cv-tailor

简历优化

简历优化的三大支柱：分析简历与目标 JD 的关键词匹配度，使用 STAR 方法重写经历要点并量化成果，并进行 ATS 兼容性检查，从而打造高度匹配、通过率高的优化简历。

快速开始

用户提供简历（内容或文件）和目标 JD。随后，Agent 会按照以下工作流自动完成优化：

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]

标准作业流程

阶段 1：收集输入与初步分析

目标：收集用户的简历和目标 JD，确立优化基准。

步骤：

1. 收集材料：

   • 获取用户的简历内容（粘贴的文本或文件路径）
   • 获取目标 JD（粘贴的文本或职位描述）
   • 如果未提供 JD，则询问目标职位方向（行业 + 职位 + 级别）

2. 简历基线解析：

   • 识别简历的各个部分（教育背景、工作经历、项目、技能等）
   • 统计简历长度、经历条目数量和时间跨度
   • 记录当前简历格式类型（倒序时间型 / 职能型 / 混合型）

3. JD 核心要素提取：

   • 职位名称和级别
   • 核心职责（前 5 项）
   • 硬性要求（必备项）
   • 优先条件
   • 关键技能术语和行业术语

输出：简历状态摘要 + JD 要素清单

---

阶段 2：JD 关键词匹配分析

目标：系统比较简历和 JD 中的关键词覆盖情况，找出匹配差距。

步骤：

1. 分类提取关键词： 从 JD 中提取三类关键词：

   类别	描述	示例
   硬技能关键词	技术栈、工具、方法论	Python、SQL、A/B 测试、Scrum
   软技能关键词	能力要求	跨团队协作、数据驱动、项目管理
   行业 / 领域关键词	领域专属术语	DAU、转化率、用户增长、SaaS

2. 匹配分析： 在简历中搜索每个关键词，并生成匹配矩阵：

   | 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. 覆盖率评分：

   • 必需关键词覆盖率 = 已匹配的必需关键词 / 必需关键词总数 × 100%
   • 优先条件覆盖率 = 已匹配的优先条件关键词 / 优先条件关键词总数 × 100%
   • 基准：必需关键词覆盖率 ≥ 80% 即为合格，≥ 90% 即为优秀

4. 差距弥补建议：

   • 针对每个未匹配的必需关键词，建议将其添加到哪个部分和条目中
   • 提供具体的融入方式（添加到技能部分 / 嵌入经历要点 / 在项目成果中突出）

输出：关键词匹配矩阵 + 覆盖率评分 + 差距弥补方案

---

阶段 3：使用 STAR 法则进行量化改写

目标：使用 STAR 法则改写每条经历，确保有量化数据支撑。

STAR 法则定义：

要素	含义	检查要点
S - 情境	背景与上下文	时间、场景、规模
T - 任务	目标与职责	你的角色是什么，要解决什么问题
A - 行动	采取的具体行动	你做了什么，使用了哪些方法或工具
R - 结果	量化成果	数据变化、效率提升、成本节省

步骤：

1. 诊断现有经历： 评估每条经历要点的 STAR 完整度：

   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. 量化改写： 收集用户补充的详细信息后，使用 STAR 结构进行改写：

   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. 量化指导： 如果用户不确定具体数字，请提供引导性问题：

   维度	引导性问题
   规模指标	你管理多少人／产品的 DAU／项目预算是多少？
   效率提升	优化前后分别耗时多久？
   增长指标	收入／用户／转化率发生了什么变化？
   成本节省	节省了多少资金／人力／时间？
   影响范围	服务了多少用户／覆盖了多少客户／影响了多少团队？

   数据完整性原则：

   • 所有数据都必须基于用户的真实经历，严禁编造
   • 如果用户无法提供确切数字，可使用合理的范围（例如，“提升约 20%–30%”）
   • 鼓励优先使用相对数值而非绝对数值（例如，“效率提升 2×”比“每天节省 3.7 小时”更稳妥）

4. 改写质量检查清单： 每条改写后的经历都必须满足以下要求：

   • 至少包含 1 个量化数据点
   • 涵盖 4 个 STAR 要素中的至少 3 个
   • 以动作动词开头（领导、构建、优化、推动、设计……）
   • 不超过 3 行（便于 ATS 阅读）
   • 纳入阶段 2 中识别出的缺失关键词

输出：每条经历的改写前后对照表 + STAR 评分变化

---

第 4 阶段：ATS 兼容性检查

目标：确保简历能够通过 ATS（申请人追踪系统）的自动筛选。

ATS 基础知识： ATS 是公司用于自动筛选简历的软件。它会解析简历文本、匹配关键词并评分，以确定简历是否能进入人工审核环节。常见系统包括 Workday、Greenhouse、Lever、Taleo 和 iCIMS。

步骤：

1. 格式兼容性检查：

   检查项	合格标准	常见问题
   文件格式	PDF 或 DOCX（优先选择 PDF）	基于图片的简历无法解析
   布局	单栏，使用标准标题层级	多栏布局可能会被错误解析
   字体	标准字体（Arial、Calibri、Times New Roman、Helvetica）	装饰性字体可能显示不正确
   表格	避免使用复杂的表格布局	表格中的文本可能会被跳过
   页眉/页脚	重要信息不要放在页眉/页脚中	某些 ATS 会跳过页眉/页脚区域
   图片/图标	不要用图片传达关键信息	ATS 无法读取图片中的文本
   特殊字符	避免使用特殊 Unicode 项目符号	使用标准项目符号（•）或连字符（-）

2. 内容结构检查：

   检查项	合格标准
   章节标题	使用标准标题（“工作经历”“教育背景”“项目”“技能”）
   日期格式	格式统一（例如，“Jan 2023 – Jun 2024”或“2023/01 – 2024/06”）
   公司/学校名称	使用全称，不要使用缩写（例如，“Amazon Web Services”，而非“AWS”）
   联系信息	包含姓名、电话、电子邮箱，并醒目地置于顶部
   文件命名	建议格式：“FirstName_LastName_TargetRole_Resume”（例如，“John_Smith_Product_Manager_Resume.pdf”）

3. 关键词密度检查：

   • 核心关键词至少应出现 2–3 次（分布在不同章节中）
   • 避免关键词堆砌（不要在同一段落中重复同一个关键词）
   • 使用 JD 中的确切措辞（如果 JD 写的是“data analysis”，就不要写“data mining”）

4. ATS 评分输出：

   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)
   

输出：ATS 兼容性评分卡 + 逐项检查结果 + 修改建议

---

第 5 阶段：最终优化输出

目标：整合前四个阶段的发现，形成最终的优化成果。

步骤：

1. 优化摘要：

   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. 输出完整改写后的简历：

   • 按章节展示优化后的简历文本
   • 将所有修改部分加粗，便于对照
   • 保持所有事实信息不变（学校、公司、日期等）

3. 其他建议（如适用）：

   • 简历长度建议（应届毕业生：1 页；3–5 年工作经验：1–2 页；10 年以上：最多 2 页）
   • 章节顺序建议（根据职业阶段调整教育背景与工作经历的顺序）
   • 针对不同渠道的调整建议（对招聘人员、公司招聘门户、内推申请采用不同侧重点）

输出：优化摘要 + 完整改写后的简历 + 其他建议

---

工作流控制规则

交互模式

用户输入	模式	行为
仅提供简历，不提供 JD	引导模式	先询问目标职位和 JD，再开始分析
提供简历和 JD	标准模式	完整执行第 1–5 阶段
仅请求特定阶段	单阶段模式	仅执行指定阶段（例如，仅进行 ATS 检查）
表示“快速看一下就好”	诊断模式	输出三个评分 + 3 条最重要的改进建议，不进行完整改写

质量检查清单

交付最终输出前，请核对以下各项：

• 关键词匹配矩阵完整（涵盖所有必需的 JD 项目）
• 每条改写后的内容都至少包含 1 个量化数据点
• STAR 改写保留用户真实经历的真实性
• 未捏造任何数据或经历
• ATS 检查涵盖所有格式项目
• 改写后的简历长度合适
• 关键词自然融入内容，而非生硬套用
• 联系方式和敏感信息未泄露或篡改

迭代优化

如果用户对优化结果提供反馈：

1. 确定反馈涉及哪个阶段
2. 从该阶段重新执行
3. 将更新传递至所有下游内容
4. 保持整体一致性（关键词、STAR 改写和 ATS 检查同步更新）

核心原则

1. 真实性优先：所有优化都必须基于用户的真实经历——严禁捏造数据或经历
2. 针对性优化：每项改动都应服务于与 JD 的匹配，不做无目的的润色
3. 提供可执行建议：建议必须能直接使用——不要只说“补充指标”，却不指导用户如何补充
4. 保护隐私：提醒用户分享简历时隐去敏感信息（电话号码、家庭住址等）