T),
   optimized 3 critical registration flow touchpoints + designed a 7-day retention incentive strategy (A),
   increasing new-user D1 retention from 32% to 45% and monthly active users by 18% within 3 months (R)"
   

3. 定量化のガイダンス： ユーザーが具体的な数値に確信を持てない場合は、質問を提示します。

   寸法	質問例
   規模の指標	管理した人数／製品の DAU／プロジェクト予算はどれくらいでしたか
   効率向上	最適化の前後で、所要時間はどれくらい変わりましたか
   成長の指標	売上／ユーザー数／コンバージョン率はどれくらい変化しましたか
   コスト削減	金額／人員数／時間をどれくらい削減しましたか
   影響範囲	対応したユーザー数／対象となったクライアント数／影響を受けたチーム数はどれくらいですか

   データの整合性に関する原則：

   • すべてのデータはユーザーの実体験に基づいている必要があります。捏造は固く禁じられています。
   • 正確な数値を提示できない場合は、妥当な範囲を使います（例：「約 20％〜30％改善」）。
   • 絶対値より相対値を推奨します（例：「効率が 2 倍に向上」は「1 日あたり 3.7 時間を削減」より安全です）。

4. 書き換え品質チェックリスト： 書き換え後の各項目は、次の条件を満たす必要があります。

   • 定量データを少なくとも 1 つ含む
   • STAR の 4 要素のうち、少なくとも 3 つを含む
   • 行動を表す動詞（主導した、構築した、最適化した、推進した、設計したなど）で始まる
   • 3 行以内である（ATS での読みやすさ）
   • フェーズ 2 で特定した不足キーワードを含む

出力：各項目の書き換え前後の比較表と STAR スコアの変化

---

Phase 4: ATS 互換性チェック

目標：履歴書が ATS（応募者追跡システム）の自動審査を通過できるようにします。

ATS の基本： ATS は、企業が履歴書を自動審査するために使用するソフトウェアです。履歴書のテキストを解析してキーワードを照合し、スコアを付けて、人による確認の対象となるかどうかを判断します。代表的なシステムには、Workday、Greenhouse、Lever、Taleo、iCIMS があります。

手順：

1. フォーマットの互換性チェック：

   チェック項目	合格基準	よくある問題
   ファイル形式	PDF または DOCX（PDF を推奨）	画像形式の履歴書は解析できません
   レイアウト	1 列構成で、標準的な見出し階層を使用	複数列のレイアウトは正しく解析されないことがあります
   フォント	標準フォント（Arial、Calibri、Times New Roman、Helvetica）	装飾的なフォントは正しく表示されないことがあります
   表	複雑な表形式のレイアウトは避けます	表内のテキストが読み飛ばされることがあります
   ヘッダー／フッター	重要な情報をヘッダー／フッターに配置しない	一部の ATS はヘッダー／フッター領域を読み飛ばします
   画像／アイコン	重要な情報を伝えるために画像を使わない	ATS は画像内のテキストを読み取れません
   特殊文字	Unicode の特殊な箇条書き記号は避けます	標準的な箇条書き記号（•）またはハイフン（-）を使用します

2. 内容構成のチェック：

   チェック項目	合格基準
   セクション見出し	標準的な見出し（「職務経歴」「学歴」「プロジェクト」「スキル」）を使用します
   日付形式	一貫した形式を使用します（例：「Jan 2023 – Jun 2024」または「2023/01 – 2024/06」）
   企業名／学校名	略称ではなく正式名称を使用します（例：「AWS」ではなく「Amazon Web Services」）
   連絡先情報	氏名、電話番号、メールアドレスを目立つように上部に記載します
   ファイル名	推奨形式：「FirstName_LastName_TargetRole_Resume」（例：「John_Smith_Product_Manager_Resume.pdf」）

3. キーワード密度のチェック：

   • 主要なキーワードは少なくとも 2～3 回、異なるセクションに分散して記載します
   • キーワードの詰め込みは避けます（同じキーワードを 1 つの段落内で繰り返さない）
   • JD の表現をそのまま使用します（JD に「data analysis」とある場合、「data mining」とは書きません）

4. ATS スコアの出力：

   ATS Compatibility Scorecard
   ===========================
   Format Compatibility:     ██████████ 90/100
   Section Standards:        ████████░░ 80/100
   Keyword Match Rate:       ███████░░░ 70/100 (see Phase 2)
   Content Structure:        █████████░ 85/100
   ──────────────────────────
   Overall Score:            81/100 (Good)
   
   ⚠️ Major deductions:
   1. Uses a two-column layout (−10 pts)
   2. Missing a standalone "Skills" section (−5 pts)
   3. "Data analysis" keyword appears only once (−5 pts)
   

出力：ATS 互換性のスコアカード ＋ 項目ごとの結果 ＋ 修正の推奨事項

---

Phase 5: 最終的な最適化結果

目標：4 つのフェーズすべての調査結果をまとめ、最終的な最適化成果物を作成します。

手順：

1. 最適化の概要：

   Resume Optimization Summary
   ===========================
   JD Keyword Coverage:      62% → 92% (+30%)
   STAR Completeness:        Avg 1.5/4 → 3.5/4
   ATS Compatibility Score:  55/100 → 88/100
   Entries Rewritten:        6/8
   Keywords Added:           7
   

2. 全面的に書き直した履歴書を出力：

   • 最適化した履歴書のテキストをセクションごとに提示します
   • 変更箇所はすべて太字にして、比較しやすくします
   • 事実情報（学校、企業、日付など）は変更しません

3. 追加の推奨事項（該当する場合）：

   • 履歴書の長さの目安（新卒：1 ページ、経験 3～5 年：1～2 ページ、経験 10 年以上：最大 2 ページ）
   • セクションの順序に関する提案（キャリア段階に応じて、学歴と職務経歴の掲載順を調整）
   • 提出経路ごとの調整（採用担当者／企業の応募フォーム／紹介応募に応じて強調点を変える）

出力：最適化の概要 ＋ 全面的に書き直した履歴書 ＋ 追加の推奨事項

---

ワークフローの制御ルール

対話モード

ユーザー入力	モード	動作
履歴書のみ（JD なし）	ガイドモード	まず希望職種と JD について確認してから、分析を開始します
履歴書 ＋ JD	標準モード	フェーズ 1～5 をすべて実行します
特定のフェーズのみをリクエスト	単一フェーズモード	リクエストされたフェーズのみ実行します（例：ATS チェックのみ）
「ざっと見てほしい」と依頼	診断モード	3 つのスコアと改善提案トップ 3 を出力します。全面的な書き直しは行いません

品質チェックリスト

最終的な出力を提供する前に、各項目を確認してください：

• キーワードマッチマトリクスが完全である（必須の JD 項目をすべて網羅している）
• 書き直したすべての項目に、少なくとも 1 つの定量化されたデータポイントが含まれている
• STAR による書き直しが、ユーザーの実際の経験の真正性を保っている
• データや経験を捏造していない
• ATS チェックがすべてのフォーマット項目を網羅している
• 書き直した履歴書の長さが適切である
• キーワードが自然に織り込まれている — 無理に当てはめていない
• 連絡先の詳細および機密情報が漏えいまたは改変されていない

反復的な改善

ユーザーが最適化についてフィードバックを提供した場合：

1. そのフィードバックがどのフェーズに関連するかを特定する
2. そのフェーズから再実行する
3. すべての下流のコンテンツに更新をカスケードする
4. 全体的な一貫性を維持する（キーワード、STAR による書き直し、ATS チェックが足並みを揃えて更新される）

中核となる原則

1. 真正性を最優先: すべての最適化はユーザーの実際の経験に基づかなければなりません — データや経験の捏造は固く禁じます
2. 的を絞った最適化: すべての変更は JD との整合に資するべきです — 目的のない飾り付けは行いません
3. 実行可能なアドバイス: 提案はそのまま使えるものでなければなりません — 方法を案内せずに「指標を追加しましょう」と言うだけではいけません
4. プライバシー保護: ユーザーが履歴書を共有する際は、機密情報（電話番号、自宅住所など）を伏せるよう促します