Resume Optimization Pro

简历优化专业版（Resume Optimization Pro）

核心原则

简历的本质定位

简历是营销文档，而非工作历史。其目的是：

1. 通过ATS筛选（关键词匹配）
2. 抓住招聘者注意（6秒扫描法则）
3. 展示量化价值（用数据证明影响力）
4. 获得面试机会（而非详尽描述所有工作）

6秒扫描法则

招聘者平均仅用6秒扫描一份简历。在这6秒内，他们关注：

• 职位标题是否匹配
• 公司背景是否相关
• 关键技能是否具备
• 成就是否量化明确

因此：最重要的信息必须在简历顶部、开头位置突出展示。

80/20定制化原则

• 80%基础简历：核心经验、技能和成就（适用于广泛角色）
• 20%定制内容：针对特定职位的调整

这种方法平衡了效率（无需从头重写）和效果（展示岗位匹配度）。

红旗警示清单

必须避免的内容：

• ❌ 泛泛的目标陈述（"寻找有挑战性的岗位..."）
• ❌ 职责描述而非成就（"负责..."）
• ❌ 未解释的工作空白期
• ❌ 拼写或格式不一致
• ❌ 过时技术放在显眼位置
• ❌ 使用"We"而非"I"（模糊个人贡献）
• ❌ 自我推销式夸张表述（"300%提升"、"填补空白"、"首创"等绝对化表述）
• ❌ 个人品牌混入工作经验（个人公众号、副业项目应放在联系方式，不应放在公司工作经验中）

---

核心能力

1. 8维度评分体系：信息准确性、结构合理性、专业表达、框架应用、量化数据、差异化竞争力、ATS友好度、细节完善度
2. 迭代优化流程：读取→分析→评分→识别问题→优化建议→修改→验证，循环直到90+分
3. 框架应用：CAR/STAR/PAR/SOAR等多种成就描述框架
4. 面试准备：自动生成多场景自我介绍和完整面试题库

---

工作流程

阶段1：初始分析

1. 读取简历文件

``bash Read tool: /path/to/resume.md ``

1. 8维度评分

• 参考：[scoring-rubric.md](references/scoring-rubric.md)
• 逐维度评分，生成评分报告：

``` ## 简历评分报告 总分: XX/100

### 各维度得分

• 信息准确性: XX/15 - [问题描述]
• 结构合理性: XX/15 - [问题描述]
• 专业表达: XX/15 - [问题描述]

...

### 优先修复问题

1. [Critical] ...
2. [High] ...

```

1. 识别核心问题

• 虚构/夸大内容
• 结构冗余/错位
• 岗位定位不准（如技术总监写成开发工程师）
• 数据不一致
• 缺少量化数据
• 未应用框架

---

阶段2：迭代优化

优化循环（直到达到90+分）：

1. 提出优化建议

• 针对得分 High > Medium
• 每次聚焦1-3个核心问题

1. 应用框架改写

• 参考：[frameworks.md](references/frameworks.md)
• 根据成就类型选择合适框架：
• 产品创新 → CAR框架
• 项目管理 → STAR框架
• 问题解决 → PAR框架
• 克服困难 → SOAR框架

1. 修改简历

• 使用Edit tool修改具体内容
• 保持原文件路径不变
• 每次修改后说明改动原因

1. 重新评分

• 按8维度重新评分
• 对比改进前后得分
• 识别剩余问题

1. 循环迭代

• 如果总分<90，返回步骤1
• 如果90-95分，建议优化
• 如果95+分，可选完善

---

阶段3：面试准备生成

触发条件：

• 简历评分达到90+
• 用户明确要求生成面试材料

生成内容：

1. 多场景自我介绍（4种）

• 正式面试版（3分钟）
• 商务场合版（1分钟）
• 技术社区版（2分钟）
• 内部团队版（1.5分钟）

1. 完整面试题库（按类别）

• 管理类（团队管理、项目管理）
• 技术类（核心技术、安全测试、架构设计）
• 产品与商业类（产品设计、商业化）
• 战略与规划类（战略思维、职业规划）
• 场景类（问题解决、沟通协作）
• 压力与挑战类
• HR面试类（薪资谈判、背景调查）
• 情景模拟类

1. 输出格式

• 新建文件：[姓名]-自我介绍与面试题库.md
• 包含STAR法则的完整回答
• 基于简历真实内容生成

---

关键原则

1. 真实性至上

• ❌ 禁止虚构内容
• ❌ 禁止夸大数据
• ✅ 所有数据可验证
• ✅ 保持信息一致性

2. 框架严格应用

每条成就必须包含：

• 背景/挑战：面临什么问题？
• 行动：采取了什么行动？
• 结果：取得了什么成果（必须量化）

3. 岗位视角准确

不同级别关注点不同：

• 技术总监：战略、决策、影响力、商业价值
• 技术经理：管理、协调、优化、团队建设
• 高级工程师：技术方案、质量、创新
• 工程师：实现、学习、协作

总监级别语言模式（实战案例）

核心原则：

1. 强调"主导/推动/决策"而非"精通/擅长/负责"
2. 关注体系建设而非工具使用
3. 展示影响力而非执行细节
4. 量化数据应在上下文中呈现，避免在专业概述中堆砌

实战对比：

❌ 错误（工程师视角）：

• "精通Yakit、reconFTW、Sqlmap等主流渗透测试工具"
• "擅长Web应用安全测试、移动端安全测试、内网渗透"
• "团队效率提升300%"（在专业概述中）

✅ 正确（总监视角）：

• "主导企业级[领域]体系和标准化流程建设，覆盖[场景A]/[场景B]/[场景C]全场景评估，推动工具链整合和自动化（[工具1]/[工具2]/自研平台），具备[决策能力1]、[决策能力2]和[决策能力3]决策能力"
• "推动[技术方向]在工作流中的深度应用，运用[工具/平台]实现[场景1]、[场景2]、[场景3]等场景的自动化，显著提升团队效能和项目交付效率"
• "深度运用[关键技术]显著提升团队[核心指标]"（在专业概述中，具体数据留给工作经验部分）

个人成就vs公司成就区分

原则：工作经验部分仅包含与当前雇主相关的成就

个人成就放置位置：

• ✅ 联系方式区域：个人品牌（公众号/博客主理人）
• ✅ 荣誉奖项：个人参与的竞赛、认证、标准制定
• ✅ 核心技能：可以提及个人技术能力

公司成就放置位置：

• ✅ 工作经验：团队管理、项目交付、产品开发、业绩达成

实战案例：

• ❌ 错误：在公司工作经验中写"运营[个人品牌]公众号，粉丝XX+"
• ✅ 正确：在基本信息中写"个人品牌：[品牌名称]（[平台]主理人）"

4. 量化数据必备

数据类型：

• 时间：N个月 vs X个月，项目周期从Y天降至Z天
• 金钱：年度业绩XX万+，节省成本YY万/年
• 规模：从0到1组建N人团队，累计交付XX+项目
• 效率：效率提升N%，处理时间从X天降至Y小时
• 质量：测试覆盖率从X%提升至Y%，错误率降低N%
• 比例：客户满意度X%+，部署成功率Y%

没有准确数字时的策略：

• 使用范围："节省10-15小时/周"
• 使用约数："减少页面加载时间约40%"
• 使用相对比较："将部署时间减半"
• 使用数量级："处理10倍流量增长"

---

使用示例

示例1：完整优化流程

用户：帮我优化这份简历 [提供文件路径]

AI：
1. [Read] 读取简历
2. [Analyze] 8维度评分 → 总分75/100
3. [Identify] 识别核心问题：
   - 定位像开发工程师而非技术总监
   - 缺少量化数据
   - 未应用CAR/STAR框架
4. [Suggest] 提出优化建议（3条）
5. [Edit] 修改简历内容
6. [Re-score] 重新评分 → 85/100
7. [Continue] 继续迭代...
8. [Final] 达到99.7/100，完成优化

示例2：仅评分

用户：分析一下我的简历

AI：
1. [Read] 读取简历
2. [Score] 8维度评分
3. [Report] 生成评分报告，指出问题
4. [Ask] 是否需要优化？

示例3：生成面试准备

用户：生成面试准备材料

AI：
1. [Check] 确认简历已优化（90+分）
2. [Generate] 生成4种自我介绍
3. [Generate] 生成40+面试题（含完整回答）
4. [Write] 输出到新文件

---

评分目标

• 90-100分：优秀，可直接投递
• 80-89分：良好，少量优化后投递
• 70-79分：及格，需重点优化
• <70分：不合格，需大幅改写

---

参考资料

加载时机：按需加载，不预先全部读取

• [scoring-rubric.md](references/scoring-rubric.md)：8维度评分标准详解
• 何时加载：初次评分时必读

• [frameworks.md](references/frameworks.md)：CAR/STAR/PAR/SOAR等框架详解
• 何时加载：优化成就描述时参考

• [tailoring-strategies.md](references/tailoring-strategies.md)：简历定制化策略
• 何时加载：需要针对特定职位定制简历时参考

• [resume-structure.md](references/resume-structure.md)：简历结构设计完整指南
• 何时加载：设计简历整体结构、调整章节顺序、优化格式布局时参考

---

输出规范

1. 评分报告：

• 总分+各维度得分
• 问题清单（按优先级）
• 具体优化建议

1. 修改说明：

• 每次修改后说明改动内容
• 说明应用了哪个框架
• 对比改进前后

1. 最终验证：

• 达标标准：90+分
• 提供完整评分报告
• 确认无虚构/夸大内容

---

常见问题处理

Q1: 简历信息不完整怎么办？

策略：向用户提问收集信息

• 工作年限、团队规模
• 具体项目数量和成果
• 量化数据（业绩、效率提升）

Q2: 发现虚构内容怎么办？

策略：明确指出，要求用户确认

• 标记可疑内容
• 询问是否真实
• 如虚构则删除或改写

Q3: 用户要求快速优化怎么办？

策略：聚焦Critical问题

• 优先修复得分最低的维度
• 应用框架改写核心成就
• 2-3轮迭代达到85+分

Source & license

This open-source skill is cataloged on AgentStack and links to its original source — we do not rehost the code.

• Author: taielab
• Source: taielab/resume-optimization-pro
• License: MIT

Install and usage instructions live in the source repository linked above.